对于比较大型的爬虫来说,URL管理的管理是个核心问题,管理不好,就可能重复下载,也可能遗漏下载。这里,我们设计一个URL池来管理URL。
这个URL池就是一个生产者 - 消费者模式:
依葫芦画瓢,URLPool就是这样的
我们从网址池的使用目的出发来设计网址池的接口,它应该具有以下功能:
- 往池子里面添加URL;
- 从池子里面取URL以下载;
- 池子内部要管理URL状态;
前面我提到的网址的状态有以下4中:
- 已经下载成功
- 下载多次失败无需再下载
- 正在下载
- 下载失败要再次尝试
前两个是永久状态,也就是已经下载成功的不再下载,多次尝试后仍失败的也就不再下载,它们需要永久存储起来,以便爬虫重启后,这种永久状态记录不会消失,已经成功下载的网址不再被重复下载永久存储的方法有很多种:
比如,直接写入文本文件,但它不利于查找某个URL是否已经存在文本中;
比如,直接写入的MySQL等关系型数据库,它利用查找,但是速度又比较慢,
比如,使用键值数据库,查找和速度都符合要求,是不错的选择!
我们这个URL池选用LevelDB来作为URL状态的永久存储.LevelDB是谷歌开源的一个键值数据库,速度非常快,同时自动压缩数据。我们用它先来实现一个UrlDB作为永久存储数据库。
UrlDB的实现
import leveldb
class UrlDB:
'''Use LevelDB to store URLs what have been done(succeed or faile)
'''
status_failure = b'0'
status_success = b'1'
def __init__(self, db_name):
self.name = db_name + '.urldb'
self.db = leveldb.LevelDB(self.name)
def load_from_db(self, status):
urls = []
for url, _status in self.db.RangeIter():
if status == _status:
urls.append(url)
return urls
def set_success(self, url):
if isinstance(url, str):
url = url.encode('utf8')
try:
self.db.Put(url, self.state_success)
s = True
except:
s = False
return s
def set_failure(self, url):
if isinstance(url, str):
url = url.encode('utf8')
try:
self.db.Put(url, self.status_failure)
s = True
except:
s = False
return s
def has(self, url):
if isinstance(url, str):
url = url.encode('utf8')
try:
attr = self.db.Get(url)
return attr
except:
pass
return False
UrlDB将被UrlPool使用,主要有三个方法被使用:
- has(url)查看是否已经存在某url
- set_success(url)存储url状态为成功
- set_failure(url)存储url状态为失败
UrlPool的实现
而正在下载和下载失败次数这两个URL的状态只需暂时保存在内容即可,我们把它们放到UrlPool这个类中进行管理接着我们来实现网址池:
#Author: veelion
import pickle
import leveldb
import time
import urllib.parse as urlparse
class UrlPool:
'''URL Pool for crawler to manage URLs
'''
def __init__(self, pool_name):
self.name = pool_name
self.db = UrlDB(pool_name)
self.pool = {} # host: set([urls]), 记录待下载URL
self.pending = {} # url: pended_time, 记录已被pend但还未被更新状态(正在下载)的URL
self.failure = {} # url: times, 记录失败的URL的次数
self.failure_threshold = 3
self.pending_threshold = 60 # pending的最大时间,过期要重新下载
self.in_mem_count = 0
self.max_hosts = ['', 0] # [host: url_count] 目前pool中url最多的host及其url数量
self.hub_pool = {} # {url: last_query_time}
self.hub_refresh_span = 0
self.load_cache()
def load_cache(self,):
path = self.name + '.pkl'
try:
with open(path, 'rb') as f:
self.pool = pickle.load(f)
cc = [len(v) for k, v in self.pool]
print('saved pool loaded! urls:', sum(cc))
except:
pass
def set_hubs(self, urls, hub_refresh_span):
self.hub_refresh_span = hub_refresh_span
self.hub_pool = {}
for url in urls:
self.hub_pool[url] = 0
def set_status(self, url, status_code):
if url in self.pending:
