Добры дзень. Прайшло ўжо 2 гады з моманту напісання апошняга артыкула пра парсінг Хабра, і некаторыя моманты змяніліся.
Калі я захацеў мець у сябе копію хабра, я вырашыў напісаць парсер, які б захаваў увесь кантэнт аўтараў у базу дадзеных. Як гэта адбылося і з якімі памылкамі я сустрэўся - можаце прачытаць пад катом.
Для пачатку, я вырашыў зрабіць прататып скрыпту, у якім бы адразу пры спампоўцы артыкул парылася і змяшчалася ў базу дадзеных. Нядоўга думаўшы, выкарыстаў sqlite3, т.я. гэта было менш працаёмка: не трэба мець лакальны сервер, стварыў-паглядзеў-выдаліў і ўсё ў такім духу.
one_thread.py
from bs4 import BeautifulSoup
import sqlite3
import requests
from datetime import datetime
def main(min, max):
conn = sqlite3.connect('habr.db')
c = conn.cursor()
c.execute('PRAGMA encoding = "UTF-8"')
c.execute("CREATE TABLE IF NOT EXISTS habr(id INT, author VARCHAR(255), title VARCHAR(255), content TEXT, tags TEXT)")
start_time = datetime.now()
c.execute("begin")
for i in range(min, max):
url = "https://m.habr.com/post/{}".format(i)
try:
r = requests.get(url)
except:
with open("req_errors.txt") as file:
file.write(i)
continue
if(r.status_code != 200):
print("{} - {}".format(i, r.status_code))
continue
html_doc = r.text
soup = BeautifulSoup(html_doc, 'html.parser')
try:
author = soup.find(class_="tm-user-info__username").get_text()
content = soup.find(id="post-content-body")
content = str(content)
title = soup.find(class_="tm-article-title__text").get_text()
tags = soup.find(class_="tm-article__tags").get_text()
tags = tags[5:]
except:
author,title,tags = "Error", "Error {}".format(r.status_code), "Error"
content = "При парсинге этой странице произошла ошибка."
c.execute('INSERT INTO habr VALUES (?, ?, ?, ?, ?)', (i, author, title, content, tags))
print(i)
c.execute("commit")
print(datetime.now() - start_time)
main(1, 490406)
Усё па класіцы - выкарыстоўваем Beautiful Soup, requests і хуткі прататып гатовы. Вось толькі...
Запампоўванне старонкі ідзе ў адну плынь
Калі абарваць выкананне скрыпту, то ўся база сыдзе ў нікуды. Выкананне ж камітэта толькі пасля ўсяго парсінгу.
Вядома, можна замацоўваць змены ў базе пасля кожнай устаўкі, але тады і час выканання скрыпту павялічыцца ў разы.
Парсінг першых 100 000 артыкулаў у мяне заняў 8 гадзін.
Далей я знаходжу артыкул карыстальніка cointegrated, якую я прачытаў і знайшоў некалькі лайфхакаў, якія дазваляюць паскорыць гэты працэс:
Выкарыстанне шматструменнасці паскарае спампоўку ў разы.
Можна атрымліваць не поўную версію хабра, а ягоную мабільную версію.
Напрыклад, калі артыкул cointegrated у дэсктопнай версіі важыць 378 Кб, то ў мабільнай ужо 126 Кб.
Другая версія. Шмат патокаў, часовы бан ад Хабра
Калі я прошерстил інтэрнэт на тэму шматструменнасці ў python, абраў найболей просты варыянт з multiprocessing.dummy, то я заўважыў, што разам са шматструменнасцю з'явіліся праблемы.
SQLite3 не жадае працаваць з больш за адным струменем.
Фіксіцца check_same_thread=False, Але гэтая памылка не адзіная, пры спробе ўстаўкі ў базу часам узнікаюць памылкі, якія я так і не змог вырашыць.
Таму я вырашаю адмовіцца ад імгненнай устаўкі артыкулаў адразу ў базу і, успамінаючы рашэнне cointegrated, вырашаю выкарыстоўваць файлы, бо ніякіх праблем са шматструменным запісам у файл няма.
