Mirembrema. Kanë kaluar 2 vjet që kur është shkruar. artikulli i fundit rreth analizimit të Habrit, dhe disa pika kanë ndryshuar.
Kur doja të kisha një kopje të Habr, vendosa të shkruaj një analizues që do të ruante të gjithë përmbajtjen e autorëve në bazën e të dhënave. Si ndodhi dhe cilat gabime kam hasur - mund të lexoni nën prerje.
Versioni i parë i analizuesit. Një fije, shumë probleme
Për të filluar, vendosa të bëj një prototip skripti, në të cilin artikulli do të analizohej menjëherë pas shkarkimit dhe do të vendosej në bazën e të dhënave. Pa u menduar dy herë, përdora sqlite3, sepse. ishte më pak punë intensive: nuk kishte nevojë të kishim një server lokal, të krijuar-dukshëm-fshirë dhe gjëra të tilla.
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)
Gjithçka është klasike - ne përdorim Supë e bukur, kërkesat dhe një prototip i shpejtë është gati. Kjo është vetëm…
Shkarkimi i faqes është në një temë
Nëse ndërprisni ekzekutimin e skriptit, atëherë e gjithë baza e të dhënave nuk do të shkojë askund. Në fund të fundit, angazhimi kryhet vetëm pas të gjitha analizave.
Sigurisht, mund të kryeni ndryshime në bazën e të dhënave pas çdo futjeje, por më pas koha e ekzekutimit të skriptit do të rritet ndjeshëm.
Analiza e 100 artikujve të parë më mori 000 orë.
Më pas gjej artikullin e përdoruesit të bashkëintegruara, të cilin e lexova dhe gjeta disa mënyra për të përshpejtuar këtë proces:
Përdorimi i multithreading shpejton shkarkimin herë pas here.
Ju mund të merrni jo versionin e plotë të habr, por versionin e tij celular.
Për shembull, nëse një artikull i bashkëintegruar në versionin desktop peshon 378 KB, atëherë në versionin celular është tashmë 126 KB.
Versioni i dytë. Shumë fije, ndalim i përkohshëm nga Habr
Kur kërkuam internetin për temën e multithreading në python, zgjodha opsionin më të thjeshtë me multiprocessing.dummy, vura re se problemet u shfaqën së bashku me multithreading.
SQLite3 nuk dëshiron të punojë me më shumë se një thread.
fikse check_same_thread=False, por ky gabim nuk është i vetmi, kur përpiqem të fus në bazën e të dhënave, ndonjëherë ndodhin gabime që nuk mund t'i zgjidhja.
Prandaj, vendos të braktis futjen e menjëhershme të artikujve direkt në bazën e të dhënave dhe, duke kujtuar zgjidhjen e bashkëintegruar, vendos të përdor skedarë, sepse nuk ka probleme me shkrimin me shumë fije në një skedar.
Habr fillon të ndalojë për përdorimin e më shumë se tre temave.
Përpjekjet veçanërisht të zellshme për të kaluar në Habr mund të përfundojnë me një ndalim ip për disa orë. Pra, duhet të përdorni vetëm 3 tema, por kjo tashmë është mirë, pasi koha për të përsëritur mbi 100 artikuj reduktohet nga 26 në 12 sekonda.
Vlen të përmendet se ky version është mjaft i paqëndrueshëm dhe shkarkimet bien periodikisht në një numër të madh artikujsh.
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)
Versioni i tretë. Final
Gjatë korrigjimit të versionit të dytë, zbulova se Habr, papritmas, ka një API që akseson versioni celular i faqes. Ai ngarkohet më shpejt se versioni celular, pasi është thjesht json, i cili as nuk ka nevojë të analizohet. Në fund, vendosa të rishkruaj sërish skenarin tim.
Pra, pasi gjeti kjo lidhje API, mund të filloni ta analizoni atë.
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)
Ai përmban fusha që lidhen si me vetë artikullin ashtu edhe me autorin që e ka shkruar atë.
API.png
Nuk hodha json të plotë të secilit artikull, por ruajta vetëm fushat që më duheshin:
id
është_tutorial
koha_publikuar
titull
përmbajtje
numërimi i komenteve
lang është gjuha në të cilën është shkruar artikulli. Deri më tani, ajo ka vetëm en dhe ru.
tags_string - të gjitha etiketat nga postimi
leximi_numërimi
autor
rezultati - vlerësimi i artikullit.
Kështu, duke përdorur API-në, e reduktova kohën e ekzekutimit të skriptit në 8 sekonda për 100 url.
Pasi të kemi shkarkuar të dhënat që na duhen, duhet t'i përpunojmë dhe t'i fusim në bazën e të dhënave. Nuk kam pasur asnjë problem as me këtë:
analizues.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)
Statistikë
Epo, tradicionalisht, më në fund, mund të nxirrni disa statistika nga të dhënat:
Nga 490 shkarkime të pritura, u shkarkuan vetëm 406 artikuj. Rezulton se më shumë se gjysma (228) e artikujve në Habré ishin fshehur ose fshirë.
E gjithë baza e të dhënave, e përbërë nga pothuajse gjysmë milioni artikuj, peshon 2.95 GB. Në formë të ngjeshur - 495 MB.
Në total, 37804 persona janë autorë të Habré. Ju kujtoj se këto statistika janë vetëm nga postimet e drejtpërdrejta.
Autori më produktiv në Habré - alizar - 8774 artikuj.