🥇Todos os Habr nunha soa base de datos

Boas tardes. Hai 2 anos que se escribiu. último artigo sobre analizar Habr, e algúns puntos cambiaron.

Cando quería ter unha copia de Habr, decidín escribir un analizador que gardara todo o contido dos autores na base de datos. Como pasou e que erros atopei: podes ler baixo o corte.

TLDR- enlace de base de datos

A primeira versión do analizador. Un fío, moitos problemas

Para comezar, decidín facer un prototipo de guión no que o artigo sería analizado e colocado na base de datos inmediatamente despois da descarga. Sen pensalo dúas veces, usei sqlite3, porque. era menos laborioso: non era necesario ter un servidor local, creado-parecía-eliminado e cousas así.

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)

Todo é clásico: usamos Beautiful Soup, solicitudes e un prototipo rápido está listo. Iso é só…

A descarga da páxina está nun fío
Se interrompes a execución do script, toda a base de datos non irá a ningún lado. Despois de todo, a confirmación realízase só despois de toda a análise.
Por suposto, pode realizar cambios na base de datos despois de cada inserción, pero entón o tempo de execución do script aumentará significativamente.
Analizar os primeiros 100 artigos levoume 000 horas.

A continuación atopo o artigo do usuario cointegrado, que lin e atopei algúns trucos de vida para acelerar este proceso:

O uso de multithreading acelera a descarga ás veces.
Podes obter non a versión completa do habr, senón a súa versión móbil.
Por exemplo, se un artigo cointegrado na versión de escritorio pesa 378 KB, na versión móbil xa é de 126 KB.

Segunda versión. Moitos fíos, prohibición temporal de Habr

Cando busquei en Internet sobre o tema do multithreading en Python, escollín a opción máis sinxela con multiprocessing.dummy, notei que aparecían problemas xunto co multithreading.

SQLite3 non quere traballar con máis dun fío.
fixo check_same_thread=False, pero este erro non é o único, ao tentar inserir na base de datos, ás veces ocorren erros que non puiden solucionar.

Por iso, decido abandonar a inserción instantánea de artigos directamente na base de datos e, lembrando a solución cointegrada, decido utilizar ficheiros, porque non hai problemas coa escritura multiproceso nun ficheiro.

Habr comeza a prohibir por usar máis de tres fíos.
Os intentos especialmente celosos de acceder a Habr poden acabar cunha prohibición de IP durante un par de horas. Polo tanto, só tes que usar 3 fíos, pero isto xa é bo, xa que o tempo para iterar máis de 100 artigos redúcese de 26 a 12 segundos.

Paga a pena notar que esta versión é bastante inestable e que as descargas caen periodicamente nunha gran cantidade de artigos.

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)

Terceira versión. Final

Mentres depuraba a segunda versión, descubrín que Habr, de súpeto, ten unha API á que accede a versión móbil do sitio. Carga máis rápido que a versión móbil, xa que é só json, que nin sequera precisa ser analizado. Ao final, decidín reescribir o meu guión de novo.

Entón, tendo atopado este enlace API, podes comezar a analizalo.

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)

Contén campos relacionados tanto co propio artigo como co autor que o escribiu.

API.png

Non volquei o json completo de cada artigo, pero gardei só os campos que necesitaba:

id
é_titorial
tempo_publicado
título
contido
comentarios_conto
lang é a lingua na que está escrito o artigo. Ata agora, só ten en e ru.
tags_string: todas as etiquetas da publicación
conta_lecturas
Author
puntuación — clasificación do artigo.

Así, usando a API, reducín o tempo de execución do script a 8 segundos por 100 URL.

Despois de descargar os datos que necesitamos, debemos procesalos e introducilos na base de datos. Tampouco tiven ningún problema con isto:

analizador.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)

estatística

Ben, tradicionalmente, finalmente, podes extraer algunhas estatísticas dos datos:

Das 490 descargas previstas, só se descargaron 406 artigos. Resulta que máis da metade (228) dos artigos sobre Habré estaban agochados ou borrados.
Toda a base de datos, formada por case medio millón de artigos, pesa 2.95 GB. En forma comprimida - 495 MB.
En total, 37804 persoas son os autores de Habré. Lémbrovos que estas estatísticas son só de publicacións en directo.
O autor máis produtivo de Habré - alizar - 8774 artigos.
Artigo mellor valorado - 1448 plus
Artigo máis lido — 1660841 vistas
Artigo máis comentado — 2444 comentarios

Ben, en forma de topsTop 15 autores
Top 15 por valoración
Top 15 de lecturas
Top 15 discutidos

Fonte: www.habr.com

Todos os Habr nunha base de datos

A primeira versión do analizador. Un fío, moitos problemas

Segunda versión. Moitos fíos, prohibición temporal de Habr

Terceira versión. Final

estatística

Engadir un comentario Cancelar resposta