|
目的意义
爬虫应该能够快速高效的完成数据爬取和分析任务。使用多个进程协同完成一个任务,提高了数据爬取的效率。
以百度百科的一条为起点,抓取百度百科2000左右词条数据。
说明
作者说是简单的分布式爬虫(hh),在书中有详细的说明和注解。
这里只是补漏和梳理。
因为进程传递参数的问题,搞了几天还是放弃了在WIndows上跑,换用了Linux。
又因为各种各样的问题,弃用CentOS(它确实是安全可靠的,但是...我不会装QQ,输入法等),换用了软件容易安装的Ubuntu。然后才装了Eclipse等各种软件后,才开始多进程的调试。
构造
主节点和从节点的方案实现信息爬取。结构应该让各个节点高效工作。
从节点:
爬虫爬取速度受到网络延时的影响和网页信息解析的影响比较严重,所以使用多个从节点用来专门负责下载网页信息,解析网页信息。
则分为三个文件,爬取文件,下载网页文件,解析网页文件。
爬取文件接收来自主节点发送来的网页地址。然后调用下载网页文件并完成解析,将处理好的数据发送给主节点。
主节点:
主节点负责发送给从节点网页地址,并接收来自从节点的解析后的网页信息,将网页信息存储下来。
主节点任务分为分发网址,接收从节点的信息,存储网页三部分。在代码里,他建立了三个进程,来分别实现。
主节点任务中,存储信息,定义一套存储信息的方法。分发网址,定义一套分发网址过程中可能用到的方法。主文件中,设立三个函数,建立三个进程。
主节点设计
主节点的三个任务,分成三个进程,三个进程(分发网址,数据接收,数据存储),做一个类。
数据接收与分发网址,需要分布式进程。分布式进程需要使用队列Queue。这里一定是multiprocessing中的导入的队列。网址分发、数据接收分别使用一个队列。
注册,设定地址,秘钥,完成初始化过程,将url_q,result_q分别注册到网络中。
然后设立分发任务,传递队列给分发任务函数。分发任务使用url_q队列完成数据的发送。使用conn_q接收了新的网址,并进行存储,再次分发到url_q上。
数据接收任务,完成了数据的接收过程,接收以后需要及时将数据存储,在这里使用了两个队列conn_q,放置接收数据中的地址信息,store_q,放置接收数据中的网页信息。
数据存储任务,接收数据接收任务中的store_q队列信息,及时写入到磁盘中。
所有涉及到的文件如下:
NodeManager.py
- import time
- #import sys
- #sys.path.append('/home')#if needed ,add path as package
- from UrlManager import UrlManager
- from multiprocessing import Process,Queue
- from multiprocessing.managers import BaseManager
- from DataOutput import DataOutput
-
- class NodeManager():
- def start_manager(self,url_q,result_q):
- BaseManager.register('get_task_queue', callable=lambda:url_q)
- BaseManager.register('get_result_queue',callable=lambda:result_q)
- manager=BaseManager(address=('127.0.0.1',8001),authkey='baike'.encode('utf-8'))
- return manager
-
- def url_manager_proc(self,url_q,conn_q,root_url):
- #send url to queue and receive new urls for storing to object
- url_manager=UrlManager()
- url_manager.add_new_url(root_url)
- while True:
- while(url_manager.has_new_url()):
- new_url=url_manager.get_new_url()
- url_q.put(new_url)
- print('old url size:'+str(url_manager.old_url_size()))
- if(url_manager.old_url_size()>2000):
- url_q.put('end')
- url_manager.save_process('new_urls.txt',url_manager.new_urls)
- url_manager.save_process('old_urls.txt',url_manager.old_urls)
- print('finish url_manager_proc')
- return
- try:
- urls=conn_q.get()
- url_manager.add_new_urls(urls)
- print('get:'+urls)
- except Exception:
- time.sleep(0.1)
-
-
- def result_solve_proc(self,result_q,conn_q,store_q):
- while True:
- if not result_q.empty():
- content=result_q.get(True)
- if content['new_urls']=='end':
- print('finish result_solve_proc')
- store_q.put('end')
- return
- conn_q.put(content["new_urls"])
- store_q.put(content["data"])
- else:
- time.sleep(0.1)
-
- def store_proc(self,store_q):
- output=DataOutput()
- while True:
- if not store_q.empty():
- data=store_q.get()
- if data =='end':
- print('finish store_proc')
- output.output_end(output.path)
- return
- output.store_data(data)
-
-
-
- if __name__=='__main__':
- url_q=Queue()#send url to workers
- result_q=Queue()#receive url's analytical data from works
- store_q=Queue()#analytical data which is fresh is used for storing to disk for further extract
- conn_q=Queue()#urls which is fresh are used for storing to object for further extract
