Go分布式爬虫(二十四)
文章目录
- 24 存储引擎
- 爬取结构化数据
-
- step1 从首页获取热门标签信息
- step2 获取图书列表
- step3 获取图书详情
- 完整规则
- 存储到MySQL
-
- 数据抽象
- 数据存储
- 存储引擎实现
- 存储引擎验证
-
- docker
- docker-compose
- 使用Navicat查看
- 使用DataGrip查看
24 存储引擎
爬虫项目的一个重要的环节就是把最终的数据持久化存储起来，数据可能会被存储到 MySQL、MongoDB、Kafka、Excel 等多种数据库、中间件或者是文件中。
之前我们爬取的案例比较简单，像是租房网站的信息等。但是实际情况下，我们的爬虫任务通常需要获取结构化的数据。例如一本书的信息就包含书名、价格、出版社、简介、评分等。为了生成结构化的数据，这里豆瓣图书为例书写我们的任务规则。
爬取结构化数据
step1 从首页获取热门标签信息
const regexpStr = `([^<]+)`
func ParseTag(ctx *collect.Context) (collect.ParseResult, error) {
re := regexp.MustCompile(regexpStr)
matches := re.FindAllSubmatch(ctx.Body, -1)
result := collect.ParseResult{}
for _, m := range matches {
result.Requesrts = append(
result.Requesrts, &collect.Request{
Method: "GET",
Task: ctx.Req.Task,
Url: "" + string(m[1]),
Depth: ctx.Req.Depth + 1,
RuleName: "书籍列表",
})
}
return result, nil
}
step2 获取图书列表
const BooklistRe = `
func ParseBookList(ctx *collect.Context) (collect.ParseResult, error) {
re := regexp.MustCompile(BooklistRe)
matches := re.FindAllSubmatch(ctx.Body, -1)
result := collect.ParseResult{}
for _, m := range matches {
req := &collect.Request{
Method: "GET",
Task: ctx.Req.Task,
Url: string(m[1]),
Depth: ctx.Req.Depth + 1,
RuleName: "书籍简介",
}
//获取到书名之后，将书名缓存到了临时的 tmp 结构中供下一个阶段读取。
//这是因为我们希望得到的某些信息是在之前的阶段获得的。
req.TmpData = &collect.Temp{}
req.TmpData.Set("book_name", string(m[2]))
result.Requesrts = append(result.Requesrts, req)
}
return result, nil
}
// 缓存结构定义为了一个哈希表，并封装了 Get 与 Set 两个函数来获取和设置请求中的缓存。
type Temp struct {
data map[string]interface{}
}
// 返回临时缓存数据
func (t *Temp) Get(key string) interface{} {
return t.data[key]
}
func (t *Temp) Set(key string, value interface{}) error {
if t.data == nil {
t.data = make(map[string]interface{}, 8)
}
t.data[key] = value
return nil
}
step3 获取图书详情
最后，点击图书的详情页，可以看到图书的作者、出版社、页数、定价、得分、价格、简介等信息。
var autoRe = regexp.MustCompile(` 作者:[\d\D]*?([^<]+)` )
var public = regexp.MustCompile(`出版社:([^<]+)
`)
var pageRe = regexp.MustCompile(`页数: ([^<]+)
`)
var priceRe = regexp.MustCompile(`定价:([^<]+)
`)
var scoreRe = regexp.MustCompile(`([^<]+)`)
var intoRe = regexp.MustCompile(`[\d\D]*?([^<]+)
`)
func ParseBookDetail(ctx *collect.Context) (collect.ParseResult, error) {
bookName := ctx.Req.TmpData.Get("book_name")
page, _ := strconv.Atoi(ExtraString(ctx.Body, pageRe))
book := map[string]interface{}{
"书名": bookName,
"作者": ExtraString(ctx.Body, autoRe),
"页数": page,
"出版社": ExtraString(ctx.Body, public),
"得分": ExtraString(ctx.Body, scoreRe),
"价格": ExtraString(ctx.Body, priceRe),
"简介": ExtraString(ctx.Body, intoRe),
}
data := ctx.Output(book)
result := collect.ParseResult{
Items: []interface{}{data},
}
return result, nil
}
func ExtraString(contents []byte, re *regexp.Regexp) string {
match := re.FindSubmatch(contents)
if len(match) >= 2 {
return string(match[1])
} else {
return ""
}
}
