সব হাবর এক ডাটাবেসে

শুভ অপরাহ্ন. এটি লেখার পর 2 বছর হয়ে গেছে। শেষ নিবন্ধ হাবর পার্সিং সম্পর্কে, এবং কিছু পয়েন্ট পরিবর্তিত হয়েছে।

যখন আমি হাবরের একটি অনুলিপি পেতে চেয়েছিলাম, তখন আমি একটি পার্সার লেখার সিদ্ধান্ত নিয়েছিলাম যা লেখকদের সমস্ত বিষয়বস্তু ডাটাবেসে সংরক্ষণ করবে। এটি কীভাবে ঘটেছে এবং আমি কী ত্রুটির সম্মুখীন হয়েছি - আপনি কাটার নীচে পড়তে পারেন।

TL;DR - ডাটাবেস লিঙ্ক

পার্সার প্রথম সংস্করণ. এক থ্রেড, অনেক সমস্যা

শুরু করার জন্য, আমি একটি স্ক্রিপ্ট প্রোটোটাইপ তৈরি করার সিদ্ধান্ত নিয়েছি যেখানে নিবন্ধটি পার্স করা হবে এবং ডাউনলোড করার সাথে সাথে ডাটাবেসে স্থাপন করা হবে। দুবার চিন্তা না করে, আমি sqlite3 ব্যবহার করেছি, কারণ। এটি কম শ্রম-নিবিড় ছিল: একটি স্থানীয় সার্ভারের প্রয়োজন নেই, তৈরি-দেখা-মুছে ফেলা এবং এর মতো জিনিসপত্র।

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)

সবকিছু ক্লাসিক - আমরা ব্যবহার করি সুন্দর স্যুপ, অনুরোধ এবং একটি দ্রুত প্রোটোটাইপ প্রস্তুত। যে শুধু…

• পৃষ্ঠা ডাউনলোড এক থ্রেড

• আপনি যদি স্ক্রিপ্টের সম্পাদনে বাধা দেন, তাহলে পুরো ডাটাবেসটি কোথাও যাবে না। সব পরে, প্রতিশ্রুতি শুধুমাত্র সমস্ত পার্সিং পরে সঞ্চালিত হয়.
  অবশ্যই, আপনি প্রতিটি সন্নিবেশের পরে ডাটাবেসে পরিবর্তন করতে পারেন, কিন্তু তারপর স্ক্রিপ্ট কার্যকর করার সময় উল্লেখযোগ্যভাবে বৃদ্ধি পাবে।

• প্রথম 100 নিবন্ধ বিশ্লেষণ করতে আমার 000 ঘন্টা সময় লেগেছে।

পরবর্তী আমি ব্যবহারকারীর নিবন্ধ খুঁজে সমন্বিত, যা আমি পড়েছি এবং এই প্রক্রিয়াটিকে দ্রুত করার জন্য কয়েকটি লাইফ হ্যাক পেয়েছি:

• মাল্টিথ্রেডিং ব্যবহার করে অনেক সময় ডাউনলোডের গতি বাড়ে।
• আপনি হাবরের সম্পূর্ণ সংস্করণ পেতে পারেন না, তবে এর মোবাইল সংস্করণ।
  উদাহরণস্বরূপ, যদি ডেস্কটপ সংস্করণে একটি সমন্বিত নিবন্ধের ওজন 378 KB হয়, তবে মোবাইল সংস্করণে এটি ইতিমধ্যে 126 KB।

দ্বিতীয় সংস্করণ। অনেক থ্রেড, হাবর থেকে সাময়িক নিষেধাজ্ঞা

যখন আমি পাইথনে মাল্টিথ্রেডিংয়ের বিষয়ে ইন্টারনেট ঘাঁটাঘাঁটি করি, তখন আমি multiprocessing.dummy-এর সাথে সবচেয়ে সহজ বিকল্পটি বেছে নিয়েছিলাম, আমি লক্ষ্য করেছি যে মাল্টিথ্রেডিংয়ের সাথে সমস্যা দেখা দিয়েছে।

SQLite3 একাধিক থ্রেডের সাথে কাজ করতে চায় না.
স্থির check_same_thread=False, কিন্তু এই ত্রুটিটি একমাত্র নয়, ডাটাবেসে সন্নিবেশ করার চেষ্টা করার সময়, কখনও কখনও ত্রুটি ঘটে যা আমি সমাধান করতে পারিনি।

অতএব, আমি সরাসরি ডাটাবেসে নিবন্ধগুলির তাত্ক্ষণিক সন্নিবেশ ত্যাগ করার সিদ্ধান্ত নিয়েছি এবং সমন্বিত সমাধানটি মনে রেখে আমি ফাইলগুলি ব্যবহার করার সিদ্ধান্ত নিয়েছি, কারণ কোনও ফাইলে মাল্টি-থ্রেডেড লেখার সাথে কোনও সমস্যা নেই।

