सबै Habr एक डेटाबेस मा

शुभ दिउँसो। यो लेखिएको २ वर्ष भयो। अन्तिम लेख Habr को पार्सिङ बारे, र केहि बिन्दुहरू परिवर्तन भएका छन्।

जब म Habr को प्रतिलिपि प्राप्त गर्न चाहन्थें, मैले एक पार्सर लेख्ने निर्णय गरें जसले लेखकहरूको सबै सामग्री डाटाबेसमा बचत गर्नेछ। यो कसरी भयो र मैले कस्ता त्रुटिहरू सामना गरें - तपाइँ काट अन्तर्गत पढ्न सक्नुहुन्छ।

TLDR- डाटाबेस लिङ्क

पार्सरको पहिलो संस्करण। एउटा थ्रेड, धेरै समस्याहरू

सुरु गर्नको लागि, मैले एक स्क्रिप्ट प्रोटोटाइप बनाउने निर्णय गरें, जसमा लेख डाउनलोड गर्दा तुरुन्तै पार्स गरिनेछ र डाटाबेसमा राखिनेछ। दुई पटक सोची बिना, मैले sqlite3 प्रयोग गरें, किनभने। यो कम श्रम-गहन थियो: स्थानीय सर्भर, सिर्जना गरिएको-देखिएको-मेटाइएको र त्यस्ता सामानहरू हुनु आवश्यक छैन।

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)

सबै कुरा क्लासिक छ - हामी प्रयोग गर्छौं सुन्दर सूप, अनुरोधहरू र द्रुत प्रोटोटाइप तयार छ। त्यो मात्र…

• पृष्ठ डाउनलोड एउटै थ्रेडमा छ

• यदि तपाईंले स्क्रिप्टको कार्यान्वयनमा अवरोध गर्नुभयो भने, सम्पूर्ण डाटाबेस कतै जानेछैन। आखिर, कमिट सबै पार्सिङ पछि मात्र गरिन्छ।
  अवश्य पनि, तपाइँ प्रत्येक प्रविष्टि पछि डाटाबेसमा परिवर्तनहरू गर्न सक्नुहुन्छ, तर त्यसपछि स्क्रिप्ट कार्यान्वयन समय उल्लेखनीय रूपमा बढ्नेछ।

• पहिलो 100 लेखहरू पार्स गर्न मलाई 000 घण्टा लाग्यो।

अर्को म प्रयोगकर्ताको लेख फेला पार्छु एकीकृत, जुन मैले पढें र यस प्रक्रियालाई गति दिन केही जीवन ह्याकहरू फेला पारे:

• मल्टिथ्रेडिङ प्रयोग गर्दा कहिलेकाहीँ डाउनलोडको गति बढ्छ।
• तपाईंले habr को पूर्ण संस्करण प्राप्त गर्न सक्नुहुन्न, तर यसको मोबाइल संस्करण।
  उदाहरणका लागि, यदि डेस्कटप संस्करणमा एक एकीकृत लेखको वजन 378 KB छ भने, मोबाइल संस्करणमा यो पहिले नै 126 KB छ।

दोस्रो संस्करण। धेरै थ्रेडहरू, हब्रबाट अस्थायी प्रतिबन्ध

जब मैले पाइथनमा मल्टिथ्रेडिङको विषयमा इन्टरनेटको खोजी गरेँ, मैले multiprocessing.dummy को साथमा सबैभन्दा सरल विकल्प रोजें, मैले मल्टिथ्रेडिङसँगै समस्याहरू देखा परेको देखेँ।

SQLite3 एक भन्दा बढी थ्रेडसँग काम गर्न चाहँदैन.
निश्चित check_same_thread=False, तर यो त्रुटि मात्र होइन, डाटाबेसमा सम्मिलित गर्ने प्रयास गर्दा, कहिलेकाहीँ त्रुटिहरू हुन्छन् जुन मैले समाधान गर्न सकिन।

तसर्थ, म डाटाबेसमा सिधै लेखहरूको तत्काल सम्मिलन त्याग्न निर्णय गर्छु र, सहबद्ध समाधान सम्झेर, म फाइलहरू प्रयोग गर्ने निर्णय गर्छु, किनकि फाइलमा बहु-थ्रेडेड लेखनमा कुनै समस्या छैन।

