🥇ఒకే డేటాబేస్‌లో అన్ని హబ్‌లు

శుభ మద్యాహ్నం. ఇది వ్రాసి 2 సంవత్సరాలు అయ్యింది. చివరి వ్యాసం Habr అన్వయించడం గురించి, మరియు కొన్ని పాయింట్లు మార్చబడ్డాయి.

నేను హబ్ర్ కాపీని కలిగి ఉండాలనుకున్నప్పుడు, రచయితల యొక్క మొత్తం కంటెంట్‌ను డేటాబేస్‌లో సేవ్ చేసే పార్సర్‌ని వ్రాయాలని నిర్ణయించుకున్నాను. ఇది ఎలా జరిగింది మరియు నేను ఏ లోపాలు ఎదుర్కొన్నాను - మీరు కట్ కింద చదువుకోవచ్చు.

TLDR- డేటాబేస్ లింక్

పార్సర్ యొక్క మొదటి వెర్షన్. ఒక థ్రెడ్, చాలా సమస్యలు

ప్రారంభించడానికి, నేను స్క్రిప్ట్ ప్రోటోటైప్‌ను తయారు చేయాలని నిర్ణయించుకున్నాను, దీనిలో కథనం అన్వయించబడుతుంది మరియు డౌన్‌లోడ్ అయిన వెంటనే డేటాబేస్‌లో ఉంచబడుతుంది. రెండుసార్లు ఆలోచించకుండా, నేను sqlite3 ఉపయోగించాను, ఎందుకంటే. ఇది తక్కువ శ్రమతో కూడుకున్నది: స్థానిక సర్వర్‌ను కలిగి ఉండవలసిన అవసరం లేదు, సృష్టించబడిన-కనిపించిన-తొలగించబడిన మరియు అలాంటి అంశాలు.

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)

ప్రతిదీ క్లాసిక్ - మేము బ్యూటిఫుల్ సూప్, అభ్యర్థనలను ఉపయోగిస్తాము మరియు శీఘ్ర నమూనా సిద్ధంగా ఉంది. అది కేవలం…

పేజీ డౌన్‌లోడ్ ఒక థ్రెడ్‌లో ఉంది
మీరు స్క్రిప్ట్ అమలుకు అంతరాయం కలిగిస్తే, మొత్తం డేటాబేస్ ఎక్కడికీ వెళ్లదు. అన్ని తరువాత, కమిట్ అన్ని పార్సింగ్ తర్వాత మాత్రమే నిర్వహిస్తారు.
అయితే, మీరు ప్రతి చొప్పించిన తర్వాత డేటాబేస్‌లో మార్పులకు పాల్పడవచ్చు, కానీ స్క్రిప్ట్ అమలు సమయం గణనీయంగా పెరుగుతుంది.
మొదటి 100 కథనాలను అన్వయించడానికి నాకు 000 గంటలు పట్టింది.

తదుపరి నేను వినియోగదారు కథనాన్ని కనుగొన్నాను కలిసిపోయింది, నేను చదివిన మరియు ఈ ప్రక్రియను వేగవంతం చేయడానికి కొన్ని లైఫ్ హక్స్‌లను కనుగొన్నాను:

మల్టీథ్రెడింగ్‌ని ఉపయోగించడం వల్ల కొన్నిసార్లు డౌన్‌లోడ్ వేగవంతం అవుతుంది.
మీరు habr యొక్క పూర్తి సంస్కరణను పొందలేరు, కానీ దాని మొబైల్ వెర్షన్.
ఉదాహరణకు, డెస్క్‌టాప్ వెర్షన్‌లోని ఒక సమగ్ర కథనం బరువు 378 KB ఉంటే, మొబైల్ వెర్షన్‌లో ఇది ఇప్పటికే 126 KB.

రెండవ వెర్షన్. అనేక దారాలు, Habr నుండి తాత్కాలిక నిషేధం

పైథాన్‌లో మల్టీథ్రెడింగ్ అనే అంశంపై నేను ఇంటర్నెట్‌ను పరిశీలించినప్పుడు, మల్టీప్రాసెసింగ్.డమ్మీతో సరళమైన ఎంపికను ఎంచుకున్నాను, మల్టీథ్రెడింగ్‌తో పాటు సమస్యలు కనిపించడం గమనించాను.

SQLite3 ఒకటి కంటే ఎక్కువ థ్రెడ్‌లతో పని చేయాలనుకోదు.
స్థిర check_same_thread=False, కానీ ఈ లోపం ఒక్కటే కాదు, డేటాబేస్లోకి చొప్పించడానికి ప్రయత్నిస్తున్నప్పుడు, కొన్నిసార్లు నేను పరిష్కరించలేని లోపాలు సంభవిస్తాయి.

అందువల్ల, నేను నేరుగా డేటాబేస్‌లోకి కథనాలను చొప్పించడాన్ని వదిలివేయాలని నిర్ణయించుకున్నాను మరియు ఏకీకృత పరిష్కారాన్ని గుర్తుంచుకోవాలని నేను నిర్ణయించుకున్నాను, ఎందుకంటే ఫైల్‌కు బహుళ-థ్రెడ్ రాయడంలో సమస్యలు లేవు.