Хабр пачынае баніць за выкарыстанне больш за трох струменяў.
Асоба заўзятыя спробы дастукацца да Хабра могуць скончыцца баном ip на пару гадзін. Так што даводзіцца выкарыстоўваць толькі 3 патоку, але і гэта ўжо добра, бо час перабору 100 артыкулаў памяншаецца з 26 да 12 секунд.
Варта заўважыць, што гэтая версія даволі нестабільная, і на вялікай колькасці артыкулаў спампоўка перыядычна адвальваецца.
async_v1.py
from bs4 import BeautifulSoup
import requests
import os, sys
import json
from multiprocessing.dummy import Pool as ThreadPool
from datetime import datetime
import logging
def worker(i):
currentFile = "files\{}.json".format(i)
if os.path.isfile(currentFile):
logging.info("{} - File exists".format(i))
return 1
url = "https://m.habr.com/post/{}".format(i)
try: r = requests.get(url)
except:
with open("req_errors.txt") as file:
file.write(i)
return 2
# Запись заблокированных запросов на сервер
if (r.status_code == 503):
with open("Error503.txt", "a") as write_file:
write_file.write(str(i) + "n")
logging.warning('{} / 503 Error'.format(i))
# Если поста не существует или он был скрыт
if (r.status_code != 200):
logging.info("{} / {} Code".format(i, r.status_code))
return r.status_code
html_doc = r.text
soup = BeautifulSoup(html_doc, 'html5lib')
try:
author = soup.find(class_="tm-user-info__username").get_text()
timestamp = soup.find(class_='tm-user-meta__date')
timestamp = timestamp['title']
content = soup.find(id="post-content-body")
content = str(content)
title = soup.find(class_="tm-article-title__text").get_text()
tags = soup.find(class_="tm-article__tags").get_text()
tags = tags[5:]
# Метка, что пост является переводом или туториалом.
tm_tag = soup.find(class_="tm-tags tm-tags_post").get_text()
rating = soup.find(class_="tm-votes-score").get_text()
except:
author = title = tags = timestamp = tm_tag = rating = "Error"
content = "При парсинге этой странице произошла ошибка."
logging.warning("Error parsing - {}".format(i))
with open("Errors.txt", "a") as write_file:
write_file.write(str(i) + "n")
# Записываем статью в json
try:
article = [i, timestamp, author, title, content, tm_tag, rating, tags]
with open(currentFile, "w") as write_file:
json.dump(article, write_file)
except:
print(i)
raise
if __name__ == '__main__':
if len(sys.argv) < 3:
print("Необходимы параметры min и max. Использование: async_v1.py 1 100")
sys.exit(1)
min = int(sys.argv[1])
max = int(sys.argv[2])
# Если потоков >3
# то хабр банит ipшник на время
pool = ThreadPool(3)
# Отсчет времени, запуск потоков
start_time = datetime.now()
results = pool.map(worker, range(min, max))
# После закрытия всех потоков печатаем время
pool.close()
pool.join()
print(datetime.now() - start_time)
Трэцяя версія. Фінальная
Адладжваючы другую версію, я выявіў, што ў Хабра, раптоўна, ёсць API, да якога звяртаецца мабільная версія сайта. Загружаецца яно хутчэй, чым мабільная версія, бо гэта проста json, які нават парсіць асоба не трэба. У выніку я вырашыў нанова перапісаць мой скрыпт.
