เบชเบฐโเบเบฒเบโเบเบตโเบเบญเบโเบชเบงเบฒเบ. เบกเบฑเบเปเบเบฑเบเปเบงเบฅเบฒ 2 เบเบตเปเบฅเปเบงเบเบฑเบเบเบฑเปเบเปเบเปเบเปเบญเบเบเบฝเบเบกเบฑเบ
เปเบกเบทเปเบญเบเปเบญเบเบขเบฒเบเบกเบตเบชเปเบฒเปเบเบปเบฒเบเบญเบ Habr, เบเปเบญเบเบเบฑเบเบชเบดเบเปเบเบเบฝเบ parser เบเบตเปเบเบฐเบเปเบงเบเบเบฐเบขเบฑเบเปเบเบทเปเบญเบซเบฒเบเบฑเบเบซเบกเบปเบเบเบญเบเบเบนเปเบเบฝเบเปเบเบปเปเบฒเปเบเปเบเบเบฒเบเบเปเปเบกเบนเบ. เบกเบฑเบเปเบเบตเบเบเบถเปเบเปเบเบงเปเบเปเบฅเบฐเบชเบดเปเบเบเบตเปเบเปเบญเบเบเบปเบเบเปเปเบเบดเบเบเบฒเบ - เบเปเบฒเบเบชเบฒเบกเบฒเบเบญเปเบฒเบเบเบฒเบเปเบเปเบเบฒเบเบเบฑเบ.
TL;DR -
เบฎเบธเปเบเบเปเบฒเบญเบดเบเบเบญเบเบเบปเบงเบงเบดเปเบเบฒเบฐ. เบเบฐเบเบนเปเบเบฝเบง, เบเบฑเบเบซเบฒเบซเบผเบฒเบ
เปเบเบทเปเบญเปเบฅเบตเปเบกเบเบปเปเบเบเปเบงเบ, เบเปเบฒเบเบฐเปเบเบปเปเบฒเปเบเปเบเบฑเบเบชเบดเบเปเบเบชเปเบฒเบเบเบปเบงเปเบเบเบเบญเบเบชเบฐเบเบดเบเบเบตเป, เบเบฑเบเบเบตเบเบตเปเบเบฒเบงเปเบซเบฅเบ, เบเบปเบเบเบงเบฒเบกเบเบฐเบเบทเบเบงเบดเปเบเบฒเบฐเปเบฅเบฐเบงเบฒเบเปเบงเปเปเบเบเบฒเบเบเปเปเบกเบนเบ. เปเบเบเบเปเปเบเบดเบเบชเบญเบเบเบฑเปเบ, เบเปเบญเบเปเบเป sqlite3, เปเบเบฒเบฐเบงเปเบฒ ... เบกเบฑเบเปเบเปเปเบฎเบเบเบฒเบเบซเบเปเบญเบ: เบเปเบฒเบเบเปเปเบเปเบฒเปเบเบฑเบเบเปเบญเบเบกเบตเปเบเบทเปเบญเบเปเบกเปเบเปเบฒเบเบเปเบญเบเบเบดเปเบ, เบชเปเบฒเบ, เปเบเบดเปเบ, เบฅเบถเบเปเบฅเบฐเบชเบดเปเบเบเบฑเปเบเบเปเบฒเบง.
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 = "ะัะธ ะฟะฐััะธะฝะณะต ััะพะน ัััะฐะฝะธัะต ะฟัะพะธะทะพัะปะฐ ะพัะธะฑะบะฐ."
c.execute('INSERT INTO habr VALUES (?, ?, ?, ?, ?)', (i, author, title, content, tags))
print(i)
c.execute("commit")
print(datetime.now() - start_time)
main(1, 490406)
เบเบธเบเบชเบดเปเบเบเบธเบเบขเปเบฒเบเปเบกเปเบเบญเบตเบเบเบฒเบกเบเบฅเบฒเบชเบชเบดเบ - เบเบงเบเปเบฎเบปเบฒเปเบเปเปเบเบเบเบตเปเบชเบงเบเบเบฒเบก, เบเบฒเบเบฎเปเบญเบเบเปเปเบฅเบฐเบเบปเบงเปเบเบเปเบงเปเบกเปเบเบเบฝเบกเบเปเบญเบก. เบงเปเบฒเบเบฝเบเปเบเป ...
