सभी हबर एक डेटाबेस में

नमस्कार। इसे लिखे हुए 2 साल हो गए हैं. अंतिम लेख हैबर को पार्स करने के बारे में, और कुछ बिंदु बदल गए हैं।

जब मैं हैबर की एक प्रति चाहता था, तो मैंने एक पार्सर लिखने का फैसला किया जो लेखकों की सभी सामग्री को डेटाबेस में सहेज लेगा। यह कैसे हुआ और मुझे किन त्रुटियों का सामना करना पड़ा - आप कट के नीचे पढ़ सकते हैं।

टीएल; डीआर - डेटाबेस लिंक

पार्सर का पहला संस्करण. धागा एक, समस्याएं अनेक

आरंभ करने के लिए, मैंने एक स्क्रिप्ट प्रोटोटाइप बनाने का निर्णय लिया जिसमें लेख को डाउनलोड करने के तुरंत बाद पार्स किया जाएगा और डेटाबेस में रखा जाएगा। बिना दोबारा सोचे, मैंने sqlite3 का उपयोग किया, क्योंकि। यह कम श्रम-गहन था: स्थानीय सर्वर की आवश्यकता नहीं थी, बनाया-देखा-हटाया गया और इसी तरह की चीजें।

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)

सब कुछ क्लासिक है - हम सुंदर सूप का उपयोग करते हैं, अनुरोध करते हैं और एक त्वरित प्रोटोटाइप तैयार है। वह सिर्फ…

• पेज डाउनलोड एक सूत्र में है

• यदि आप स्क्रिप्ट के निष्पादन को बाधित करते हैं, तो संपूर्ण डेटाबेस कहीं नहीं जाएगा। आख़िरकार, सभी पार्सिंग के बाद ही कमिट किया जाता है।
  बेशक, आप प्रत्येक प्रविष्टि के बाद डेटाबेस में परिवर्तन कर सकते हैं, लेकिन तब स्क्रिप्ट निष्पादन समय में काफी वृद्धि होगी।

• पहले 100 लेखों को पार्स करने में मुझे 000 घंटे लगे।

आगे मुझे उपयोगकर्ता का लेख मिला सहएकीकृत, जिसे मैंने पढ़ा और इस प्रक्रिया को तेज़ करने के लिए कुछ लाइफ हैक्स पाए:

• मल्टीथ्रेडिंग का उपयोग करने से कई बार डाउनलोडिंग की गति बढ़ जाती है।
• आप habr का पूर्ण संस्करण नहीं, बल्कि उसका मोबाइल संस्करण प्राप्त कर सकते हैं।
  उदाहरण के लिए, यदि डेस्कटॉप संस्करण में एक सह-एकीकृत लेख का वजन 378 KB है, तो मोबाइल संस्करण में यह पहले से ही 126 KB है।

दूसरा संस्करण. कई धागे, हैबर से अस्थायी प्रतिबंध

जब मैंने पायथन में मल्टीथ्रेडिंग के विषय पर इंटरनेट खंगाला, तो मैंने मल्टीप्रोसेसिंग.डमी के साथ सबसे सरल विकल्प चुना, मैंने देखा कि मल्टीथ्रेडिंग के साथ समस्याएं दिखाई दीं।

SQLite3 एक से अधिक थ्रेड के साथ काम नहीं करना चाहता.
हल किया गया check_same_thread=False, लेकिन यह त्रुटि एकमात्र नहीं है, डेटाबेस में डालने का प्रयास करते समय, कभी-कभी त्रुटियां होती हैं जिन्हें मैं हल नहीं कर सका।

इसलिए, मैं सीधे डेटाबेस में लेखों के त्वरित सम्मिलन को छोड़ने का निर्णय लेता हूं और, सह-एकीकृत समाधान को याद करते हुए, मैं फ़ाइलों का उपयोग करने का निर्णय लेता हूं, क्योंकि किसी फ़ाइल में बहु-थ्रेडेड लेखन में कोई समस्या नहीं होती है।

