Dobar dan. Prošle su 2 godine otkako sam ga napisao o Habr raščlanjivanju, a neke stvari su se promijenile.
Kada sam poželeo da imam kopiju Habra, odlučio sam da napišem parser koji će sav sadržaj autora sačuvati u bazi podataka. Kako se to dogodilo i na koje sam greške naišao - možete pročitati ispod reza.
TL;DR -
Prva verzija parsera. Jedna tema, mnogo problema
Za početak sam odlučio napraviti prototip skripte u kojoj bi se članak odmah nakon preuzimanja raščlanio i smjestio u bazu podataka. Bez razmišljanja, koristio sam sqlite3, jer... bilo je manje radno intenzivno: ne morate imati lokalni server, kreirati, gledati, brisati i slično.
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)Sve je po klasici - koristimo Lijepu juhu, zahtjeve i brzi prototip je spreman. to je samo...
-
Stranica se preuzima u jednoj temi
-
Ako prekinete izvršavanje skripte, cijela baza podataka neće otići nikuda. Na kraju krajeva, urezivanje se izvršava tek nakon svih raščlanjivanja.
Naravno, možete urezati promjene u bazu podataka nakon svakog umetanja, ali tada će se vrijeme izvršavanja skripte značajno povećati. -
Za raščlanjivanje prvih 100 članaka trebalo mi je 000 sati.
Onda pronađem članak korisnika , koji sam pročitao i pronašao nekoliko životnih hakova da ubrzam ovaj proces:
- Korištenje višenitnog rada značajno ubrzava preuzimanje.
- Možete dobiti ne punu verziju Habra, već njegovu mobilnu verziju.
Na primjer, ako kointegrirani članak u desktop verziji teži 378 KB, onda je u mobilnoj verziji već 126 KB.
Druga verzija. Mnogo tema, privremena zabrana sa Habra
Kada sam pretražio internet na temu multithreadinga u pythonu i izabrao najjednostavniju opciju sa multiprocessing.dummy, primijetio sam da se problemi pojavljuju zajedno sa višenitnošću.
SQLite3 ne želi raditi s više od jedne niti.
Popravljeno check_same_thread=False, ali ova greška nije jedina; pri pokušaju ubacivanja u bazu podataka ponekad se pojave greške koje nisam mogao riješiti.
Stoga odlučujem da odustanem od trenutnog umetanja članaka direktno u bazu podataka i, prisjećajući se kointegriranog rješenja, odlučujem koristiti datoteke, jer nema problema s višenitnim pisanjem u datoteku.
Habr počinje zabranjivati za korištenje više od tri niti.
Posebno revni pokušaji da se dođe do Habra mogu rezultirati zabranom IP-a na nekoliko sati. Dakle, morate koristiti samo 3 teme, ali ovo je već dobro, jer je vrijeme za sortiranje 100 članaka smanjeno sa 26 na 12 sekundi.
Vrijedi napomenuti da je ova verzija prilično nestabilna, a preuzimanje povremeno ne uspijeva na velikom broju članaka.
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)Treća verzija. Final
Dok sam ispravljao greške u drugoj verziji, otkrio sam da Habr odjednom ima API kojem pristupa mobilna verzija stranice. Učitava se brže od mobilne verzije, jer je to samo json, koji čak i ne treba analizirati. Na kraju sam odlučio da ponovo napišem svoj scenario.
Dakle, otkrivši API, možete početi da ga analizirate.
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)
Sadrži polja koja se odnose i na sam članak i na autora koji ga je napisao.
API.png
Nisam izbacio puni json svakog članka, već sam sačuvao samo polja koja su mi bila potrebna:
- id
- is_tutorial
- time_published
- naslov
- sadržaj
- comments_count
- lang je jezik na kojem je članak napisan. Do sada sadrži samo en i ru.
- tags_string — sve oznake iz objave
- read_count
- autor
- ocjena — ocjena članka.
Tako sam, koristeći API, smanjio vrijeme izvršavanja skripte na 8 sekundi po 100 url-a.
Nakon što smo preuzeli podatke koji su nam potrebni, moramo ih obraditi i unijeti u bazu podataka. Ni sa ovim nije bilo problema:
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
Pa, tradicionalno, konačno, možete izvući neke statističke podatke iz podataka:
- Od očekivanih 490, preuzeto je samo 406 članaka. Ispostavilo se da je više od polovine (228) članaka na Habré-u bilo skriveno ili obrisano.
- Cela baza podataka, koja se sastoji od skoro pola miliona članaka, teška je 2.95 GB. U komprimiranom obliku - 495 MB.
- Ukupno ima 37804 autora na Habréu. Da vas podsjetim da je ovo statistika samo iz objava uživo.
- Najproduktivniji autor na Habréu - — 8774 članaka.
- — 1448 pluseva
- — 1660841 pregleda
- — 2444 komentara
Pa, u obliku vrhovaTop 15 autora
Top 15 po rejtingu
Top 15 pročitanih
Top 15 diskutovano
izvor: www.habr.com