-
เบซเบเปเบฒเปเบงเบฑเบเปเบเปเบเบทเบเบเบฒเบงเปเบซเบผเบเบขเบนเปเปเบเบซเบปเบงเบเปเปเบเบฝเบง
-
เบเปเบฒเบเปเบฒเบเบเบฑเบเบเบงเบฒเบเบเบฒเบเบเบฐเบเบดเบเบฑเบเบเบญเบ script, เบซเบผเบฑเบเบเบฒเบเบเบฑเปเบเบเบฒเบเบเปเปเบกเบนเบเบเบฑเบเบซเบกเบปเบเบเบฐเบเปเปเบขเบนเปเปเบช. เบซเบผเบฑเบเบเบฒเบเบเบตเปเบเบฑเบเบซเบกเบปเบ, เบเปเบฒเบซเบกเบฑเปเบเบชเบฑเบเบเบฒเปเบเปเบเบทเบเบเบฐเบเบดเบเบฑเบเบเบฝเบเปเบเปเบซเบผเบฑเบเบเบฒเบเบเบฒเบเบงเบดเปเบเบฒเบฐเบเบฑเบเบซเบกเบปเบ.
เปเบเปเบเบญเบ, เบเปเบฒเบเบชเบฒเบกเบฒเบเปเบฎเบฑเบเบเบฒเบเบเปเบฝเบเปเบเบเบเบฒเบเบเปเปเบกเบนเบเบซเบผเบฑเบเบเบฒเบเบเบฒเบเปเบชเปเปเบเปเบฅเบฐเบเบฑเปเบ, เปเบเปเปเบงเบฅเบฒเบเบฐเบเบดเบเบฑเบ script เบเบฐเปเบเบตเปเบกเบเบถเปเบเบขเปเบฒเบเบซเบผเบงเบเบซเบผเบฒเบ. -
เบเบฒเบเบงเบดเปเบเบฒเบฐ 100 เบเบปเบเบเบงเบฒเบกเบเปเบฒเบญเบดเบเปเบเปเปเบงเบฅเบฒ 000 เบเบปเปเบงเปเบกเบ.
เบซเบผเบฑเบเบเบฒเบเบเบฑเปเบ, เบเปเบฒเบเบฐเปเบเบปเปเบฒเบเบญเบเบซเบฒเบเบปเบเบเบงเบฒเบกเบเบญเบเบเบนเปเปเบเป
- เบเบฒเบเบเปเบฒเปเบเป multithreading เปเบฅเบฑเปเบเบเบฒเบเบเบฒเบงเปเบซเบผเบเบขเปเบฒเบเบซเบผเบงเบเบซเบผเบฒเบ.
- เบเปเบฒเบเบเปเปเบชเบฒเบกเบฒเบเปเบเปเบฎเบฑเบเบชเบฐเบเบฑเบเปเบเบฑเบกเบเบญเบ Habr, เปเบเปเบชเบฐเบเบฑเบเบกเบทเบเบทเบเบญเบเบกเบฑเบ.
เบเบปเบงเบขเปเบฒเบ, เบเปเบฒเบเบปเบเบเบงเบฒเบกเบเบฐเบชเบปเบกเบเบฐเบชเบฒเบเปเบเบชเบฐเบเบฑเบ desktop เบกเบตเบเปเปเบฒเบซเบเบฑเบ 378 KB, เบซเบผเบฑเบเบเบฒเบเบเบฑเปเบเปเบเบชเบฐเบเบฑเบเบกเบทเบเบทเบกเบฑเบเปเบกเปเบ 126 KB เปเบฅเปเบง.
เบชเบฐเบเบฑเบเบเบตเบชเบญเบ. เบซเบผเบฒเบเบเบฐเบเบนเป, เบซเปเบฒเบกเบเบปเปเบงเบเบฒเบงเบเบฒเบ Habr
เปเบเปเบงเบฅเบฒเบเบตเปเบเปเบฒเบเบฐเปเบเบปเปเบฒ scoured เบญเบดเบเปเบเบตเปเบเบฑเบเบเปเบฝเบงเบเบฑเบเบซเบปเบงเบเปเปเบเบญเบ multithreading เปเบ python เปเบฅเบฐเปเบฅเบทเบญเบเบเบฒเบเปเบฅเบทเบญเบเบเบตเปเบเปเบฒเบเบเบฒเบเบเบตเปเบชเบธเบเบเบฑเบ multiprocessing.dummy, เบเปเบฒเบเบฐเปเบเบปเปเบฒเบชเบฑเบเปเบเบเปเบซเบฑเบเบงเปเบฒเบเบฑเบเบซเบฒเบเบฐเบเบฒเบเบปเบเบเปเบญเบกเบเบฑเบ multithreading.