其中，书名是从缓存中得到的。这里仍然使用了正则表达式作为演示，你也可以改为使用更合适的 CSS 选择器。
完整规则
var DoubanBookTask = &collect.Task{
Property: collect.Property{
Name: "douban_book_list",
WaitTime: 1 * time.Second,
MaxDepth: 5,
Cookie: "xxx"
},
Rule: collect.RuleTree{
Root: func() ([]*collect.Request, error) {
roots := []*collect.Request{
&collect.Request{
Priority: 1,
Url: "" ,
Method: "GET",
RuleName: "数据tag",
},
}
return roots, nil
},
Trunk: map[string]*collect.Rule{
"数据tag": &collect.Rule{ParseFunc: ParseTag},
"书籍列表": &collect.Rule{ParseFunc: ParseBookList},
"书籍简介": &collect.Rule{
ItemFields: []string{
"书名",
"作者",
"页数",
"出版社",
"得分",
"价格",
"简介",
},
ParseFunc: ParseBookDetail,
},
},
},
}
存储到MySQL
数据抽象
这里将数据抽象成DataCell, 其key定义如下
-
Task: 存储当前任务名
-
Rule: 存储当前的规则名
-
Url: 存储当前网址
-
Time: 存储当前时间
-
Data: 存储当前核心数据,即书籍详细信息
- Data对应的数据结构又是一个哈希表 map[string]interface{}。
- 在这个哈希表中，Key 为“书名”“评分”等字段名，Value 为字段对应的值。
- Data 对应的 Value 不一定需要是 map[string]interface{}，只要我们在后面能够灵活地处理不同的类型就可以了。
type DataCell struct {
Data map[string]interface{}
}
输出方法
func (c *Context) Output(data interface{}) *collector.DataCell {
res := &collector.DataCell{}
res.Data = make(map[string]interface{})
res.Data["Task"] = c.Req.Task.Name
res.Data["Rule"] = c.Req.RuleName
res.Data["Data"] = data
res.Data["Url"] = c.Req.Url
res.Data["Time"] = time.Now().Format("2006-01-02 15:04:05")
return res
}
数据存储
然后在 HandleResult 方法中对解析后的数据进行存储。
循环遍历 Items，判断其中的数据类型，如果数据类型为 DataCell，我们就要用专门的存储引擎将这些数据存储起来。（存储引擎是和每一个爬虫任务绑定在一起的，不同的爬虫任务可能会有不同的存储引擎。）
func (s *Crawler) HandleResult() {
for {
select {
case result := <-s.out:
for _, item := range result.Items {
switch d := item.(type) {
case *collector.DataCell:
name := d.GetTaskName()
task := Store.Hash[name]
task.Storage.Save(d)
}
s.Logger.Sugar().Info("get result: ", item)
}
}
}
}
这里选择使用比较常见的 MySQL 数据库作为这个示例的存储引擎。
创建了一个接口 Storage 作为数据存储的接口，Storage 中包含了 Save 方法，任何实现了 Save 方法的后端引擎都可以存储数据。
type Storage interface {
Save(datas ...*DataCell) error
}
不过我们还需要完成一轮抽象，因为后端引擎会处理的事务比较繁琐，它不仅仅包含了存储，还包含了缓存、对表头的拼接、数据的处理等。所以，我们要创建一个更加底层的模块，只进行数据的存储。
这个底层抽象的好处在于，我们可以比较灵活地替换底层的存储模块，我在这个例子中使用了原生的 MySQL 语句来与数据库交互。你也可以使用 Xorm 与 Gorm 这样的库来操作数据库。
新建一个文件夹 mysqldb，设置操作数据库的接口 DBer，里面的两个核心函数分别是 CreateTable（创建表）以及 Insert（插入数据）。
type DBer interface {
CreateTable(t TableData) error //TableData 包含了表的元数据
Insert(t TableData) error
}
type Field struct {
Title string
Type string
}
type TableData struct {
TableName string // 表名
ColumnNames []Field // 字段名和字段的属性
Args []interface{} // 数据
DataCount int // 插入数据的数量
AutoKey bool // 标识是否为表创建自增主键
}
下面这段代码，我们使用 option 模式生成了 SqlDB 结构体，实现了 DBer 接口。Sqldb.OpenDB 方法用于与数据库建立连接，需要从外部传入远程 MySQL 数据库的连接地址。
type MySQLDb struct {
options
db *sql.DB
}
func New(opts ...Option) (*MySQLDb, error) {
options := defaultOptions
for _, opt := range opts {
opt(&options)
}
d := &MySQLDb{}
d.options = options
if err := d.OpenDB(); err != nil {
return nil, err
}
return d, nil
}
