Bonghjornu. Sò 2 anni chì l'aghju scrittu ultimu articulu circa l'analisi di Habr, è alcune cose sò cambiate.
Quandu vulia avè una copia di Habr, decisu di scrive un parser chì salvassi tuttu u cuntenutu di l'autori in una basa di dati. Cumu hè accadutu è chì errori aghju scontru - pudete leghje sottu u cut.
Prima versione di u parser. Un filu, parechji prublemi
Per principià, aghju decisu di fà un prototipu di un script in quale, immediatamente dopu a scaricamentu, l'articulu serà analizatu è postu in a basa di dati. Senza pensà duie volte, aghju utilizatu sqlite3, perchè ... era menu di travagliu intensivu: ùn avete micca bisognu di avè un servitore lucale, creà, vede, sguassate è cose cusì.
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)
Tuttu hè sicondu i classici - usemu Beautiful Soup, dumande è u prototipu rapidu hè prestu. Hè solu...
A pagina hè scaricata in un filu
Se interrompe l'esekzione di u script, a basa di dati sana ùn andarà in nulla. Dopu tuttu, u commit hè eseguitu solu dopu à tuttu u parsing.
Di sicuru, pudete committemu cambiamenti à a basa di dati dopu ogni inserimentu, ma allora u tempu d'esekzione di script aumenterà significativamente.
L'analisi di i primi 100 000 articuli m'hà pigliatu 8 ore.
Allora aghju trovu l'articulu di l'utilizatori cointegrata, chì aghju lettu è aghju trovu parechji pirate di vita per accelerà stu prucessu:
L'usu di multithreading accelera significativamente u scaricamentu.
Pudete riceve micca a versione completa di Habr, ma a so versione mobile.
Per esempiu, se un articulu cointegratu in a versione desktop pesa 378 KB, allora in a versione mobile hè digià 126 KB.
Seconda versione. Parechje fili, pruibitu tempurale di Habr
Quandu aghju scupertu l'Internet nantu à u tema di multithreading in python è hà sceltu l'opzione più simplice cù multiprocessing.dummy, aghju nutatu chì i prublemi apparsu cù multithreading.
SQLite3 ùn vole micca travaglià cù più di un filu.
Fixed check_same_thread=False, ma questu errore ùn hè micca u solu; quandu pruvate d'inserisce in a basa di dati, qualchì volta sorgenu errori chì ùn pudia micca risolve.
Dunque, decisu di abbandunà l'inserzione immediata di l'articuli direttamente in a basa di dati è, ricurdendu a suluzione cointegrata, decide di utilizà i schedari, postu chì ùn ci sò micca prublemi cù scrittura multi-threaded à un schedariu.
Habr principia à pruibisce l'usu di più di trè fili.
I tentativi particularmente zelosi di ghjunghje à Habr pò esse risultatu in una prohibizione IP per un paru d'ore. Cusì avete aduprà solu 3 fili, ma questu hè digià bonu, postu chì u tempu di sorte per l'articuli 100 hè ridutta da 26 à 12 seconde.
Hè da nutà chì sta versione hè abbastanza inestabile, è a scaricazione periodicamente falla in un gran numaru d'articuli.
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)
A terza versione. Finale
Mentre debugging a seconda versione, aghju scupertu chì Habr di colpu hà una API chì hè accessu da a versione mobile di u situ. Carica più veloce di a versione mobile, postu chì hè solu json, chì ùn hà mancu bisognu di analizà. In fine, aghju decisu di riscrive u mo script di novu.
Allora, avè scupertu stu ligame API, pudete cumincià à analizà.
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)
Il contient des champs liés à l'article lui-même et à l'auteur qui l'a écrit.
API.png
Ùn aghju micca scaricatu u json sanu di ogni articulu, ma hà salvatu solu i campi chì avia bisognu:
id
hè_tutorial
tempu_publicatu
titre
cuntenutu
comments_count
lang hè a lingua in quale l'articulu hè scrittu. Finu à avà cuntene solu en è ru.
tags_string - tutte e tag da u post
lettura_count
auturi
score - classificazione di l'articulu.
Cusì, utilizendu l'API, aghju riduciutu u tempu di esecuzione di script à 8 seconde per 100 url.
Dopu avè scaricatu i dati chì avemu bisognu, avemu bisognu di processà è entre in a basa di dati. Ùn ci era micca prublemi cù questu:
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
Ebbè, tradiziunale, infine, pudete estrae alcune statistiche da e dati:
Di i 490 previsti, solu 406 articuli sò stati scaricati. Risulta chì più di a mità (228) di l'articuli nantu à Habré sò stati oculati o sguassati.
L'intera basa di dati, custituita da quasi mezzo milione d'articuli, pesa 2.95 GB. In forma cumpressa - 495 MB.
In totale, ci sò 37804 XNUMX autori nantu à Habré. Lasciami ricurdà chì queste sò statistiche solu da i posti in diretta.
L'autore più produttivu nantu à Habré - alizar — 8774 articuli.