Habr ले तीन भन्दा बढी थ्रेडहरू प्रयोग गर्न प्रतिबन्ध गर्न थाल्छ.
विशेष गरी Habr मा जानको लागि जोसिलो प्रयासहरू केही घण्टाको लागि ip प्रतिबन्धको साथ समाप्त हुन सक्छ। त्यसोभए तपाईंले केवल 3 थ्रेडहरू प्रयोग गर्नुपर्नेछ, तर यो पहिले नै राम्रो छ, किनकि 100 भन्दा बढी लेखहरू दोहोर्याउने समय 26 बाट 12 सेकेन्डमा घटाइएको छ।

यो ध्यान दिन लायक छ कि यो संस्करण बरु अस्थिर छ, र डाउनलोडहरू आवधिक रूपमा लेखहरूको ठूलो संख्यामा बन्द हुन्छन्।

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)

तेस्रो संस्करण। फाइनल

दोस्रो संस्करण डिबग गर्दा, मैले पत्ता लगाए कि Habr, अचानक, एक API छ जुन साइटको मोबाइल संस्करण पहुँच गर्दछ। यो मोबाइल संस्करण भन्दा छिटो लोड हुन्छ, किनकि यो केवल json हो, जसलाई पार्स गर्न पनि आवश्यक छैन। अन्तमा, मैले मेरो स्क्रिप्ट फेरि लेख्ने निर्णय गरें।

तर, फेला पारे यो लिङ्क API, तपाइँ यसलाई पार्स गर्न सुरु गर्न सक्नुहुन्छ।

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)

यसले लेख आफैं र यसलाई लेख्ने लेखकसँग सम्बन्धित क्षेत्रहरू समावेश गर्दछ।

API.png

मैले प्रत्येक लेखको पूर्ण json डम्प गरेन, तर मलाई चाहिने क्षेत्रहरू मात्र बचत गरें:

• id
• is_tutorial
• समय_प्रकाशित
• शीर्षक
• सामग्री
• टिप्पणी_गणना
• lang भनेको लेख लेखिएको भाषा हो। अहिलेसम्म, यो केवल en र ru छ।
• tags_string - पोस्टबाट सबै ट्यागहरू
• पढ्ने_गणना
• लेखक
• अंक - लेख मूल्याङ्कन।

यसरी, एपीआई प्रयोग गरेर, मैले स्क्रिप्ट कार्यान्वयन समयलाई 8 सेकेन्ड प्रति 100 url मा घटाएँ।

हामीले आवश्यक डेटा डाउनलोड गरेपछि, हामीले यसलाई प्रशोधन गर्न र डाटाबेसमा प्रविष्ट गर्न आवश्यक छ। मलाई यसमा पनि कुनै समस्या थिएन:

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)

तथ्याङ्कहरू

खैर, परम्परागत रूपमा, अन्तमा, तपाइँ डाटाबाट केहि तथ्याङ्कहरू निकाल्न सक्नुहुन्छ:

• अपेक्षित 490 डाउनलोडहरू मध्ये, केवल 406 लेखहरू डाउनलोड गरिएका थिए। यो बाहिर जान्छ कि Habré मा लेख को आधा भन्दा बढी (228) लुकाइएको वा मेटाइएको थियो।
• लगभग आधा मिलियन लेखहरू समावेश भएको सम्पूर्ण डाटाबेसको तौल २.९५ जीबी छ। संकुचित फारममा - 2.95 एमबी।
• कुलमा, 37804 मानिसहरू Habré को लेखक हुन्। म तपाईंलाई सम्झाउँछु कि यी तथ्याङ्कहरू प्रत्यक्ष पोस्टहरूबाट मात्र हुन्।
• Habré मा सबैभन्दा उत्पादक लेखक - alizar - 8774 लेख।
• शीर्ष मूल्याङ्कन लेख - 1448 प्लस
• सबैभन्दा धेरै पढिएको लेख – 1660841 भ्यू
• धेरै चर्चा गरिएको लेख - 2444 टिप्पणीहरू

खैर, शीर्ष को रूप माशीर्ष 15 लेखकहरू
मूल्याङ्कन द्वारा शीर्ष 15
शीर्ष 15 पढ्नुहोस्
शीर्ष 15 छलफल गरियो

स्रोत: www.habr.com