สวัสดีตอนบ่าย. เป็นเวลา 2 ปีแล้วที่เขียน
เมื่อฉันต้องการสำเนาของ Habr ฉันตัดสินใจเขียนโปรแกรมแยกวิเคราะห์ที่จะบันทึกเนื้อหาทั้งหมดของผู้เขียนลงในฐานข้อมูล มันเกิดขึ้นได้อย่างไรและพบข้อผิดพลาดอะไรบ้าง - คุณสามารถอ่านได้ภายใต้การตัด
TLDR-
เวอร์ชันแรกของโปรแกรมแยกวิเคราะห์ กระทู้เดียว สารพัดปัญหา
ในการเริ่มต้น ฉันตัดสินใจสร้างต้นแบบสคริปต์ที่จะแยกวิเคราะห์บทความและวางลงในฐานข้อมูลทันทีที่ดาวน์โหลด ฉันใช้ sqlite3 โดยไม่ต้องคิดสองครั้งเพราะ มันใช้แรงงานน้อยกว่า: ไม่จำเป็นต้องมีเซิร์ฟเวอร์ภายใน, สร้างแล้วดูเหมือนถูกลบและอะไรทำนองนั้น
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)
ทุกอย่างเป็นแบบคลาสสิก - เราใช้ Beautiful Soup คำขอและต้นแบบด่วนพร้อมแล้ว นั่นเป็นเพียง…
-
การดาวน์โหลดหน้าอยู่ในเธรดเดียว
-
หากคุณขัดจังหวะการทำงานของสคริปต์ ฐานข้อมูลทั้งหมดจะไม่ไปไหน ท้ายที่สุดแล้ว การคอมมิตจะดำเนินการหลังจากการแยกวิเคราะห์ทั้งหมดเท่านั้น
แน่นอน คุณสามารถยอมรับการเปลี่ยนแปลงฐานข้อมูลได้หลังจากการแทรกแต่ละครั้ง แต่เวลาดำเนินการสคริปต์จะเพิ่มขึ้นอย่างมาก -
การแยกวิเคราะห์ 100 บทความแรกใช้เวลา 000 ชั่วโมง
ต่อไป ฉันพบบทความของผู้ใช้
- การใช้มัลติเธรดเพิ่มความเร็วในการดาวน์โหลดในบางครั้ง
- คุณไม่สามารถรับ habr เวอร์ชันเต็มได้ แต่เป็นเวอร์ชันสำหรับมือถือ
ตัวอย่างเช่น หากบทความที่รวมเข้าด้วยกันในเวอร์ชันเดสก์ท็อปมีน้ำหนัก 378 KB ดังนั้นในเวอร์ชันมือถือจะมีขนาด 126 KB อยู่แล้ว
รุ่นที่สอง หลายเธรดห้ามชั่วคราวจาก Habr
เมื่อฉันสำรวจอินเทอร์เน็ตในหัวข้อมัลติเธรดในไพธอน ฉันเลือกตัวเลือกที่ง่ายที่สุดด้วย multiprocessing.dummy ฉันสังเกตเห็นว่าปัญหาปรากฏขึ้นพร้อมกับมัลติเธรด
SQLite3 ไม่ต้องการทำงานกับมากกว่าหนึ่งเธรด.
ที่ตายตัว check_same_thread=False
แต่ข้อผิดพลาดนี้ไม่ได้เป็นเพียงข้อผิดพลาดเดียว เมื่อพยายามแทรกลงในฐานข้อมูล บางครั้งเกิดข้อผิดพลาดที่ฉันไม่สามารถแก้ไขได้
ดังนั้นฉันจึงตัดสินใจละทิ้งการแทรกบทความลงในฐานข้อมูลโดยตรงทันทีและเมื่อนึกถึงโซลูชันที่รวมเข้าด้วยกันฉันจึงตัดสินใจใช้ไฟล์เพราะไม่มีปัญหากับการเขียนแบบมัลติเธรดไปยังไฟล์
Habr เริ่มห้ามใช้มากกว่าสามเธรด.