হাবর তিনটি থ্রেডের বেশি ব্যবহার করার জন্য নিষিদ্ধ করা শুরু করে.
হাবরে যাওয়ার জন্য বিশেষত উদ্যোগী প্রচেষ্টা কয়েক ঘন্টার জন্য একটি আইপি নিষেধাজ্ঞার সাথে শেষ হতে পারে। সুতরাং আপনাকে শুধুমাত্র 3টি থ্রেড ব্যবহার করতে হবে, তবে এটি ইতিমধ্যেই ভাল, যেহেতু 100 টিরও বেশি নিবন্ধ পুনরাবৃত্তি করার সময় 26 থেকে 12 সেকেন্ডে কমে গেছে।

এটি লক্ষণীয় যে এই সংস্করণটি বরং অস্থির, এবং ডাউনলোডগুলি পর্যায়ক্রমে প্রচুর নিবন্ধে পড়ে।

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)

তৃতীয় সংস্করণ। ফাইনাল

দ্বিতীয় সংস্করণটি ডিবাগ করার সময়, আমি আবিষ্কার করেছি যে Habr, হঠাৎ করে, একটি API আছে যা সাইটের মোবাইল সংস্করণ অ্যাক্সেস করে। এটি মোবাইল সংস্করণের চেয়ে দ্রুত লোড হয়, যেহেতু এটি শুধুমাত্র json, যা এমনকি পার্স করার প্রয়োজন নেই৷ শেষ পর্যন্ত, আমি আবার আমার স্ক্রিপ্ট পুনর্লিখন করার সিদ্ধান্ত নিয়েছি।

সুতরাং, খুঁজে পেয়ে এই লিঙ্কটি API, আপনি এটি পার্সিং শুরু করতে পারেন।

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)

এতে নিবন্ধটি এবং লেখক যিনি এটি লিখেছেন উভয়ের সাথে সম্পর্কিত ক্ষেত্র রয়েছে৷

API.png

আমি প্রতিটি নিবন্ধের সম্পূর্ণ json ডাম্প করিনি, তবে শুধুমাত্র আমার প্রয়োজনীয় ক্ষেত্রগুলি সংরক্ষণ করেছি:

• id
• is_tutorial
• সময়_প্রকাশিত
• খেতাব
• বিষয়বস্তু
• মন্তব্য_গণনা
• lang হল সেই ভাষা যেখানে নিবন্ধটি লেখা হয়। এখন পর্যন্ত, এটি শুধুমাত্র en এবং ru আছে।
• tags_string - পোস্ট থেকে সমস্ত ট্যাগ
• পড়া_গণনা
• লেখক
• স্কোর - নিবন্ধ রেটিং।

এইভাবে, API ব্যবহার করে, আমি প্রতি 8 ইউআরএলে 100 সেকেন্ডে স্ক্রিপ্ট কার্যকর করার সময় কমিয়েছি।

আমাদের প্রয়োজনীয় ডেটা ডাউনলোড করার পরে, আমাদের এটি প্রক্রিয়া করতে হবে এবং ডাটাবেসে প্রবেশ করতে হবে। এতেও আমার কোনো সমস্যা হয়নি:

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

ভাল, ঐতিহ্যগতভাবে, অবশেষে, আপনি ডেটা থেকে কিছু পরিসংখ্যান বের করতে পারেন:

• প্রত্যাশিত 490 ডাউনলোডের মধ্যে, শুধুমাত্র 406 নিবন্ধ ডাউনলোড করা হয়েছে। দেখা যাচ্ছে যে হাবরে নিবন্ধগুলির অর্ধেকেরও বেশি (228) লুকানো বা মুছে ফেলা হয়েছে।
• প্রায় অর্ধ মিলিয়ন নিবন্ধ সমন্বিত সমগ্র ডাটাবেসটির ওজন 2.95 জিবি। সংকুচিত আকারে - 495 এমবি।
• মোট, 37804 জন Habré এর লেখক। আমি আপনাকে মনে করিয়ে দিচ্ছি যে এই পরিসংখ্যানগুলি শুধুমাত্র লাইভ পোস্ট থেকে।
• হাব্রে-এর সবচেয়ে উৎপাদনশীল লেখক- আলিজার - 8774টি নিবন্ধ।
• শীর্ষ রেট নিবন্ধ — 1448 প্লাস
• সর্বাধিক পঠিত নিবন্ধ — 1660841 বার দেখা হয়েছে
• সর্বাধিক আলোচিত প্রবন্ধ — 2444 মন্তব্য

ভাল, শীর্ষ আকারেশীর্ষ 15 লেখক
রেটিং দ্বারা শীর্ষ 15
শীর্ষ 15 পড়া
শীর্ষ 15 আলোচিত

উত্স: www.habr.com