SQLite3 เบเปเปเบเปเบญเบเบเบฒเบเปเบฎเบฑเบเบงเบฝเบเบเบฑเบเบซเบผเบฒเบเบเบงเปเบฒเบซเบเบถเปเบ thread.
เปเบเปเปเบ check_same_thread=False
, เปเบเปเบเบงเบฒเบกเบเบดเบเบเบฒเบเบเบตเปเบเปเปเปเบกเปเบเบญเบฑเบเบเบฝเบง; เปเบกเบทเปเบญเบเบฐเบเบฒเบเบฒเบกเปเบชเปเปเบเบปเปเบฒเปเบเปเบเบเบฒเบเบเปเปเบกเบนเบ, เบเบฒเบเบเบฑเปเบเบเบงเบฒเบกเบเบดเบเบเบฒเบเปเบเบตเบเบเบทเปเบเบเบตเปเบเปเบญเบเบเปเปเบชเบฒเบกเบฒเบเปเบเปเปเบเปเบเป.
เบเบฑเปเบเบเบฑเปเบ, เบเปเบฒเบเบฐเปเบเบปเปเบฒเบเบฑเบเบชเบดเบเปเบเบเบตเปเบเบฐเบเบฐเบเบดเปเบกเบเบฒเบเปเบเบเบเบฑเบเบเบตเบเบญเบเบเบปเบเบเบงเบฒเบกเปเบเบเบเบปเบเปเบเบปเปเบฒเปเบเปเบเบเบฒเบเบเปเปเบกเบนเบเปเบฅเบฐ, เบเบทเปเบเปเบฒเบเบฒเบเปเบเปเปเบเบเบฐเบชเบปเบกเบเบฐเบชเบฒเบ, เบเปเบฒเบเบฐเปเบเบปเปเบฒเบเบฑเบเบชเบดเบเปเบเบเบตเปเบเบฐเบเปเบฒเปเบเปเปเบเบฅเป, เปเบเบทเปเบญเบเบเบฒเบเบงเปเบฒเบเปเปเบกเบตเบเบฑเบเบซเบฒเบเบฑเบเบเบฒเบเบเบฝเบเบซเบผเบฒเบเบเบฐเบเบนเปเบเบฑเบเปเบเบฅเป.
Habr เปเบฅเบตเปเบกเบซเปเบฒเบกเบเบฒเบเปเบเปเบซเบผเบฒเบเบเบงเปเบฒเบชเบฒเบกเบเบฐเบเบนเป.
เบเบงเบฒเบกเบเบฐเบเบฒเบเบฒเบกเบขเปเบฒเบเบเบฐเบเบทเบฅเบทเบฅเบปเปเบเปเบเบเบชเบฐเปเบเบฒเบฐเปเบเบทเปเบญเปเบเบปเปเบฒเบซเบฒ Habr เบญเบฒเบเบเบฐเบชเบปเปเบเบเบปเบเปเบซเปเบกเบตเบเบฒเบเบซเปเบฒเบก IP เบชเปเบฒเบฅเบฑเบเบชเบญเบเบชเบฒเบกเบเบปเปเบงเปเบกเบ. เบเบฑเปเบเบเบฑเปเบ, เบเปเบฒเบเบเบฐเบเปเบญเบเปเบเปเบเบฝเบเปเบเป 3 เบเบฐเบเบนเป, เปเบเปเบเบตเปเปเบกเปเบเบเบตเปเบฅเปเบง, เบเบฑเบเบเบฑเปเบเปเบเปเปเบงเบฅเบฒเบเบตเปเบเบฐเบเบฑเบเบฅเบฝเบเบเบฒเบก 100 เบเบปเบเบเบงเบฒเบกเปเบกเปเบเบซเบผเบธเบเบฅเบปเบเบเบฒเบ 26 เบซเบฒ 12 เบงเบดเบเบฒเบเบต.
เบกเบฑเบเปเบเบฑเบเบกเบนเบเบเปเบฒเบเบตเปเบชเบฑเบเปเบเบเบงเปเบฒเบชเบฐเบเบฑเบเบเบตเปเปเบกเปเบเบเปเบญเบเบเปเบฒเบเบเปเปเบซเบกเบฑเปเบเบเบปเบ, เปเบฅเบฐเบเบฒเบเบเบฒเบงเปเบซเบผเบเปเบเปเบฅเบฐเปเบฅเบเบฐเบฅเบปเปเบกเปเบซเบฅเบงเปเบเบเปเบฒเบเบงเบเบเบปเบเบเบงเบฒเบกเบเปเบฒเบเบงเบเบซเบฅเบฒเบ.
