记录学习python的日常 分布式爬虫

首先创建分布式管理：管理内得到的队列 注册到网络上 然后暴露网络

url管理进程 针对每一个url进行分析 操作 url_manager_proc()

判断url类中是否有新的链接 有的话塞入url_q队列中

判断在conn_q队列中有没有新的内容 有的话 塞入url类中

result_solve_proc 主要是从爬虫调度器中出来的数据 爬虫调度器每一条url中爬出来的信息 依次塞入 result_q队列

有关新url 的 放入 conn_q队列

数据则放入数据储存队列 store_q

store_proc 主要是处理store_q 队列中的内容 依次存储数据库或本地

from multiprocessing.managers import BaseManager
import time

from multiprocessing import Process, Queue

from DataOutputNew import DataOutputNew
from URLManagerNew import UrlManagerNew

# 首先创建分布式管理：管理内得到的队列 注册到网络上 然后暴露网络

# url管理进程  针对每一个url进行分析 操作  url_manager_proc()
# 判断url类中是否有新的链接 有的话塞入url_q队列中
# 判断在conn_q队列中有没有新的内容 有的话 塞入url类中

# result_solve_proc  主要是从爬虫调度器中出来的数据  爬虫调度器每一条url中爬出来的信息 依次塞入 result_q队列
# 有关新url 的 放入 conn_q队列
# 数据则放入数据储存队列 store_q

# store_proc  主要是处理store_q 队列中的内容 依次存储数据库或本地

class NodeManage(object):
    # 创造分布式管理
    def star_Manager(self,url_q,result_q):
        # 把创建的两个队列注册在网络上，利用register方法，callable参数关联了Queue对象，
        # 将Queue对象在网络中暴露
        BaseManager.register('get_task_queue', callable=lambda: url_q)
        BaseManager.register('get_result_queue', callable=lambda: result_q)
        manager = BaseManager(address=('',8001),authkey=b'ceshi')
        return manager

    # URL管理进程将从conn_
    # q队列获取到的新URL提交给URL管理器，经过去重之后，取出url放到url_queue 给爬虫调度
    # conn_q 新的url
    def url_manager_proc(self,url_q,conn_q,root_url):
        url_manager = UrlManagerNew()
        url_manager.add_new_url(root_url)
        while True:
            while(url_manager.has_new_url()):
                #从URL管理器获取新的url
                new_url = url_manager.get_new_url()
                #将新的URL发给工作节点
                url_q.put(new_url)
                print ('old_url=',url_manager.old_url_size())
                #加一个判断条件，当爬去2000个链接后就关闭,并保存进度
                if(url_manager.old_url_size()>100):
                    #通知爬行节点工作结束
                    url_q.put('end')
                    print ('控制节点发起结束通知!')
                    #关闭管理节点，同时存储set状态
                    url_manager.save_progress('new_urls.txt',url_manager.new_urls)
                    url_manager.save_progress('old_urls.txt',url_manager.old_urls)
                    return
            #将从result_solve_proc获取到的urls添加到URL管理器之间
            try:
                if not conn_q.empty():
                    urls = conn_q.get()
                    url_manager.add_new_urls(urls)
            except :
                time.sleep(0.1)#延时休息

    # 数据提取进程从result_queue
    # 队列读取返回的数据，并将数据中的URL添加到conn_q.
    # 队列交给URL管理进程, 将数据中的文章标题和摘要添加到store_q队列交给数据存储进程。
    # store_q存储进程队列
    def result_solve_proc(self,result_q,conn_q,store_q):
        while(True):
            try:
                if not result_q.empty():
                    content = result_q.get(True)
                    if content['new_urls']=='end':
                        #结果分析进程接受通知然后结束
                        print ('结果分析进程接受通知然后结束!')
                        store_q.put('end')
                        return
                    conn_q.put(content['new_urls'])#url为set类型
                    store_q.put(content['data'])#解析出来的数据为dict类型
                else:
                    time.sleep(0.1)#延时休息
            except :
                time.sleep(0.1)#延时休息


