ဒေတာဘေ့စ်တစ်ခုတည်းတွင် Habr အားလုံး

မင်္ဂလာနေ့လည်ခင်းပါ။ ရေးထားတာ ၂ နှစ်ရှိပြီ။ နောက်ဆုံးဆောင်းပါး Habr ကိုခွဲခြမ်းစိတ်ဖြာခြင်းနှင့်ပတ်သက်ပြီးအချို့အချက်များပြောင်းလဲသွားသည်။

Habr မိတ္တူကို လိုချင်သောအခါ၊ စာရေးသူ၏ အကြောင်းအရာအားလုံးကို ဒေတာဘေ့စ်တွင် သိမ်းဆည်းမည့် parser တစ်ခုရေးရန် ဆုံးဖြတ်ခဲ့သည်။ ဘယ်လို အမှားအယွင်းတွေ ကြုံခဲ့ရသလဲ ဆိုတာကို အောက်မှာ ဖတ်ရှုနိုင်ပါတယ်။

TLDR- ဒေတာဘေ့စ်လင့်ခ်

parser ၏ပထမဗားရှင်း။ ကြိုးတစ်ချောင်း၊ ပြဿနာများစွာ

အစအားဖြင့်၊ ဆောင်းပါးကို ခွဲခြမ်းစိပ်ဖြာပြီး ဒေါင်းလုဒ်ဆွဲပြီးသည်နှင့် ချက်ချင်းဆိုသလို ဒေတာဘေ့စ်တွင် ထားရှိမည့် script prototype တစ်ခုကို ပြုလုပ်ရန် ဆုံးဖြတ်ခဲ့သည်။ နှစ်ခါမစဉ်းစားဘဲ sqlite3 ကိုသုံးတယ်။ ၎င်းသည် လုပ်သားအင်အားနည်းသည်- ပြည်တွင်းဆာဗာတစ်ခုရှိရန် မလိုအပ်ဘဲ၊ ဖန်တီးထားသည့်ပုံသဏ္ဍာန်ဖြင့် ဖျက်ထားပြီး ထိုကဲ့သို့သောအရာများ ရှိရန် မလိုအပ်ပါ။

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)

အရာအားလုံးသည် ဂန္ထဝင်ဖြစ်သည် - ကျွန်ုပ်တို့သည် လှပသောဟင်းရည်ကို အသုံးပြုသည်၊ တောင်းဆိုမှုများနှင့် အမြန်ပုံစံတူသည် အဆင်သင့်ဖြစ်နေပါပြီ။ ဒါပဲ…

• စာမျက်နှာဒေါင်းလုဒ်သည် စာတွဲတစ်ခုတွင်ဖြစ်သည်။

• အကယ်၍ သင်သည် script ၏လုပ်ဆောင်မှုကို နှောင့်ယှက်ပါက၊ ဒေတာဘေ့စ်တစ်ခုလုံးသည် မည်သည့်နေရာတွင်မှ မရှိတော့ပါ။ အားလုံးကို ခွဲခြမ်းစိတ်ဖြာပြီးမှသာ ကတိကဝတ်ကို လုပ်ဆောင်သည်။
  ထည့်သွင်းမှုတစ်ခုစီပြီးနောက် ဒေတာဘေ့စ်သို့ အပြောင်းအလဲများကို သင်လုပ်ဆောင်နိုင်သည်၊ သို့သော် ထို့နောက် script အကောင်အထည်ဖော်ချိန်သည် သိသိသာသာတိုးလာမည်ဖြစ်သည်။

• ပထမဆုံး ဆောင်းပါး 100 ကို ပိုင်းခြားရန် 000 နာရီ ကြာပါသည်။

နောက်တစ်ခုကတော့ အသုံးပြုသူရဲ့ ဆောင်းပါးကို ရှာပါတယ်။ ပေါင်းစပ်ထားသည်။ဤလုပ်ငန်းစဉ်ကို အရှိန်မြှင့်ရန် ဘဝဟက်ခ်အချို့ကို ကျွန်ုပ်ဖတ်ရှုပြီး တွေ့ရှိခဲ့သည်-