self.pending.pop(url)
if status_code == 200:
self.db.set_success(url)
return
if status_code == 404:
self.db.set_failure(url)
return
if url in self.failure:
self.failure[url] += 1
if self.failure[url] > self.failure_threshold:
self.db.set_failure(url)
self.failure.pop(url)
else:
self.add(url)
else:
self.failure[url] = 1
def push_to_pool(self, url):
host = urlparse.urlparse(url).netloc
if not host or '.' not in host:
print('try to push_to_pool with bad url:', url, ', len of ur:', len(url))
return False
if host in self.pool:
if url in self.pool[host]:
return True
self.pool[host].add(url)
if len(self.pool[host]) > self.max_hosts[1]:
self.max_hosts[1] = len(self.pool[host])
self.max_hosts[0] = host
else:
self.pool[host] = set([url])
self.in_mem_count += 1
return True
def add(self, url, always):
if always:
return self.push_to_pool(url)
pended_time = self.pending.get(url, 0)
if time.time() - pended_time < self.pending_threshold:
print('being downloading:', url)
return
if self.db.has(url):
return
if pended_time:
self.pending.pop(url)
return self.push_to_pool(url)
def addmany(self, urls, always=False):
if isinstance(urls, str):
print('urls is a str !!!!', urls)
self.add(urls, always)
else:
for url in urls:
self.add(url, always)
def pop(self, count, hubpercent=50):
print('\n\tmax of host:', self.max_hosts)
# 取出的url有两种类型:hub=1, 普通=2
url_attr_url = 0
url_attr_hub = 1
# 1\. 首先取出hub,保证获取hub里面的最新url.
hubs = {}
hub_count = count * hubpercent // 100
for hub in self.hub_pool:
span = time.time() - self.hub_pool[hub]
if span < self.hub_refresh_span:
continue
hubs[hub] = url_attr_hub # 1 means hub-url
self.hub_pool[hub] = time.time()
if len(hubs) >= hub_count:
break
# 2\. 再取出普通url
# 如果某个host有太多url,则每次可以取出3(delta)个它的url
if self.max_hosts[1] * 10 > self.in_mem_count:
delta = 3
print('\tset delta:', delta, ', max of host:', self.max_hosts)
else:
delta = 1
left_count = count - len(hubs)
urls = {}
for host in self.pool:
if not self.pool[host]:
# empty_host.append(host)
continue
if self.max_hosts[0] == host:
while delta > 0:
url = self.pool[host].pop()
self.max_hosts[1] -= 1
if not self.pool[host]:
break
delta -= 1
else:
url = self.pool[host].pop()
urls[url] = url_attr_url
self.pending[url] = time.time()
if len(urls) >= left_count:
break
self.in_mem_count -= len(urls)
print('To pop:%s, hubs: %s, urls: %s, hosts:%s' % (count, len(hubs), len(urls), len(self.pool)))
urls.update(hubs)
return urls
def size(self,):
return self.in_mem_count
def empty(self,):
return self.in_mem_count == 0
def __del__(self):
path = self.name + '.pkl'
try:
with open(path, 'wb') as f:
pickle.dump(self.pool, f)
print('self.pool saved!')