మూడు కంటే ఎక్కువ థ్రెడ్‌లను ఉపయోగించినందుకు Habr నిషేధించడం ప్రారంభిస్తుంది.
హబ్ర్ చేరుకోవడానికి ముఖ్యంగా ఉత్సాహపూరితమైన ప్రయత్నాలు కొన్ని గంటల పాటు ip నిషేధంతో ముగుస్తాయి. కాబట్టి మీరు 3 థ్రెడ్‌లను మాత్రమే ఉపయోగించాలి, కానీ ఇది ఇప్పటికే మంచిది, ఎందుకంటే 100 కంటే ఎక్కువ కథనాలను పునరావృతం చేసే సమయం 26 నుండి 12 సెకన్లకు తగ్గించబడింది.

ఈ సంస్కరణ అస్థిరంగా ఉందని గమనించాలి మరియు డౌన్‌లోడ్‌లు క్రమానుగతంగా పెద్ద సంఖ్యలో కథనాలపై వస్తాయి.

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)

మూడవ వెర్షన్. చివరి

రెండవ సంస్కరణను డీబగ్ చేస్తున్నప్పుడు, Habr, అకస్మాత్తుగా, సైట్ యొక్క మొబైల్ వెర్షన్ యాక్సెస్ చేసే APIని కలిగి ఉందని నేను కనుగొన్నాను. ఇది మొబైల్ వెర్షన్ కంటే వేగంగా లోడ్ అవుతుంది, ఎందుకంటే ఇది కేవలం json మాత్రమే, ఇది అన్వయించాల్సిన అవసరం లేదు. చివరికి, నా స్క్రిప్ట్‌ని మళ్లీ రాయాలని నిర్ణయించుకున్నాను.

కాబట్టి, కనుగొన్నారు ఈ లింక్ API, మీరు దానిని అన్వయించడం ప్రారంభించవచ్చు.

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)

ఇది వ్యాసానికి మరియు దానిని వ్రాసిన రచయితకు సంబంధించిన ఫీల్డ్‌లను కలిగి ఉంది.

API.png

నేను ప్రతి కథనం యొక్క పూర్తి jsonని డంప్ చేయలేదు, కానీ నాకు అవసరమైన ఫీల్డ్‌లను మాత్రమే సేవ్ చేసాను:

id
అనేది_ట్యుటోరియల్
సమయం_ప్రచురించబడింది
టైటిల్
కంటెంట్
comments_count
lang అనేది వ్యాసం వ్రాయబడిన భాష. ఇప్పటివరకు, ఇది ఎన్ మరియు రు మాత్రమే.
tags_string - పోస్ట్ నుండి అన్ని ట్యాగ్‌లు
రీడింగ్_కౌంట్
రచయిత
స్కోర్ - వ్యాసం రేటింగ్.

అందువలన, APIని ఉపయోగించి, నేను స్క్రిప్ట్ అమలు సమయాన్ని 8 urlకి 100 సెకన్లకు తగ్గించాను.

మనకు అవసరమైన డేటాను డౌన్‌లోడ్ చేసిన తర్వాత, దాన్ని ప్రాసెస్ చేసి డేటాబేస్‌లో నమోదు చేయాలి. దీనితో కూడా నాకు ఎలాంటి సమస్యలు లేవు:

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)

గణాంకాలు

బాగా, సాంప్రదాయకంగా, చివరకు, మీరు డేటా నుండి కొన్ని గణాంకాలను సంగ్రహించవచ్చు:

ఊహించిన 490 డౌన్‌లోడ్‌లలో, 406 కథనాలు మాత్రమే డౌన్‌లోడ్ చేయబడ్డాయి. హబ్రేలో సగం కంటే ఎక్కువ కథనాలు (228) దాచబడ్డాయి లేదా తొలగించబడ్డాయి.
దాదాపు అర మిలియన్ కథనాలతో కూడిన మొత్తం డేటాబేస్ బరువు 2.95 GB. కంప్రెస్డ్ రూపంలో - 495 MB.
మొత్తంగా, 37804 మంది హబ్రే రచయితలు. ఈ గణాంకాలు ప్రత్యక్ష పోస్ట్‌ల నుండి మాత్రమే అని నేను మీకు గుర్తు చేస్తున్నాను.
హబ్రేపై అత్యంత ఉత్పాదక రచయిత - అలిజార్ - 8774 వ్యాసాలు.
అగ్ర రేటింగ్ పొందిన కథనం - 1448 ప్లస్‌లు
ఎక్కువగా చదివిన వ్యాసం - 1660841 వీక్షణలు
ఎక్కువగా చర్చించబడిన కథనం - 2444 వ్యాఖ్యలు

బాగా, టాప్స్ రూపంలోటాప్ 15 రచయితలు
రేటింగ్ ద్వారా టాప్ 15
టాప్ 15 చదవండి
టాప్ 15 చర్చించబడ్డాయి

మూలం: www.habr.com

ఒకే డేటాబేస్‌లో అన్ని హబ్‌లు

పార్సర్ యొక్క మొదటి వెర్షన్. ఒక థ్రెడ్, చాలా సమస్యలు

రెండవ వెర్షన్. అనేక దారాలు, Habr నుండి తాత్కాలిక నిషేధం

మూడవ వెర్షన్. చివరి

గణాంకాలు

ఒక వ్యాఖ్యను జోడించండి ప్రత్యుత్తరం రద్దు

ఒక వ్యాఖ్యను జోడించండి