• Multithreading ကိုအသုံးပြုခြင်းသည် တစ်ခါတစ်ရံတွင် ဒေါင်းလုဒ်ဆွဲခြင်းကို မြန်ဆန်စေသည်။
• habr ၏ ဗားရှင်းအပြည့်အစုံမဟုတ်သော်လည်း ၎င်း၏မိုဘိုင်းဗားရှင်းကို သင်ရနိုင်သည်။
  ဥပမာအားဖြင့်၊ ဒက်စ်တော့ဗားရှင်းတွင် ပေါင်းစပ်ထားသော ဆောင်းပါးတစ်ပုဒ်သည် 378 KB အလေးချိန်ရှိလျှင် မိုဘိုင်းဗားရှင်းတွင် ၎င်းသည် 126 KB ရှိပြီးဖြစ်သည်။

ဒုတိယဗားရှင်း။ စာတွဲများစွာ၊ Habr မှ ယာယီပိတ်ပင်ထားသည်။

python တွင် multithreading ခေါင်းစဉ်ဖြင့်အင်တာနက်ကိုလေ့လာကြည့်သောအခါ multiprocessing.dummy ဖြင့်အရိုးရှင်းဆုံးရွေးချယ်မှုကိုရွေးချယ်ခဲ့ပြီး multithreading နှင့်အတူပြဿနာများပေါ်လာသည်ကိုသတိပြုမိခဲ့သည်။

SQLite3 သည် thread တစ်ခုထက်ပို၍ အလုပ်မလုပ်လိုပါ။.
သတ်မှတ်ထားတဲ့ check_same_thread=Falseဒါပေမယ့် ဒီ error က တစ်ခုတည်း မဟုတ်ပါဘူး၊ database ထဲကို ထည့်ဖို့ ကြိုးစားတဲ့အခါ တခါတရံ ကျွန်တော် မဖြေရှင်းနိုင်တဲ့ errors တွေ ဖြစ်ပေါ်လာပါတယ်။

ထို့ကြောင့်၊ ဒေတာဘေ့စ်ထဲသို့ ဆောင်းပါးများ တိုက်ရိုက်ထည့်သွင်းခြင်းကို စွန့်လွှတ်ရန် ဆုံးဖြတ်ပြီး ပေါင်းစပ်ပေါင်းစပ်ဖြေရှင်းချက်ကို သတိရကာ ဖိုင်တစ်ခုသို့ ကြိုးတန်းစုံရေးခြင်းတွင် ပြဿနာမရှိသောကြောင့် ဖိုင်များကို အသုံးပြုရန် ဆုံးဖြတ်ခဲ့သည်။

Habr သည် thread သုံးခုထက်ပို၍အသုံးပြုခြင်းအတွက် တားမြစ်ခြင်းစတင်သည်။.
အထူးသဖြင့် Habr ကိုဖြတ်ကျော်ရန် ထက်သန်သောကြိုးပမ်းမှုများသည် ip ပိတ်ပင်မှုဖြင့် နာရီအနည်းငယ်ကြာအောင် အဆုံးသတ်နိုင်သည်။ ထို့ကြောင့် ဆောင်းပါး 3 ကျော်ကို 100 စက္ကန့်မှ 26 စက္ကန့်အထိ လျှော့ချလိုက်သောကြောင့် သင်သည် စာတွဲ 12 ခုကိုသာ အသုံးပြုရန် လိုအပ်သော်လည်း ၎င်းသည် ကောင်းမွန်နေပြီဖြစ်သည်။

ဤဗားရှင်းသည် မတည်မငြိမ်ဖြစ်ပြီး ဆောင်းပါးအများအပြားတွင် အခါအားလျော်စွာ ဒေါင်းလုဒ်များ ကျဆင်းသွားသည်ကို သတိပြုသင့်သည်။

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)

တတိယဗားရှင်း။ နောက်ဆုံး

ဒုတိယဗားရှင်းကို အမှားရှာပြင်နေစဉ်၊ Habr သည် ဆိုက်၏မိုဘိုင်းဗားရှင်းသို့ဝင်ရောက်သည့် API တစ်ခုပါရှိသည်ကို ရုတ်တရက် တွေ့ရှိခဲ့သည်။ ခွဲခြမ်းစိတ်ဖြာရန်ပင်မလိုအပ်သော json မျှသာဖြစ်သောကြောင့်၎င်းသည်မိုဘိုင်းဗားရှင်းထက်ပိုမိုမြန်ဆန်သည်။ နောက်ဆုံးတော့ ကျွန်တော့် ဇာတ်ညွှန်းကို ပြန်ရေးဖို့ ဆုံးဖြတ်လိုက်တယ်။

ဒါဆို တွေ့ပြီပေါ့။ ဒီ link ကို API၊ သင်သည် ၎င်းကို ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။

