એક ડેટાબેઝમાં બધા Habr

શુભ બપોર. આ લખાયાને 2 વર્ષ થઈ ગયા છે. છેલ્લો લેખ Habr ના પદચ્છેદન વિશે, અને કેટલાક મુદ્દા બદલાયા છે.

જ્યારે હું Habr ની નકલ મેળવવા માંગતો હતો, ત્યારે મેં પાર્સર લખવાનું નક્કી કર્યું જે લેખકોની બધી સામગ્રીને ડેટાબેઝમાં સાચવશે. તે કેવી રીતે થયું અને મને કઈ ભૂલો આવી - તમે કટ હેઠળ વાંચી શકો છો.

TLDR- ડેટાબેઝ લિંક

પાર્સરનું પ્રથમ સંસ્કરણ. એક થ્રેડ, ઘણી સમસ્યાઓ

શરુઆતમાં, મેં એક સ્ક્રિપ્ટ પ્રોટોટાઇપ બનાવવાનું નક્કી કર્યું જેમાં લેખનું વિશ્લેષણ કરવામાં આવશે અને ડાઉનલોડ કર્યા પછી તરત જ ડેટાબેઝમાં મૂકવામાં આવશે. બે વાર વિચાર્યા વિના, મેં sqlite3 નો ઉપયોગ કર્યો, કારણ કે. તે ઓછું શ્રમ-સઘન હતું: સ્થાનિક સર્વર, બનાવેલ-દેખાવેલું-કાઢી નાખેલું અને તેના જેવી સામગ્રી હોવી જરૂરી નથી.

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)

બધું ક્લાસિક છે - અમે સુંદર સૂપનો ઉપયોગ કરીએ છીએ, વિનંતીઓ અને ઝડપી પ્રોટોટાઇપ તૈયાર છે. તે માત્ર…

• પૃષ્ઠ ડાઉનલોડ એક થ્રેડમાં છે

• જો તમે સ્ક્રિપ્ટના અમલમાં વિક્ષેપ પાડો છો, તો પછી સમગ્ર ડેટાબેઝ ક્યાંય જશે નહીં. છેવટે, કમિટ તમામ પદચ્છેદન પછી જ કરવામાં આવે છે.
  અલબત્ત, તમે દરેક નિવેશ પછી ડેટાબેઝમાં ફેરફારો કરી શકો છો, પરંતુ પછી સ્ક્રિપ્ટ એક્ઝેક્યુશનનો સમય નોંધપાત્ર રીતે વધશે.

• પ્રથમ 100 લેખોનું વિશ્લેષણ કરવામાં મને 000 કલાકનો સમય લાગ્યો.

આગળ મને વપરાશકર્તાનો લેખ મળ્યો સંકલિત, જે મેં વાંચ્યું અને આ પ્રક્રિયાને ઝડપી બનાવવા માટે કેટલીક લાઇફ હેક્સ મળી.

• મલ્ટિથ્રેડિંગનો ઉપયોગ અમુક સમયે ડાઉનલોડની ઝડપ વધારે છે.
• તમે હેબરનું સંપૂર્ણ સંસ્કરણ નહીં, પરંતુ તેનું મોબાઇલ સંસ્કરણ મેળવી શકો છો.
  ઉદાહરણ તરીકે, જો ડેસ્કટૉપ સંસ્કરણમાં એક સાથે સંકલિત લેખનું વજન 378 KB છે, તો મોબાઇલ સંસ્કરણમાં તે પહેલેથી જ 126 KB છે.

બીજું સંસ્કરણ. ઘણા થ્રેડો, Habr તરફથી કામચલાઉ પ્રતિબંધ

જ્યારે મેં python માં મલ્ટિથ્રેડીંગના વિષય પર ઈન્ટરનેટની તપાસ કરી, ત્યારે મેં multiprocessing.dummy સાથેનો સૌથી સરળ વિકલ્પ પસંદ કર્યો, મેં જોયું કે મલ્ટિથ્રેડીંગ સાથે સમસ્યાઓ દેખાય છે.

SQLite3 એક કરતાં વધુ થ્રેડ સાથે કામ કરવા માંગતું નથી.
નિશ્ચિત check_same_thread=False, પરંતુ આ ભૂલ એકમાત્ર નથી, ડેટાબેઝમાં દાખલ કરવાનો પ્રયાસ કરતી વખતે, કેટલીકવાર ભૂલો થાય છે જે હું હલ કરી શકતો નથી.

તેથી, હું ડેટાબેઝમાં સીધા લેખોના ત્વરિત નિવેશને છોડી દેવાનું નક્કી કરું છું અને, એકીકૃત ઉકેલને યાદ રાખીને, હું ફાઇલોનો ઉપયોગ કરવાનું નક્કી કરું છું, કારણ કે ફાઇલમાં મલ્ટિ-થ્રેડેડ લેખન સાથે કોઈ સમસ્યા નથી.