- nodeObject=NodeManager()
- manager=nodeObject.start_manager(url_q,result_q)
-
- root_url='https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB/5162711?fr=aladdin'
- url_manager=Process(target=nodeObject.url_manager_proc,args=(url_q,conn_q,root_url,))
- result_solve=Process(target=nodeObject.result_solve_proc,args=(result_q,conn_q,store_q,))
- store=Process(target=nodeObject.store_proc,args=(store_q,))
- url_manager.start()
- result_solve.start()
- store.start()
- manager.get_server().serve_forever()
复制代码
UrlManager.py
- import hashlib
- import pickle
- class UrlManager():
- def __init__(self):
- self.old_urls=self.load_process('new_urls.txt')
- self.new_urls=self.load_process('old_urls.txt')
- pass
-
- def has_new_url(self):
- return self.new_url_size()!=0
-
- def new_url_size(self):
- return len(self.new_urls)
-
- def old_url_size(self):
- return len(self.old_urls)
-
- def get_new_url(self):
- new_url=self.new_urls.pop()
- m=hashlib.md5()
- m.update(new_url.encode("utf8"))
- self.old_urls.add(m.hexdigest()[8:-8])
- return new_url
-
- def add_new_url(self,url):
- if url is None:
- return
- m=hashlib.md5()
- m.update(url.encode('utf-8'))
- url_md5=m.hexdigest()[8:-8]
- if url not in self.new_urls and url_md5 not in self.old_urls:
- self.new_urls.add(url)
-
- def add_new_urls(self,urls):
- if urls is None or len(urls) == 0:
- return
- for url in urls:
- self.add_new_url(url)
- pass
-
- def save_process(self,path,data):
- with open(path,'wb') as f:
- pickle.dump(data,f)
-
- def load_process(self,path):
- print('loading..')
- try:
- with open(path,'rb') as f:
- tmp=pickle.load(f)
- return tmp
- except:
- print('loading error maybe loading file not exist and will create it:'+path)
- newSet=set()
- self.save_process(path, newSet)
- return newSet
复制代码
DataOutput.py
- import codecs
- from os.path import os
- class DataOutput(object):
- def __init__(self):
- self.path='baike.html'
- self.output_head(self.path)
- self.datas=[]
-
- def store_data(self,data):
- if data is None:
- return
- self.datas.append(data)
- self.output_html(self.path,data)
-
- def output_head(self,path):
- if os.path.exists(path):
- return
- fout=codecs.open('baike.html', 'w', encoding='utf-8')
- fout.write("<html>")
- fout.write("<head><meta charset='urf-8'></head>")
- fout.write("<body>")
- fout.write("<table border='1' width=1800 style='word-break:break-all;word-wrap:break-word;'>")
- fout.write("<tr>")
- fout.write("<td width='20'>序号</td>")
- fout.write("<td width='300'>URL</td>")
- fout.write("<td width='100'>标题</td>")
- fout.write("<td width='1200'>释义</td>")
- fout.write("</tr>")
- fout.close()
-
- def output_end(self,path):
- fout=codecs.open(path, 'a', encoding='utf-8')
- fout.write("</table>")
- fout.write("</body>")
- fout.write("</html>")
- fout.close()
-
- def output_html(self,path,data):
- fout=codecs.open(path, 'a', encoding='utf-8')
- fout.write("<tr>")
- fout.write("<td>%s</td>"%str(len(self.datas)))
- fout.write("<td><a href=%s>%s</a></td>"%(data['url'],data['url']))
- fout.write("<td>%s</td>"%data['title'])