Такім чынам, выявіўшы па гэтай спасылцы API, можна прыступаць да яго парсінгу.
async_v2.py
import requests
import os, sys
import json
from multiprocessing.dummy import Pool as ThreadPool
from datetime import datetime
import logging
def worker(i):
currentFile = "files\{}.json".format(i)
if os.path.isfile(currentFile):
logging.info("{} - File exists".format(i))
return 1
url = "https://m.habr.com/kek/v1/articles/{}/?fl=ru%2Cen&hl=ru".format(i)
try:
r = requests.get(url)
if r.status_code == 503:
logging.critical("503 Error")
return 503
except:
with open("req_errors.txt") as file:
file.write(i)
return 2
data = json.loads(r.text)
if data['success']:
article = data['data']['article']
id = article['id']
is_tutorial = article['is_tutorial']
time_published = article['time_published']
comments_count = article['comments_count']
lang = article['lang']
tags_string = article['tags_string']
title = article['title']
content = article['text_html']
reading_count = article['reading_count']
author = article['author']['login']
score = article['voting']['score']
data = (id, is_tutorial, time_published, title, content, comments_count, lang, tags_string, reading_count, author, score)
with open(currentFile, "w") as write_file:
json.dump(data, write_file)
if __name__ == '__main__':
if len(sys.argv) < 3:
print("Необходимы параметры min и max. Использование: asyc.py 1 100")
sys.exit(1)
min = int(sys.argv[1])
max = int(sys.argv[2])
# Если потоков >3
# то хабр банит ipшник на время
pool = ThreadPool(3)
# Отсчет времени, запуск потоков
start_time = datetime.now()
results = pool.map(worker, range(min, max))
# После закрытия всех потоков печатаем время
pool.close()
pool.join()
print(datetime.now() - start_time)
У ім прысутнічае палі, якія адносяцца як да самага артыкула, так і да аўтара, які яго напісаў.
API.png
Я не стаў дампіць поўны json кожнага артыкула, а захоўваў толькі патрэбныя мне палі:
id
is_tutorial
time_published
назва
змест
comments_count
lang — мова, на якой напісаны артыкул. Пакуль што ў ёй толькі en і be.
tags_string - усе тэгі з пасады
reading_count
аўтар
score - рэйтынг артыкула.
Такім чынам, выкарыстаючы API, я паменшыў час выканання скрыпту да 8 секунд на 100 url.
Пасля таго, як мы спампавалі патрэбныя нам дадзеныя, трэба іх апрацаваць і занесці ў базу дадзеных. З гэтым таксама не ўзнікла праблем:
parser.py
import json
import sqlite3
import logging
from datetime import datetime
def parser(min, max):
conn = sqlite3.connect('habr.db')
c = conn.cursor()
c.execute('PRAGMA encoding = "UTF-8"')
c.execute('PRAGMA synchronous = 0') # Отключаем подтверждение записи, так скорость увеличивается в разы.
c.execute("CREATE TABLE IF NOT EXISTS articles(id INTEGER, time_published TEXT, author TEXT, title TEXT, content TEXT,
lang TEXT, comments_count INTEGER, reading_count INTEGER, score INTEGER, is_tutorial INTEGER, tags_string TEXT)")
try:
for i in range(min, max):
try:
filename = "files\{}.json".format(i)
f = open(filename)
data = json.load(f)
(id, is_tutorial, time_published, title, content, comments_count, lang,
tags_string, reading_count, author, score) = data
# Ради лучшей читаемости базы можно пренебречь читаемостью кода. Или нет?
# Если вам так кажется, можно просто заменить кортеж аргументом data. Решать вам.
c.execute('INSERT INTO articles VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)', (id, time_published, author,
title, content, lang,
comments_count, reading_count,
score, is_tutorial,
tags_string))
f.close()
except IOError:
logging.info('FileNotExists')
continue
finally:
conn.commit()
start_time = datetime.now()
parser(490000, 490918)
print(datetime.now() - start_time)
Статыстыка
Ну і традыцыйна, напрыканцы можна атрымаць крыху статыстыкі з дадзеных:
З чаканых 490 было запампавана толькі 406 артыкулаў. Атрымліваецца, што больш за палову(228) артыкулаў на хабры было ўтоена або выдалена.
Уся база, якая складаецца з амаль паўмільёна артыкулаў, важыць 2.95 Гб. У сціснутым выглядзе - 495 Мб.
Усяго на Хабры аўтарамі з'яўляюцца 37804 чалавек. Нагадваю, што гэта статыстыка толькі з жывых пастоў.
Самы прадуктыўны аўтар на Хабры алізар - 8774 артыкулы.