Habr ત્રણથી વધુ થ્રેડોનો ઉપયોગ કરવા પર પ્રતિબંધ મૂકવાનું શરૂ કરે છે.
ખાસ કરીને હેબ્ર સુધી જવાના ઉત્સાહી પ્રયાસો થોડા કલાકો માટે આઈપી પ્રતિબંધ સાથે સમાપ્ત થઈ શકે છે. તેથી તમારે ફક્ત 3 થ્રેડોનો ઉપયોગ કરવો પડશે, પરંતુ આ પહેલેથી જ સારું છે, કારણ કે 100 થી વધુ લેખોને પુનરાવર્તિત કરવાનો સમય 26 થી 12 સેકન્ડ કરવામાં આવ્યો છે.

તે નોંધવું યોગ્ય છે કે આ સંસ્કરણ તેના બદલે અસ્થિર છે, અને ડાઉનલોડ્સ સમયાંતરે મોટી સંખ્યામાં લેખો પર પડે છે.

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)

ત્રીજું સંસ્કરણ. અંતિમ

બીજા સંસ્કરણને ડિબગ કરતી વખતે, મેં શોધ્યું કે Habr, અચાનક, એક API છે જે સાઇટનું મોબાઇલ સંસ્કરણ ઍક્સેસ કરે છે. તે મોબાઇલ સંસ્કરણ કરતાં વધુ ઝડપથી લોડ થાય છે, કારણ કે તે માત્ર json છે, જેને પદચ્છેદન કરવાની જરૂર પણ નથી. અંતે, મેં મારી સ્ક્રિપ્ટ ફરીથી લખવાનું નક્કી કર્યું.

તેથી, મળી આવી આ લિંક API, તમે તેને પાર્સ કરવાનું શરૂ કરી શકો છો.

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)

તેમાં લેખને અને તેને લખનાર લેખક બંને સંબંધિત ક્ષેત્રો છે.

API.png

મેં દરેક લેખનો સંપૂર્ણ json ડમ્પ કર્યો નથી, પરંતુ મને જરૂરી ફીલ્ડ્સ જ સાચવ્યા છે:

• id
• છે_ટ્યુટોરીયલ
• સમય_પ્રકાશિત
• શીર્ષક
• સામગ્રી
• ટિપ્પણીઓ_ગણતરી
• lang એ ભાષા છે જેમાં લેખ લખવામાં આવે છે. અત્યાર સુધી, તેમાં ફક્ત en અને ru છે.
• ટૅગ્સ_સ્ટ્રિંગ - પોસ્ટમાંથી બધા ટૅગ્સ
• વાંચન_ગણતરી
• લેખક
• સ્કોર - લેખ રેટિંગ.

આમ, API નો ઉપયોગ કરીને, મેં સ્ક્રિપ્ટ એક્ઝેક્યુશનનો સમય 8 url દીઠ 100 સેકન્ડ સુધી ઘટાડ્યો.

અમને જોઈતો ડેટા ડાઉનલોડ કર્યા પછી, અમારે તેને પ્રોસેસ કરીને ડેટાબેઝમાં દાખલ કરવાની જરૂર છે. મને આમાં પણ કોઈ સમસ્યા નહોતી:

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)

આંકડા

સારું, પરંપરાગત રીતે, છેવટે, તમે ડેટામાંથી કેટલાક આંકડાઓ કાઢી શકો છો:

• અપેક્ષિત 490 ડાઉનલોડ્સમાંથી, ફક્ત 406 લેખો જ ડાઉનલોડ થયા હતા. તે તારણ આપે છે કે હાબ્રે પરના અડધાથી વધુ લેખો (228) છુપાયેલા અથવા કાઢી નાખવામાં આવ્યા હતા.
• લગભગ અડધા મિલિયન લેખો ધરાવતા સમગ્ર ડેટાબેઝનું વજન 2.95 GB છે. સંકુચિત સ્વરૂપમાં - 495 એમબી.
• કુલ, 37804 લોકો Habré ના લેખકો છે. હું તમને યાદ કરાવું છું કે આ આંકડા ફક્ત લાઇવ પોસ્ટના છે.
• હેબ્રે પર સૌથી વધુ ઉત્પાદક લેખક - અલીઝર - 8774 લેખો.
• ટોચના રેટેડ લેખ - 1448 વત્તા
• સૌથી વધુ વાંચેલા લેખ — 1660841 જોવાઈ
• સૌથી વધુ ચર્ચાયેલ લેખ - 2444 ટિપ્પણીઓ

સારું, ટોચના સ્વરૂપમાંટોચના 15 લેખકો
રેટિંગ દ્વારા ટોચના 15
ટોચના 15 વાંચો
ટોચના 15 ચર્ચા

સોર્સ: www.habr.com