    def store_proc(self,store_q):
        output = DataOutputNew()
        while True:
            if not store_q.empty():
                data = store_q.get()
                if data=='end':
                    print ('存储进程接受通知然后结束!')
                    output.ouput_end(output.filepath)
                    return
                output.store_data(data)
            else:
                time.sleep(0.1)
        pass


if __name__=='__main__':
    #初始化4个队列

    url_q = Queue()
    result_q = Queue()
    store_q = Queue()
    conn_q = Queue()
    # 创建分布式应用
    node = NodeManage()
    manager = node.star_Manager(url_q,result_q)
    #创建URL管理进程、 数据提取进程和数据存储进程
    url_manager_proc = Process(target=node.url_manager_proc, args=(url_q,conn_q,'http://baike.baidu.com/item/网络爬虫',))
    result_solve_proc = Process(target=node.result_solve_proc, args=(result_q,conn_q,store_q,))
    store_proc = Process(target=node.store_proc, args=(store_q,))
    #启动3个进程和分布式管理器
    url_manager_proc.start()
    result_solve_proc.start()
    store_proc.start()
    manager.get_server().serve_forever()

爬虫调度器代码

#coding:utf-8
from multiprocessing.managers import BaseManager

from HtmlDownloader import HtmlDownloader
from HtmlParser import HtmlParser


class SpiderWork(object):
    def __init__(self):
        #初始化分布式进程中的工作节点的连接工作
        # 实现第一步：使用BaseManager注册获取Queue的方法名称
        BaseManager.register('get_task_queue')
        BaseManager.register('get_result_queue')
        # 实现第二步：连接到服务器:
        server_addr = '127.0.0.1'
        print('Connect to server %s...' % server_addr)
        # 端口和验证口令注意保持与服务进程设置的完全一致:
        self.m = BaseManager(address=(server_addr, 8001), authkey=b'ceshi')
        # 从网络连接:
        self.m.connect()
        # 实现第三步：获取Queue的对象:
        self.task = self.m.get_task_queue()
        self.result = self.m.get_result_queue()
        #初始化网页下载器和解析器
        self.downloader = HtmlDownloader()
        self.parser = HtmlParser()
        print ('init finish')

    def crawl(self):
        while(True):
            try:
                if not self.task.empty():
                    url = self.task.get()

                    if url =='end':
                        print ('控制节点通知爬虫节点停止工作...')
                        #接着通知其它节点停止工作
                        self.result.put({'new_urls':'end','data':'end'})
                        return
                    print ('爬虫节点正在解析:%s'%url.encode('utf-8'))
                    content = self.downloader.download(url)
                    new_urls,data = self.parser.parser(url,content)
                    self.result.put({"new_urls":new_urls,"data":data})
            except EOFError:
                print ("连接工作节点失败")
                return





if __name__=="__main__":
    spider = SpiderWork()
    spider.crawl()

URL管理器代码

import pickle
import  hashlib
class UrlManagerNew(object):
    def __init__(self):
        self.new_urls = self.load_progress('new_urls.txt')
        self.old_urls = self.load_progress('old_urls.txt')

    def load_progress(self,path):
        """
        从本地文件加载进度
        :param path:
        :return:  返回set集合
        """
        print('[+]从文件加载进度: %s' % path)
        try:
            with open(path,'rb') as f:
                tmp = pickle.load(f)
                return tmp
        except:
            print('[!] 无进度文件，创建%s' % path)
        return set()

    def save_progress(self,path,data):
        """
        保存进度
        :param path:文件路径
        :param data: 数据
        :return:
        """
        with open(path,'wb') as f:
            pickle.dump(data,f)

    def has_new_url(self):
        return self.new_url_size() != 0

    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("utf8"))
        murl_md5 = m.hexdigest()[8:-8]
        if murl_md5 not in self.new_urls and murl_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)

    def new_url_size(self):
        return len(self.new_urls)

    def old_url_size(self):
        return len(self.old_urls)