except:
pass
UrlPool的实现有些复杂,且听我一一分解。
UrlPool的使用
先看看它的主要成员及其用途:
- self.db是一个UrlDB的示例,用来永久存储url的永久状态
- self.pool是用来存放url的,它是一个字典(dict)结构,key是url的主机,值是一个用来存储这个主机的所有url的集合(set)。
- self.pending用来管理正在下载的url状态。它是一个字典结构,key是url,value是它被pop的时间戳。当一个url被pop()时,就是它被下载的开始。当该url被set_status()时,就是下载结束的时刻。如果一个url被添加()入池时,发现它已经被套的时间超过pending_threshold时,就可以再次入库等待被下载。否则,暂不入池。
- self.failue是一个字典,key是url,value是识别的次数,超过failure_threshold就会被永久记录为失败,不再尝试下载。
- hub_pool是一个用来存储hub page面的字典,key是hub url,value是上次刷新该hub页面的时间。
以上成员就构成了我们这个网址池的数据结构,再通过以下成员方法对这个网址池进行操作:
1. load_cache()和dump_cache()对网址池进行缓存
load_cache()在init()中调用,创建池的时候,尝试去加载上次退出时缓存的URL池;
dump_cache()在del()中调用,也就是在网址池销毁前(比如爬虫意外退出),把内存中的URL pool缓存到硬盘。
这里使用了pickle模块,这是一个把内存数据序列化到硬盘的工具。
** 2. set_hubs()方法设置hub URL **
hub网页就是像百度新闻那样的页面,整个页面都是新闻的标题和链接,是我们真正需要的新闻的聚合页面,并且这样的页面会不断更新,把最新的新闻聚合到这样的页面,我们称它们为hub页面,其URL就是hub url。在新闻爬虫中添加大量的这样的url,有助于爬虫及时发现并抓取最新的新闻。
该方法就是将这样的hub url列表传给网址池,在爬虫从池中取URL时,根据时间间隔(self.hub_refresh_span)来取集枢纽网址。
** 3. add(),addmany(),push_to_pool()对网址池进行入池操作**
把url放入网址池时,先检查内存中的self.pending是否存在该url,即是否正在下载该。网址如果正在下载就不入池;如果正下载或已经超时,就进行到下一步;
接着检查该网址是否已经在性LevelDB中存在,存在就表明之前已经成功下载或彻底失败,不再下载了也不入池。如果没有则进行到下一步;
最后通过push_to_pool()把url放入self.pool中。存放的规则是,按照url的主机进行分类,相同主机的url放到一起,在取出时 -个主取一个url,尽量保证每次取出的一批url都是指向不同的服务器的,这样做的目的也是为了尽量减少对抓取目标服务器的请求压力。力争做一个服务器友好的爬虫O(∩∩ _∩)O
** 4. pop()对网址池进行出池操作**
爬虫通过该方法,从网址池中获取一批url去下载。取出url分两步:
第一步,先从self.hub_pool中获得,方法是遍历hub_pool,检查每个集线器-URL距上次被弹出的时间间隔是否超过毂页面刷新间隔(self.hub_refresh_span),来决定毂-URL是否应该被弹出。
第二步,从self.pool中获取。前面push_to_pool中,介绍了流行的原则,就是每次取出的一批URL都是指向不同服务器的,有了self.pool的特殊数据结构,安装这个原则获取网址就简单了,按主机(自我.pool的键)遍历self.pool即可。
** 5. set_status()方法设置网址池中url的状态**
其参数status_code是http响应的状态码。爬虫在下载完URL后进行url状态设置。
首先,把该url成self.pending中删除,已经下载完毕,不再是未决状态;
接着,根据STATUS_CODE来设置URL状态,200和404的直接设置为永久状态;其它状态就记录失败次数,并再次入池进行后续下载尝试。
通过以上成员变量和方法,我们把这个网址池(UrlPool)解析的清清楚楚。小猿们可以毫不客气的收藏起来,今后在写爬虫时可以用它方便的管理URL,并且这个实现只有一个PY文件,方便加入到任何项目中。
爬虫知识点
1.网址的管理
网址的管理,其目的就是为了:不重抓,不漏抓。
2. pickle模块
把内存数据保存到硬盘,再把硬盘数据重新加载到内存,这是很多程序停止和启动的必要步骤.pickle就是实现数据在内存和硬盘之间转移的模块。
3. leveldb模块
这是一个经典且强大的硬盘型key-value数据库,非常适合url-status这种结构的存储。
4. urllib.parse
解析网址的模块,在处理url时首先想到的模块就应该是它。
如果你依然在编程的世界里迷茫,不知道自己的未来规划,可以加入我们的Python学习扣qun:784758214,看看前辈们是如何学习的!交流经验!
自己是一名高级python开发工程师,从基础的python脚本到web开发、爬虫、django、人工智能、数据挖掘等,零基础到项目实战的资料都有整理。
送给每一位python的小伙伴!分享一些学习的方法和需要注意的小细节,这里是python学习者聚集地
点击:python技术分享