โดยเฉพาะอย่างยิ่งความพยายามอย่างกระตือรือร้นที่จะผ่านไปยัง Habr อาจจบลงด้วยการแบน IP เป็นเวลาสองสามชั่วโมง ดังนั้นคุณต้องใช้เพียง 3 เธรด แต่ก็ดีอยู่แล้วเนื่องจากเวลาในการทำซ้ำบทความมากกว่า 100 บทความลดลงจาก 26 เป็น 12 วินาที
เป็นที่น่าสังเกตว่าเวอร์ชันนี้ค่อนข้างไม่เสถียรและการดาวน์โหลดเป็นระยะ ๆ จะหยุดลงในบทความจำนวนมาก
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)
รุ่นที่สาม สุดท้าย
ในขณะที่ดีบักเวอร์ชันที่สอง ฉันค้นพบว่า Habr มี API ที่ไซต์เวอร์ชันมือถือเข้าถึงได้ในทันที โหลดได้เร็วกว่ารุ่นมือถือเนื่องจากเป็นเพียง json ซึ่งไม่จำเป็นต้องแยกวิเคราะห์ด้วยซ้ำ ในที่สุดฉันก็ตัดสินใจเขียนสคริปต์ใหม่อีกครั้ง
จึงได้พบ
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)
ประกอบด้วยฟิลด์ที่เกี่ยวข้องกับทั้งบทความเองและผู้เขียนที่เขียน
API.png
ฉันไม่ได้ทิ้ง json ทั้งหมดของแต่ละบทความ แต่บันทึกเฉพาะฟิลด์ที่ฉันต้องการ:
- id
- is_tutorial
- เวลา_เผยแพร่แล้ว
- ชื่อเรื่อง
- เนื้อหา
- ความคิดเห็น_จำนวน
- lang เป็นภาษาที่ใช้เขียนบทความ จนถึงตอนนี้มันมีแค่ en และ ru
- tags_string - แท็กทั้งหมดจากโพสต์
- กำลังอ่าน_นับ
- ผู้เขียน
- คะแนน — คะแนนบทความ
ดังนั้น เมื่อใช้ API ฉันจึงลดเวลาดำเนินการสคริปต์ลงเหลือ 8 วินาทีต่อ 100 url
หลังจากที่เราดาวน์โหลดข้อมูลที่ต้องการแล้ว เราต้องประมวลผลและป้อนลงในฐานข้อมูล ฉันไม่มีปัญหากับสิ่งนี้เช่นกัน:
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)
สถิติ
ตามธรรมเนียมแล้ว ในที่สุด คุณสามารถแยกสถิติบางอย่างออกจากข้อมูลได้:
- จากการดาวน์โหลดที่คาดไว้ 490 ครั้ง มีการดาวน์โหลดเพียง 406 บทความ ปรากฎว่ามากกว่าครึ่ง (228) ของบทความเกี่ยวกับฮาเบรถูกซ่อนหรือลบทิ้ง
- ฐานข้อมูลทั้งหมดประกอบด้วยเกือบครึ่งล้านบทความ มีน้ำหนัก 2.95 GB ในรูปแบบบีบอัด - 495 MB.
- โดยรวมแล้ว 37804 คนเป็นผู้เขียน Habré ฉันเตือนคุณว่าสถิติเหล่านี้มาจากโพสต์สดเท่านั้น
- ผู้เขียนที่มีประสิทธิผลมากที่สุดในHabré -
อลิซาร์ - 8774 บทความ บทความที่ได้รับคะแนนสูงสุด — 1448 ข้อดีบทความที่มีผู้อ่านมากที่สุด — 1660841 มุมมองบทความที่มีการกล่าวถึงมากที่สุด — 2444 ความคิดเห็น
ในรูปแบบของท็อปส์ซูผู้เขียน 15 อันดับแรก
15 อันดับแรกตามคะแนน
อ่าน 15 อันดับแรก
15 อันดับแรกที่กล่าวถึง
ที่มา: will.com