func (d *MySQLDb) OpenDB() error {
db, err := sql.Open("mysql", d.sqlUrl)
if err != nil {
return err
}
db.SetMaxOpenConns(2048)
db.SetMaxIdleConns(2048)
if err = db.Ping(); err != nil {
return err
}
d.db = db
return nil
}
// 创建表
func (d *MySQLDb) CreateTable(t TableData) error {
if len(t.ColumnNames) == 0 {
return errors.New("Column can not be empty")
}
sql := `CREATE TABLE IF NOT EXISTS ` + t.TableName + " ("
if t.AutoKey {
sql += `id INT(12) NOT NULL PRIMARY KEY AUTO_INCREMENT,`
}
for _, t := range t.ColumnNames {
sql += t.Title + ` ` + t.Type + `,`
}
sql = sql[:len(sql)-1] + `) ENGINE=MyISAM DEFAULT CHARSET=utf8;`
d.logger.Debug("crate table", zap.String("sql", sql))
_, err := d.db.Exec(sql)
return err
}
// 插入操作
func (d *MySQLDb) Insert(t TableData) error {
if len(t.ColumnNames) == 0 {
return errors.New("empty column")
}
sql := `INSERT INTO ` + t.TableName + `(`
for _, v := range t.ColumnNames {
sql += v.Title + ","
}
sql = sql[:len(sql)-1] + `) VALUES `
blank := ",(" + strings.Repeat(",?", len(t.ColumnNames))[1:] + ")"
sql += strings.Repeat(blank, t.DataCount)[1:] + `;`
d.logger.Debug("insert table", zap.String("sql", sql))
_, err := d.db.Exec(sql, t.Args...)
return err
}
存储引擎实现
package sqlstorage
import (
"encoding/json"
"github.com/funbinary/crawler/collector"
"github.com/funbinary/crawler/engine"
"github.com/funbinary/crawler/mysqldb"
"go.uber.org/zap"
)
// 实现 Storage 接口的实现
type MySQLStore struct {
dataDocker []*collector.DataCell //分批输出结果缓存
columnNames []mysqldb.Field // 标题字段
db mysqldb.DBer
Table map[string]struct{}
options // 选项
}
func New(opts ...Option) (*MySQLStore, error) {
options := defaultOptions
for _, opt := range opts {
opt(&options)
}
s := &MySQLStore{}
s.options = options
s.Table = make(map[string]struct{})
var err error
s.db, err = mysqldb.New(
mysqldb.WithConnUrl(s.sqlUrl),
mysqldb.WithLogger(s.logger),
)
if err != nil {
return nil, err
}
return s, nil
}
func (s *MySQLStore) Save(dataCells ...*collector.DataCell) error {
// 循环遍历要存储的 DataCell，并判断当前 DataCell 对应的数据库表是否已经被创建。
for _, cell := range dataCells {
name := cell.GetTableName()
if _, ok := s.Table[name]; !ok {
// 创建表
columnNames := getFields(cell)
err := s.db.CreateTable(mysqldb.TableData{
TableName: name,
ColumnNames: columnNames,
AutoKey: true,
})
if err != nil {
s.logger.Error("create table falied", zap.Error(err))
}
s.Table[name] = struct{}{}
}
// 如果当前的数据小于 s.BatchCount，则将数据放入到缓存中直接返回（使用缓冲区批量插入数据库可以提高程序的性能）。
if len(s.dataDocker) >= s.BatchCount {
s.Flush()
}
// 如果缓冲区已经满了，则调用 SqlStore.Flush() 方法批量插入数据。
s.dataDocker = append(s.dataDocker, cell)
}
return nil
}
// getFields 用于获取当前数据的表字段与字段类型，这是从采集规则节点的 ItemFields 数组中获得的。
// 为什么不直接用 DataCell 中 Data 对应的哈希表中的 Key 生成字段名呢？
// 这一方面是因为它的速度太慢，另外一方面是因为 Go 中的哈希表在遍历时的顺序是随机的，而生成的字段列表需要顺序固定。
func getFields(cell *collector.DataCell) []mysqldb.Field {
taskName := cell.Data["Task"].(string)