- fout.write("<td>%s</td>"%data['summary'])
- fout.write("</tr>")
- fout.close()
复制代码
从节点设计
从节点首先是连接到指定地址并验证秘钥。连接后获取url_q、result_q。
从url_q中获取发来的地址,调用HTML下载器下载数据,调动HTML解析器解析数据,然后把结果放到result_q队列上。
代码如下
SpiderWork.py
- from multiprocessing.managers import BaseManager
- from HtmlDownloader import HtmlDownloader
- from HtmlParser import HtmlParser
- class SpiderWork():
- def __init__(self):
- BaseManager.register('get_task_queue')
- BaseManager.register('get_result_queue')
- server_addr='127.0.0.1'
- print('connect'+server_addr)
- self.m=BaseManager(address=(server_addr,8001),authkey='baike'.encode('utf-8'))
- self.m.connect()
- self.task=self.m.get_task_queue()
- self.result=self.m.get_result_queue()
- print(self.task)
- self.downloader=HtmlDownloader()
- self.parser=HtmlParser()
- print('initial finish')
-
- def crawl(self):
- while (True):
- try:
- if not self.task.empty():
- url=self.task.get()
- if url == 'end':
- print('stop spider1')
- self.result.put({'new_urls':'end','data':'end'})
- return
- print('working:'+url)#url
- content=self.downloader.download(url)
- new_urls,data=self.parser.parser(url,content)
- self.result.put({"new_urls":new_urls,"data":data})
- except Exception as e:
- print(e,url)
-
- if __name__=="__main__":
- spider=SpiderWork()
- spider.crawl()
复制代码
HtmlDownloader.py
- import requests
- import chardet
- class HtmlDownloader(object):
- def download(self,url):
- if url is None:
- return None
- user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0'
- headers={'User-Agent':user_agent}
- r=requests.get(url,headers=headers)
- if r.status_code is 200:
- r.encoding=chardet.detect(r.content)['encoding']
- return r.text
- return None
复制代码
HtmlParser.py
- import re
- from urllib import parse
- from bs4 import BeautifulSoup
- class HtmlParser(object):
- def parser(self,page_url,html_cont):
- if page_url is None or html_cont is None:
- return
-
- soup=BeautifulSoup(html_cont,'lxml')
-
- new_urls=self.getNewUrls(page_url,soup)
-
- new_data=self.getNewData(page_url,soup)
- return new_urls,new_data
-
- def getNewUrls(self,page_url,soup):
- new_urls=set()
- links=soup.find_all('a',href=re.compile(r'/item/.*'))
- for link in links:
- new_url=link['href']
- new_full_url=parse.urljoin(page_url,new_url)
- new_urls.add(new_full_url)
- return new_urls
-
- def getNewData(self,page_url,soup):
- data={}
- data['url']=page_url
- title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')
- data['title']=title.get_text()
- summary = soup.find('div',class_='lemma-summary')
- #获取到tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回
- data['summary']=summary.get_text()
- return data
复制代码
结果
建立.sh文件如下:
- #!/bin/bash
- rm -rf log/*
- rm -rf baike.html
- rm -rf new_urls.txt
- rm -rf old_urls.txt<br>
- python3 control/NodeManager.py &> log/control.log &
- for ((i=1;i<=10;i++))
- do
- python3 spider/SpiderWork.py &>log/spider$i.log &
- done
复制代码
启动主节点,然后启动10个从节点。将它们所产生的日志信息记录到log/下,并都是在后台运行的进程。
两分钟左右,完成约1900条的数据获取。
可能用到的命令:
kill -9 (ps aux | grep python | awk '{print2}')
!kill
等
可能用到的软件:
Eclipse的pydev进程调试。
最后
这代码里面真的有好多的细节文件,序列化操作与存储,md5的压缩方案等,都是值得思考的。 |
|