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
# ะะฐะฟะธัั ะทะฐะฑะปะพะบะธัะพะฒะฐะฝะฝัั
ะทะฐะฟัะพัะพะฒ ะฝะฐ ัะตัะฒะตั
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))
# ะัะปะธ ะฟะพััะฐ ะฝะต ัััะตััะฒัะตั ะธะปะธ ะพะฝ ะฑัะป ัะบััั
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:]
# ะะตัะบะฐ, ััะพ ะฟะพัั ัะฒะปัะตััั ะฟะตัะตะฒะพะดะพะผ ะธะปะธ ัััะพัะธะฐะปะพะผ.
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 = "ะัะธ ะฟะฐััะธะฝะณะต ััะพะน ัััะฐะฝะธัะต ะฟัะพะธะทะพัะปะฐ ะพัะธะฑะบะฐ."
logging.warning("Error parsing - {}".format(i))
with open("Errors.txt", "a") as write_file:
write_file.write(str(i) + "n")
# ะะฐะฟะธััะฒะฐะตะผ ััะฐััั ะฒ 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("ะะตะพะฑั
ะพะดะธะผั ะฟะฐัะฐะผะตััั min ะธ max. ะัะฟะพะปัะทะพะฒะฐะฝะธะต: async_v1.py 1 100")
sys.exit(1)
min = int(sys.argv[1])
max = int(sys.argv[2])
# ะัะปะธ ะฟะพัะพะบะพะฒ >3
# ัะพ ั
ะฐะฑั ะฑะฐะฝะธั ipัะฝะธะบ ะฝะฐ ะฒัะตะผั
pool = ThreadPool(3)
# ะัััะตั ะฒัะตะผะตะฝะธ, ะทะฐะฟััะบ ะฟะพัะพะบะพะฒ
start_time = datetime.now()
results = pool.map(worker, range(min, max))
# ะะพัะปะต ะทะฐะบัััะธั ะฒัะตั
ะฟะพัะพะบะพะฒ ะฟะตัะฐัะฐะตะผ ะฒัะตะผั
pool.close()
pool.join()
print(datetime.now() - start_time)
เบชเบฐเบเบฑเบเบเบตเบชเบฒเบก. เบชเบธเบเบเปเบฒเบ
เปเบเบเบฐเบเบฐเบเบตเป debugging เบชเบฐเบเบฑเบเบเบตเบชเบญเบ, เบเปเบฒเบเบฐเปเบเบปเปเบฒเปเบเปเบเบปเปเบเบเบปเบเบงเปเบฒ Habr เบขเปเบฒเบเบเบฐเบเบฑเบเบซเบฑเบเบกเบต API เบเบตเปเปเบเบปเปเบฒเปเบเบดเบเปเบเปเปเบเบเบชเบฐเบเบฑเบเบกเบทเบเบทเบเบญเบเปเบงเบฑเบเปเบเบเป. เบกเบฑเบเปเบซเบผเบเปเบงเบเบงเปเบฒเบชเบฐเบเบฑเบเบกเบทเบเบท, เปเบเบฒเบฐเบงเปเบฒเบกเบฑเบเปเบเบฑเบเบเบฝเบเปเบเป json, เปเบเบดเปเบเบเปเปเบเปเบฒเปเบเบฑเบเบเปเบญเบเบเบทเบเบงเบดเปเบเบฒเบฐ. เปเบโเบเบตเปโเบชเบธเบ, เบเปเบฒโเบเบฐโเปเบเบปเปเบฒโเปเบเปโเบเบฑเบโเบชเบดเบโเปเบโเบเบตเปโเบเบฐโเบเบฝเบโเบเบทเบโเปเบซเบกเปโเบเบญเบโเบเปเบฒโเบเบฐโเปเบเบปเปเบฒโเบญเบตเบโเปเบเบทเปเบญโเบซเบเบถเปเบ.
