Добридень. Минуло вже 2 роки з моменту написання останньої статті про парсинг Хабра, та деякі моменти змінилися.
Коли я захотів мати копію хабра, я вирішив написати парсер, який зберіг би весь контент авторів у базу даних. Як це сталося і з якими помилками я зустрівся, можете прочитати під катом.
Для початку, я вирішив зробити прототип скрипта, в якому б відразу при завантаженні стаття парсіла і поміщалася в базу даних. Недовго думавши, використав sqlite3, т.к. це було менш трудомістким: не потрібно мати локальний сервер, створив-поглянув-видалив і все в такому дусі.
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)
Все за класикою – використовуємо Beautiful Soup, requests та швидкий прототип готовий. Ось тільки…
Завантаження сторінки йде в один потік
Якщо перервати виконання скрипту, то вся база піде в нікуди. Адже виконання комміту лише після всього парсингу.
Звичайно, можна закріплювати зміни в базі після кожної вставки, але тоді час виконання скрипту збільшиться в рази.
Парсинг перших 100 тисяч статей у мене зайняв 000 годин.
Далі я знаходжу статтю користувача cointegrated, яку я прочитав і знайшов кілька лайфхаків, які дозволяють прискорити цей процес:
Використання багатопоточності прискорює завантаження в рази.
Можна отримувати не повну версію хабра, яке мобільну версію.
Наприклад, якщо стаття cointegrated у десктопній версії важить 378 Кб, то мобільна вже 126 Кб.
Друга версія Багато потоків, тимчасовий бан від Хабра
Коли я прошерстив інтернет на тему багатопоточності в python, вибрав найпростіший варіант із multiprocessing.dummy, то я помітив, що разом із багатопоточністю з'явилися проблеми.
SQLite3 не хоче працювати з більш ніж одним потоком.
Фіксується check_same_thread=FalseАле ця помилка не єдина, при спробі вставки в базу іноді виникають помилки, які я так і не зміг вирішити.
Тому я вирішую відмовитися від миттєвої вставки статей відразу в базу і, згадуючи рішення cointegrated, вирішую використовувати файли, тому що ніяких проблем із багатопоточним записом у файл немає.
Хабр починає банити за використання більш ніж трьох потоків.
Особливо завзяті спроби достукатися до Хабра можуть закінчитися баном ip на кілька годин. Так що доводиться використовувати лише 3 потоки, але і це вже добре, тому час перебору 100 статей зменшується з 26 до 12 секунд.
Варто зауважити, що ця версія досить нестабільна, і на великій кількості статей періодично відкачується завантаження.
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)
Третя версія Фінальна
Налагоджуючи другу версію, я виявив, що Хабра, раптово, має API, до якого звертається мобільна версія сайту. Завантажується воно швидше, ніж мобільна версія, тому що це просто json, який навіть ширяти особливо не потрібно. У результаті я вирішив заново переписати мій скрипт.
Отже, виявивши по цим посиланням API можна приступати до його парсингу.
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)
У ньому присутні поля, що стосуються як самої статті, так і автора, який її написав.
API.png
Я не став дампити повний json кожної статті, а зберігав лише потрібні мені поля:
id
is_tutorial
time_published
назву
зміст
comments_count
lang — мова, якою написана стаття. Поки що в ній тільки en і ru.
tags_string - всі теги з поста
reading_count
автор
score – рейтинг статті.
Таким чином, використовуючи API, я зменшив час виконання скрипту до 8 секунд на 100 url.
Після того, як ми завантажили потрібні нам дані, потрібно їх обробити та внести до бази даних. Із цим теж не виникло проблем:
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)
Статистика
Ну і зазвичай, насамкінець можна отримати трохи статистики з даних:
З очікуваних 490 406 було завантажено лише 228 512 статей. Виходить, що більше половини (261894 XNUMX) статей на хабрі було приховано або видалено.
Вся база, що складається майже з півмільйона статей, важить 2.95 Гб. У стислому вигляді - 495 Мб.
Усього на Хабрі авторами є 37804 осіб. Нагадую, що це статистика лише з живих постів.
Найпродуктивніший автор на Хабрі алізар - 8774 статті.