分布式爬虫爬取静态数据
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()
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())
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()
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
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=1800style='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()
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()
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
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
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
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。 太好了，谢谢！ :loveliness:，great！ 厉害，感谢分享
页:
[1]