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)

၎င်းတွင် ဆောင်းပါးကိုယ်နှိုက်နှင့် ၎င်းကိုရေးခဲ့သော စာရေးဆရာနှင့် ပတ်သက်သည့် ကွက်လပ်များ ပါရှိသည်။

API.png

ဆောင်းပါးတစ်ခုစီ၏ json အပြည့်အစုံကို ကျွန်ုပ် မစွန့်ပစ်ခဲ့ဘဲ ကျွန်ုပ်လိုအပ်သော ကွက်လပ်များကိုသာ သိမ်းဆည်းခဲ့သည်-

• id
• ကျူတိုရီရယ်
• အချိန်_ထုတ်ဝေခဲ့သည်။
• ခေါင်းစဥ်
• အကြောင်းအရာ
• မှတ်ချက်_အရေအတွက်
• lang သည် ဆောင်းပါးရေးသော ဘာသာစကားဖြစ်သည်။ ယခုအချိန်အထိ ၎င်းတွင် en နှင့် ru သာရှိသည်။
• tags_string - ပို့စ်မှ တဂ်များအားလုံး
• စာဖတ်ခြင်း_အရေအတွက်
• စာရေးသူ
• ရမှတ် - ဆောင်းပါးအဆင့်သတ်မှတ်ချက်။

ထို့ကြောင့် API ကိုအသုံးပြု၍ url 8 တစ်ခုလျှင် script လည်ပတ်ချိန်ကို 100 စက္ကန့်သို့ လျှော့ချလိုက်ပါသည်။

ကျွန်ုပ်တို့လိုအပ်သောဒေတာကို ဒေါင်းလုဒ်လုပ်ပြီးပါက ၎င်းကိုလုပ်ဆောင်ပြီး ဒေတာဘေ့စ်ထဲသို့ထည့်ရန် လိုအပ်ပါသည်။ ဒါကိုလည်း ကျွန်မမှာ ဘာပြဿနာမှ မရှိပါဘူး။

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)

စာရင်းအင်း

ကောင်းပြီ၊ အစဉ်အလာအားဖြင့်၊ နောက်ဆုံးတွင်၊ သင်သည် အချက်အလက်အချို့မှ ကိန်းဂဏန်းအချက်အလက်များကို ထုတ်ယူနိုင်သည်-

• ဒေါင်းလုဒ်လုပ်ရန် မျှော်မှန်းထားသည့် ၄၉၀,၄၀၆ အနက်၊ ဆောင်းပါး ၂၂၈,၅၁၂ သာ ဒေါင်းလုဒ်လုပ်ခဲ့သည်။ Habré ပေါ်ရှိ ဆောင်းပါးများ၏ ထက်ဝက်ကျော် (490) ကို ဝှက်ထားသည် သို့မဟုတ် ဖျက်လိုက်ကြောင်း တွေ့ရှိရသည်။
• ဆောင်းပါးပေါင်း တစ်သန်းခွဲနီးပါး ပါဝင်သော ဒေတာဘေ့စ်တစ်ခုလုံးသည် 2.95 GB အလေးချိန်ရှိသည်။ ချုံ့ပုံစံ - 495 MB ။
• စုစုပေါင်း ၃၇၈၀၄ ဦးသည် Habre ၏စာရေးဆရာများဖြစ်သည်။ ဤစာရင်းဇယားများသည် တိုက်ရိုက်လွှင့်တင်မှုများမှသာဖြစ်ကြောင်း သင့်အား ကျွန်ုပ်သတိပေးပါသည်။
• Habre တွင် အကျိုးအရှိဆုံး စာရေးဆရာ- အလီဇာ ဆောင်းပါး - ၈၇၇၄။
• ထိပ်တန်းအဆင့်သတ်မှတ်ထားသော ဆောင်းပါး 1448 pluses
• အများဆုံးဖတ်သောဆောင်းပါး - ကြည့်ရှုမှု 1660841
• ဆွေးနွေးမှုအများဆုံးဆောင်းပါး မှတ်ချက် - ၂၄၄၄

ကောင်းပြီ, ထိပ်၏ပုံစံထိပ်တန်းစာရေးဆရာ ၁၅ ဦး
အဆင့်သတ်မှတ်ချက်အရ ထိပ်တန်း 15
ထိပ်တန်း 15 ဖတ်
ထိပ်တန်း 15 ခု ဆွေးနွေးခဲ့သည်။

source: www.habr.com