हैबर ने तीन से अधिक थ्रेड का उपयोग करने पर प्रतिबंध लगाना शुरू कर दिया है.
विशेष रूप से हैबर तक पहुंचने के उत्साही प्रयास कुछ घंटों के लिए आईपी प्रतिबंध के साथ समाप्त हो सकते हैं। तो आपको केवल 3 थ्रेड्स का उपयोग करना होगा, लेकिन यह पहले से ही अच्छा है, क्योंकि 100 से अधिक लेखों को पुनरावृत्त करने का समय 26 से घटाकर 12 सेकंड कर दिया गया है।

यह ध्यान देने योग्य है कि यह संस्करण काफी अस्थिर है, और समय-समय पर बड़ी संख्या में लेखों पर डाउनलोड बंद हो जाते हैं।

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)

तीसरा संस्करण. अंतिम

दूसरे संस्करण को डीबग करते समय, मुझे अचानक पता चला कि हैबर के पास एक एपीआई है जिसे साइट का मोबाइल संस्करण एक्सेस करता है। यह मोबाइल संस्करण की तुलना में तेजी से लोड होता है, क्योंकि यह सिर्फ json है, जिसे पार्स करने की भी आवश्यकता नहीं है। अंत में, मैंने अपनी स्क्रिप्ट दोबारा लिखने का फैसला किया।

तो, मिल गया इस कड़ी एपीआई, आप इसे पार्स करना शुरू कर सकते हैं।

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)

इसमें लेख और इसे लिखने वाले लेखक दोनों से संबंधित फ़ील्ड शामिल हैं।

एपीआई.पीएनजी

मैंने प्रत्येक आलेख का पूरा json डंप नहीं किया, बल्कि केवल वे फ़ील्ड सहेजे जिनकी मुझे आवश्यकता थी:

• id
• is_tutorial
• समय_प्रकाशित
• शीर्षक
• सामग्री
• टिप्पणियाँ_गिनती
• लैंग वह भाषा है जिसमें लेख लिखा जाता है। अब तक, इसमें केवल एन और आरयू है।
• tags_string - पोस्ट के सभी टैग
• पढ़ना_गिनती
• लेखक
• स्कोर - लेख रेटिंग.

इस प्रकार, एपीआई का उपयोग करके, मैंने स्क्रिप्ट निष्पादन समय को प्रति 8 यूआरएल पर 100 सेकंड तक कम कर दिया।

हमें आवश्यक डेटा डाउनलोड करने के बाद, हमें इसे संसाधित करने और डेटाबेस में दर्ज करने की आवश्यकता है। मुझे इससे कोई समस्या नहीं हुई:

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)

सांख्यिकी

खैर, परंपरागत रूप से, अंततः, आप डेटा से कुछ आँकड़े निकाल सकते हैं:

• अपेक्षित 490 डाउनलोड में से केवल 406 लेख डाउनलोड हुए। यह पता चला है कि हैबे पर आधे से अधिक (228) लेख छिपे हुए थे या हटा दिए गए थे।
• पूरे डेटाबेस, जिसमें लगभग आधे मिलियन लेख शामिल हैं, का वजन 2.95 जीबी है। संपीड़ित रूप में - 495 एमबी.
• कुल मिलाकर, 37804 लोग हेबेरे के लेखक हैं। मैं आपको याद दिला दूं कि ये आँकड़े केवल लाइव पोस्ट से हैं।
• हैबे पर सबसे अधिक उत्पादक लेखक - अलीज़ारो - 8774 लेख।
• टॉप रेटेड लेख — 1448 प्लस
• सर्वाधिक पढ़ा गया लेख – 1660841 बार देखा गया
• सर्वाधिक चर्चित लेख — 2444 टिप्पणियाँ

खैर, शीर्ष के रूप मेंशीर्ष 15 लेखक
रेटिंग के अनुसार शीर्ष 15
शीर्ष 15 पढ़ें
शीर्ष 15 पर चर्चा की गई

स्रोत: www.habr.com