Jó napot. 2 év telt el a megírása óta. utolsó cikk a Habr elemzéséről, és néhány pont megváltozott.
Amikor szerettem volna egy példányt a Habr-ból, úgy döntöttem, írok egy elemzőt, amely a szerzők összes tartalmát elmenti az adatbázisba. Hogyan történt, és milyen hibákat tapasztaltam - a vágás alatt olvashat.
Kezdetnek úgy döntöttem, hogy készítek egy script prototípust, amelyben a cikk elemzésre kerül, és a letöltés után azonnal az adatbázisba kerül. Kétszeri gondolkodás nélkül az sqlite3-at használtam, mert. kevésbé volt munkaigényes: nem kellett helyi szerver, létrehozni-kinézett-törölni és hasonlók.
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)
Minden klasszikus - a Beautiful Soup-ot használjuk, kérések és kész is a gyors prototípus. Ez csak…
Az oldal letöltése egy szálban történik
Ha megszakítja a szkript végrehajtását, akkor a teljes adatbázis sehova sem megy. Végül is a véglegesítés csak az összes elemzés után kerül végrehajtásra.
Természetesen minden beillesztés után végre lehet hajtani változtatásokat az adatbázisban, de ekkor a szkript végrehajtási ideje jelentősen megnő.
Az első 100 000 cikk elemzése 8 óráig tartott.
Ezután megtalálom a felhasználó cikkét kointegrált, amelyet elolvastam, és találtam néhány életmentő hacket, amelyek felgyorsítják ezt a folyamatot:
A többszálú feldolgozás időnként felgyorsítja a letöltést.
Nem a habr teljes verzióját szerezheti be, hanem a mobil verzióját.
Például, ha az asztali verzióban egy kointegrált cikk súlya 378 KB, akkor a mobil verzióban már 126 KB.
Második verzió. Sok szál, ideiglenes kitiltás a Habr
Amikor az internetet böngésztem a többszálú python témában, a legegyszerűbb opciót választottam a multiprocessing.dummy-val, és észrevettem, hogy a többszálas kezeléssel együtt problémák is jelentkeznek.
Az SQLite3 nem akar egynél több szállal dolgozni.
rögzített check_same_thread=False, de nem ez a hiba az egyetlen, az adatbázisba való beszúrásnál néha előfordulnak olyan hibák, amiket nem tudtam megoldani.
Ezért úgy döntök, hogy elhagyom a cikkek azonnali beszúrását közvetlenül az adatbázisba, és emlékezve a kointegrált megoldásra, a fájlok használata mellett döntök, mert nincs probléma a többszálú fájlba írással.
Habr háromnál több szál használata miatt tiltásba kezd.
Különösen buzgó próbálkozások, hogy átjussanak Habrra, pár órás ip tiltással végződhetnek. Tehát csak 3 szálat kell használnod, de ez már jó, mivel a 100 cikk feletti iterálási idő 26 másodpercről 12 másodpercre csökken.
Érdemes megjegyezni, hogy ez a verzió meglehetősen instabil, és a letöltések időszakonként nagyszámú cikknél leesnek.
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)
Harmadik verzió. Végső
A második verzió hibakeresése közben rájöttem, hogy a Habrnak hirtelen van egy API-ja, amelyhez a webhely mobil verziója hozzáfér. Gyorsabban töltődik be, mint a mobil verzió, hiszen csak json, amit nem is kell elemezni. Végül úgy döntöttem, hogy újra átírom a forgatókönyvemet.
Szóval, miután megtalálta ez a kapcsolat API, elkezdheti az elemzést.
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)
Magához a cikkhez és a szerzőhöz kapcsolódó mezőket is tartalmaz.
API.png
Nem raktam ki az egyes cikkek teljes json-ját, hanem csak a szükséges mezőket mentettem el:
id
is_tutorial
idő_közzététel
cím
tartalom
megjegyzések_száma
A lang az a nyelv, amelyen a cikk íródott. Eddig csak en és ru.
tags_string – a bejegyzés összes címkéje
olvasási_szám
szerző
pontszám — cikk értékelése.
Így az API használatával a szkript végrehajtási idejét 8 másodpercre csökkentettem 100 URL-enként.
Miután letöltöttük a szükséges adatokat, fel kell dolgoznunk és be kell vinnünk az adatbázisba. Ezzel sem volt gondom:
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)
Statisztika
Nos, végül hagyományosan kinyerhet néhány statisztikát az adatokból:
A várt 490 406 letöltésből csak 228 512 cikket töltöttek le. Kiderült, hogy a Habréval kapcsolatos cikkek több mint felét (261894) rejtették vagy törölték.
A teljes, csaknem félmillió cikkből álló adatbázis súlya 2.95 GB. Tömörített formában - 495 MB.
Összesen 37804 személy a Habré szerzője. Emlékeztetlek arra, hogy ezek a statisztikák csak élő bejegyzésekből származnak.
A Habré legtermékenyebb szerzője - alizar - 8774 cikk.