Всички Habr в една база данни

Добър ден. Минаха 2 години откакто е написано. последна статия относно анализирането на Habr и някои точки са променени.

Когато исках да имам копие на Habr, реших да напиша анализатор, който ще запази цялото съдържание на авторите в базата данни. Как се случи и какви грешки срещнах - можете да прочетете под разрез.

TLDR- връзка към база данни

Първата версия на анализатора. Една нишка, много проблеми

Като начало реших да направя прототип на скрипт, в който статията да бъде анализирана веднага след изтегляне и поставена в базата данни. Без да мисля два пъти, използвах sqlite3, защото. беше по-малко трудоемко: няма нужда да имате локален сървър, създаден-изгледан-изтрит и подобни неща.

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)

Всичко е класическо - използваме Beautiful Soup, заявки и бърз прототип е готов. Това е просто…

• Изтеглянето на страницата е в една нишка

• Ако прекъснете изпълнението на скрипта, тогава цялата база данни няма да отиде никъде. В края на краищата ангажиментът се извършва само след всички анализи.
  Разбира се, можете да извършвате промени в базата данни след всяко вмъкване, но тогава времето за изпълнение на скрипта ще се увеличи значително.

• Разборът на първите 100 000 статии ми отне 8 часа.

След това намирам статията на потребителя коинтегриран, който прочетох и намерих няколко лайфхака за ускоряване на този процес:

• Използването на многопоточност ускорява изтеглянето в пъти.
• Можете да получите не пълната версия на habr, а неговата мобилна версия.
  Например, ако коинтегрирана статия в настолната версия тежи 378 KB, то в мобилната версия тя вече е 126 KB.

Втора версия. Много теми, временна забрана от Habr

Когато претърсих интернет по темата за многонишковостта в python, избрах най-простата опция с multiprocessing.dummy, забелязах, че проблемите се появяват заедно с многонишковостта.

SQLite3 не иска да работи с повече от една нишка.
фиксирани check_same_thread=False, но тази грешка не е единствената, когато се опитвам да вмъкна в базата данни, понякога възникват грешки, които не мога да разреша.

Затова решавам да се откажа от незабавното вмъкване на статии директно в базата данни и, като си спомням коинтегрираното решение, решавам да използвам файлове, защото няма проблеми с многопоточното писане във файл.

Habr започва забрана за използване на повече от три нишки.
Особено ревностните опити за достигане до Habr могат да завършат с IP забрана за няколко часа. Така че трябва да използвате само 3 нишки, но това вече е добре, тъй като времето за итериране на над 100 статии е намалено от 26 на 12 секунди.

Струва си да се отбележи, че тази версия е доста нестабилна и изтеглянията периодично падат на голям брой статии.

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)

Трета версия. Финал

Докато отстранявах грешки във втората версия, открих, че Habr изведнъж има API, до който мобилната версия на сайта има достъп. Зарежда се по-бързо от мобилната версия, тъй като е само json, който дори не трябва да се анализира. В крайна сметка реших да пренапиша отново сценария си.

И така, след като намери тази връзка API, можете да започнете да го анализирате.

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)

Съдържа полета, свързани както със самата статия, така и с автора, който я е написал.

API.png

Не изхвърлих пълния json на всяка статия, но запазих само полетата, от които имах нужда:

• id
• is_tutorial
• time_published
• заглавие
• съдържание
• comments_count
• lang е езикът, на който е написана статията. Засега има само en и ru.
• tags_string - всички тагове от публикацията
• reading_count
• автор
• оценка — оценка на статията.

По този начин, използвайки API, намалих времето за изпълнение на скрипта до 8 секунди на 100 url.

След като сме изтеглили необходимите ни данни, трябва да ги обработим и въведем в базата данни. Нямах проблеми и с това:

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)

статистика

Е, традиционно, най-накрая можете да извлечете някои статистически данни от данните:

• От очакваните 490 406 изтегляния бяха изтеглени само 228 512 статии. Оказва се, че повече от половината (261894) от статиите на Хабре са скрити или изтрити.
• Цялата база данни, състояща се от почти половин милион статии, тежи 2.95 GB. В компресиран вид - 495 MB.
• Общо 37804 души са автори на Хабре. Напомням ви, че тази статистика е само от публикации на живо.
• Най-продуктивният автор на Хабре - ализар - 8774 статии.
• Най-високо оценена статия — 1448 плюса
• Най-четена статия — 1660841 показвания
• Най-обсъждана статия — 2444 коментара

Е, под формата на върховеТоп 15 автори
Топ 15 по рейтинг
Топ 15 прочетени
Обсъждани топ 15

Източник: www.habr.com