เบเบฑเปเบเบเบฑเปเบ, เปเบเปเบเบปเปเบเบเบปเบ
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("ะะตะพะฑั
ะพะดะธะผั ะฟะฐัะฐะผะตััั min ะธ max. ะัะฟะพะปัะทะพะฒะฐะฝะธะต: asyc.py 1 100")
sys.exit(1)
min = int(sys.argv[1])
max = int(sys.argv[2])
# ะัะปะธ ะฟะพัะพะบะพะฒ >3
# ัะพ ั
ะฐะฑั ะฑะฐะฝะธั ipัะฝะธะบ ะฝะฐ ะฒัะตะผั
pool = ThreadPool(3)
# ะัััะตั ะฒัะตะผะตะฝะธ, ะทะฐะฟััะบ ะฟะพัะพะบะพะฒ
start_time = datetime.now()
results = pool.map(worker, range(min, max))
# ะะพัะปะต ะทะฐะบัััะธั ะฒัะตั
ะฟะพัะพะบะพะฒ ะฟะตัะฐัะฐะตะผ ะฒัะตะผั
pool.close()
pool.join()
print(datetime.now() - start_time)
เบกเบฑเบเบกเบตเบเปเบญเบเบเปเปเบกเบนเบเบเบตเปเบเปเบฝเบงเบเปเบญเบเบเบฑเบเบเบฑเบเบเบปเบเบเบงเบฒเบกเบเบปเบงเบกเบฑเบเปเบญเบเปเบฅเบฐเบเบนเปเบเบฝเบเบเบตเปเบเบฝเบเบกเบฑเบ.
API.png
เบเปเบญเบเบเปเปเปเบเปเบเบดเปเบก json เปเบเบฑเบกเบเบญเบเปเบเปเบฅเบฐเบเบปเบเบเบงเบฒเบก, เปเบเปเบเบฑเบเบเบถเบเบเบฝเบเปเบเปเบเปเบญเบเบเบตเปเบเปเบญเบเบเปเบญเบเบเบฒเบ:
- id
- is_tutorial
- time_published
- เบซเบปเบงเบเปเป
- เปเบเบทเปเบญเปเบ
- เบเบณเปเบซเบฑเบ_เบเบฑเบ
- lang เปเบกเปเบเบเบฒเบชเบฒเบเบตเปเบเบปเบเบเบฝเบเบเบทเบเบเบฝเบ. เบกเบฒเบฎเบญเบเบเบฐเบเบธเบกเบฑเบเบกเบตเบเบฝเบเปเบเป en เปเบฅเบฐ ru.
- tags_string โ tags เบเบฑเบโเบซเบกเบปเบโเบเบฒเบโเบเบฒเบโเบเบญเบโ
- เบญเปเบฒเบ_เบเบฑเบ
- เบเบนเปโเบเบฐโเบเบฑเบ
- เบเบฐโเปเบเบ โ rating เบเบปเบโเบเบงเบฒเบกโ.
เบเบฑเปเบเบเบฑเปเบ, เบเบฒเบเบเปเบฒเปเบเป API, เบเปเบฒเบเบฐเปเบเบปเปเบฒเปเบเปเบซเบผเบธเบเบฅเบปเบเปเบงเบฅเบฒเบเบฐเบเบดเบเบฑเบเบชเบฐเบเบดเบเปเบเบฑเบ 8 เบงเบดเบเบฒเบเบตเบเปเป 100 url.
เบซเบผเบฑเบเบเบฒเบเบเบตเปเบเบงเบเปเบฎเบปเบฒเปเบเปเบเบฒเบงเปเบซเบฅเบเบเปเปเบกเบนเบเบเบตเปเบเบงเบเปเบฎเบปเบฒเบเปเบญเบเบเบฒเบ, เบเบงเบเปเบฎเบปเบฒเบเปเบฒเปเบเบฑเบเบเปเบญเบเบเบธเบเปเบเปเบเบกเบฑเบเปเบฅเบฐเปเบเบปเปเบฒเปเบเปเบเบเบฒเบเบเปเปเบกเบนเบ. เบเปเปเบกเบตเบเบฑเบเบซเบฒเบเบฑเบเปเบฅเบทเปเบญเบเบเบตเป:
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') # ะัะบะปััะฐะตะผ ะฟะพะดัะฒะตัะถะดะตะฝะธะต ะทะฐะฟะธัะธ, ัะฐะบ ัะบะพัะพััั ัะฒะตะปะธัะธะฒะฐะตััั ะฒ ัะฐะทั.