ruleName := cell.Data["Rule"].(string)
fields := engine.GetFields(taskName, ruleName)
var columnNames []mysqldb.Field
for _, field := range fields {
columnNames = append(columnNames, mysqldb.Field{
Title: field,
Type: "MEDIUMTEXT",
})
}
columnNames = append(columnNames,
mysqldb.Field{Title: "Url", Type: "VARCHAR(255)"},
mysqldb.Field{Title: "Time", Type: "VARCHAR(255)"},
)
return columnNames
}
// Flush 核心是遍历缓冲区，解析每一个 DataCell 中的数据，将扩展后的字段值批量放入 args 参数中，
// 并调用底层 DBer.Insert 方法批量插入数据
func (s *MySQLStore) Flush() error {
if len(s.dataDocker) == 0 {
return nil
}
args := make([]interface{}, 0)
for _, datacell := range s.dataDocker {
ruleName := datacell.Data["Rule"].(string)
taskName := datacell.Data["Task"].(string)
fields := engine.GetFields(taskName, ruleName)
data := datacell.Data["Data"].(map[string]interface{})
value := []string{}
for _, field := range fields {
v := data[field]
switch v.(type) {
case nil:
value = append(value, "")
case string:
value = append(value, v.(string))
default:
j, err := json.Marshal(v)
if err != nil {
value = append(value, "")
} else {
value = append(value, string(j))
}
}
}
value = append(value, datacell.Data["Url"].(string), datacell.Data["Time"].(string))
for _, v := range value {
args = append(args, v)
}
}
return s.db.Insert(mysqldb.TableData{
TableName: s.dataDocker[0].GetTableName(),
ColumnNames: getFields(s.dataDocker[0]),
Args: args,
DataCount: len(s.dataDocker),
})
}
存储引擎验证
接下来我们使用运行MySQL, 下面给出两种运行方式:
docker
docker run -d --name mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=123456 mysql
参数说明:
-
-d: 在run后面加上-d参数,则会创建一个守护式容器在后台运行(这样创建容器后不 会自动登录容器，如果只加-i -t 两个参数，创建后就会自动进去容器)。
-
-p: 表示端口映射，前者是宿主机端口，后者是容器内的映射端口。可以使用多个-p 做多个端口映射
-
-e: 为容器设置环境变量
-
MYSQL_ROOT_PASSWORD 是MySQL初始root密码, 此变量是必须的 -
MYSQL_DATABASE 此变量是可选的，允许您指定要在映像启动时创建的数据库的名称。如果提供了用户/密码（见下文），则该用户将被授予对此数据库的超级用户访问权限（对应于 GRANT ALL``）。 -
MYSQL_USER和 MYSQL_PASSWORD这些变量是可选的，与创建新用户和设置该用户的密码结合使用。此用户将被授予对变量指定的数据库的超级用户权限（见上文）。这两个变量都是创建用户所必需的。MYSQL_DATABASE -
MYSQL_ALLOW_EMPTY_PASSWORD : 这是一个可选变量。设置为非空值（如 ），以允许使用 root 用户的空白密码启动容器。注意：除非您真的知道自己在做什么，否则不建议将此变量设置为 ，因为这会使您的 MySQL 实例完全不受保护，从而允许任何人获得完整的超级用户访问权限。 -
MYSQL_RANDOM_ROOT_PASSWORD: 这是一个可选变量。设置为非空值，如 ，为 root 用户生成随机初始密码（使用 ）。生成的根密码将打印到 stdout （）。 -
MYSQL_ONETIME_PASSWORD : 初始化完成后，将 root（而不是 ！中指定的用户）用户设置为已过期，强制在首次登录时更改密码。任何非空值都将激活此设置。注意：此功能仅在MySQL 5.6 +上受支持。在MySQL 5.5上使用此选项将在初始化期间引发适当的错误。 -
MYSQL_INITDB_SKIP_TZINFO : 默认情况下，入口点脚本会自动加载函数所需的时区数据。如果不需要，任何非空值都会禁用时区加载。CONVERT_TZ()
-
docker-compose
version: '3.1'
services:
db:
image: mysql
command: --default-authentication-plugin=mysql_native_password
restart: always
volumes:
- D:\data\mysql:/var/lib/mysql
ports:
- 3306:3306
environment:
MYSQL_ROOT_PASSWORD: 123456
adminer:
image: adminer
restart: always
ports:
- 8080:8080
使用Navicat查看
使用DataGrip查看
「此文章为4月Day8学习笔记，内容来源于极客时间《Go分布式爬虫实战》，强烈推荐该课程！/推荐该课程」