存储器代码

import codecs
import time
class DataOutputNew(object):

    def __init__(self):
        self.filepath = 'baike_%s.html' %(time.strftime("%Y_%m_%d_%H_%M_%S",time.localtime()))
        self.output_head(self.filepath)
        self.datas = []

    def store_data(self,data):
        if data is None:
            return
        self.datas.append(data)
        if len(self.datas) > 10:
            self.output_html(self.filepath)

    def output_head(self,path):
        fout = codecs.open(path,'w',encoding='utf-8')
        fout.write("<html>")
        fout.write("<body>")
        fout.write("<table>")
        fout.close()

    def output_html(self,path):
        fout = codecs.open(path,'a',encoding='utf-8')
        for data in self.datas:
            fout.write("<tr>")
            fout.write("<td>%s</td>" % data['url'])
            fout.write("<td>%s</td>" % data['title'])
            fout.write("<td>%s</td>" % data['summary'])
            fout.write("</tr>")
            self.datas.remove(data)

        fout.close()

    def ouput_end(self,path):
        fout = codecs.open(path,'a',encoding='utf-8')
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</html>")
        fout.close()

html下载代码

import requests

class HtmlDownloader(object):

    def download(self,url):
        if url is None:
            return None
        user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
        headers = {'User-Agent': user_agent}
        r = requests.get(url, headers=headers)
        if r.status_code == 200:
            r.encoding = 'utf-8'
            return r.text
        return None

hTML解析代码

import re
import requests
import urllib.parse
from bs4 import BeautifulSoup
class HtmlParser(object):

    def parser(self,page_url,html_cont):
        '''
        用于解析网页内容，抽取url和数据
        :param page_url: 下载页面的url
        :param html_cont: 下载的网页内容
        :return: 返回url和数据
        '''
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont,'html.parser')

        new_urls = self._get_new_urls(page_url,soup)
        new_data = self._get_new_data(page_url,soup)
        return new_urls,new_data

    def _get_new_urls(self,page_url,soup):
        '''
        抽取新的url集合
        :param page_url:
        :param soup:
        :return:
        '''
        new_urls = set()
        links = soup.find_all('a',href=re.compile(r'/item/.*'))
        for link in links:
            new_url = link['href']
            new_full_url = urllib.parse.urljoin(page_url,new_url)
            new_urls.add(new_full_url)

        return new_urls

    def _get_new_data(self,page_url,soup):
        data = {}
        data['url'] = page_url
        print(page_url)

        title = soup.find('dd','lemmaWgt-lemmaTitle-title').find('h1')
        if (title != None):
            data['title'] = title.get_text()
        else:
            data['title'] = '没有标题'
        summary = soup.find('div','lemma-summary')
        if (summary != None):
            data['summary'] = summary.get_text()
        else:
            data['summary'] = '没有summary'
        return data


        # 运行服务进程
    #测试 下面是测试看单个逻辑是否能走通
# if __name__ == '__main__':
#     user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
#     headers = {'User-Agent': user_agent}
#     url = 'https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB'
#     r = requests.get(url, headers=headers)
#     soup = BeautifulSoup(r.text, 'html.parser')  # html.parser
#     # soup = BeautifulSoup(html_str,'html.parser')
#     new_urls = set()
#     links = soup.find_all('a', href=re.compile(r'/item/.*'))
#     for link in links:
#         new_url = link['href']
#         new_full_url = urllib.parse.urljoin(url, new_url)
#         new_urls.add(new_full_url)
#     print( new_urls)
#     print(soup)
#
#     data = {}
#     data['url'] = url
#     title = soup.find('dd','lemmaWgt-lemmaTitle-title').find('h1')
#     data['title'] = title.get_text()
#     print(data['title'])