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
# ะ ะฐะดะธ ะปัััะตะน ัะธัะฐะตะผะพััะธ ะฑะฐะทั ะผะพะถะฝะพ ะฟัะตะฝะตะฑัะตัั ัะธัะฐะตะผะพัััั ะบะพะดะฐ. ะะปะธ ะฝะตั?
# ะัะปะธ ะฒะฐะผ ัะฐะบ ะบะฐะถะตััั, ะผะพะถะฝะพ ะฟัะพััะพ ะทะฐะผะตะฝะธัั ะบะพััะตะถ ะฐัะณัะผะตะฝัะพะผ data. ะ ะตัะฐัั ะฒะฐะผ.
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)
เบชเบฐเบเบดเบเบด
เบเบต, เบเบฒเบกเบเบฐเปเบเบเบต, เบชเบธเบเบเปเบฒเบ, เบเปเบฒเบเบชเบฒเบกเบฒเบเบชเบฐเบเบฑเบเบชเบฐเบเบดเบเบดเบเบฒเบเบขเปเบฒเบเบเบฒเบเบเปเปเบกเบนเบ:
- เปเบเบเปเบฒเบเบงเบเบเบตเปเบเบฒเบเปเบงเป 490, เบเบฝเบเปเบเป 406 เบเบปเบเบเบงเบฒเบกเบเบทเบเบเบฒเบงเปเบซเบผเบ. เบกเบฑเบ turns เปเบซเป เปเบซเบฑเบ เบงเปเบฒ เบซเบผเบฒเบ เบ เป เบงเบฒ เปเบเบดเปเบ เบซเบเบถเปเบ (228) เบเบญเบ เบเบปเบ เบเบงเบฒเบก เบเปเบฝเบง เบเบฑเบ Habrรฉ เปเบเป เบเบทเบ เปเบเบทเปเบญเบ เปเบงเป เบซเบผเบท เบฅเบถเบ.
- เบเบฒเบเบเปเปเบกเบนเบเบเบฑเบเบซเบกเบปเบ, เบเบฐเบเบญเบเบเปเบงเบเปเบเบทเบญเบเปเบเบดเปเบเบซเบเบถเปเบเบฅเปเบฒเบเบเบปเบเบเบงเบฒเบก, เบเปเปเบฒเบซเบเบฑเบ 2.95 GB. เปเบเบฎเบนเบเปเบเบเบเบตเบเบญเบฑเบ - 495 MB.
- เปเบเบเปเบฒเบเบงเบเบเบฑเบเบซเบกเบปเบ, เบกเบต 37804 เบเบนเปเบเบฝเบเปเบHabre. เบเปเบฒเบเบฐเปเบเบปเปเบฒเบเปเปเบเบทเบญเบเบเปเบฒเบเบงเปเบฒเปเบซเบผเบปเปเบฒเบเบตเปเปเบกเปเบเบชเบฐเบเบดเบเบดเบเบฝเบเปเบเปเบเบฒเบเบเปเปเบเบงเบฒเบกเบชเบปเบ.
- เบเบนเปเบเบฝเบเบเบตเปเบกเบตเบเบฐเปเบซเบเบเบชเบนเบเบชเบธเบเปเบ Habre -
เบญเบฒเบฅเบดเบเบฒ โ 8774 เบเบปเบโเบเบงเบฒเบกโ. เบเบปเบเบเบงเบฒเบกเบญเบฑเบเบเบฑเบเบชเบนเบเบชเบธเบ โ 1448 plusesเบเบปเบเบเบงเบฒเบกเบเบตเปเบญเปเบฒเบเบซเบผเบฒเบเบเบตเปเบชเบธเบ - 1660841 viewsเบชเปเบงเบเบซเบผเบฒเบเปเบกเปเบเปเบงเบปเปเบฒเปเบเบดเบเบเบปเบเบเบงเบฒเบก โ 2444 เบเปเบฒโเปเบซเบฑเบ
เบเบต, เปเบเบฎเบนเบเปเบเบเบเบญเบ topsเบเบนเปเบเบฝเบ 15 เบญเบฑเบเบเบฑเบเบเบปเปเบ
เบญเบฑเบเบเบฑเบ 15 เปเบเบเบเบฒเบเบเบฑเบเบญเบฑเบเบเบฑเบ
เบญเบฑเบเบเบฑเบ 15 เบญเปเบฒเบ
เบชเบธเบเบเบญเบ 15 เบชเบปเบเบเบฐเบเบฒ
เปเบซเบผเปเบเบเปเปเบกเบนเบ: www.habr.com