知乎 Live 全文搜索之完成爬虫
2789284943
8年前
<p>看这篇文章前推荐阅读相关的如下文章：</p> <ol> <li> <p>使用API登录知乎并获得token</p> </li> <li> <p>知乎Live全文搜索之模型设计和爬虫实现</p> </li> <li> <p>知乎Live全文搜索之模型接口</p> </li> </ol> <p><strong>抓取话题信息</strong></p> <p>给新增的Topic提供数据。在parse_live_link中，解析到Live数据中包含了topic的id, 基于这个id拼链接，然后在fetch方法中添加对topic页面的处理，新增parse_topic_link方法：</p> <pre> <code class="language-python">TOPIC_API_URL = 'https://api.zhihu.com/topics/{}' class Crawler: def __init__(self, max_redirect=10, max_tries=4, max_tasks=10, *, loop=None): ... self.seen_topics = set() async def parse_topic_link(self, response): rs = await response.json() if response.status == 200: rs['avatar_url'] = await self.convert_local_image( rs['avatar_url'].replace('_s', '_r')) Topic.add_or_update(**flatten_live_dict(rs, TOPIC_KEYS)) async def parse_live_link(self, response): ... topics = live_dict.pop('topics') for topic in topics: topic_id = topic['id'] if topic_id not in self.seen_topics: self.seen_topics.add(topic_id) self.add_url(TOPIC_API_URL.format(topic_id), self.max_redirect) ... async def fetch(self, url, max_redirect): try: if 'api.zhihu.com' in url: parse_func = (self.parse_topic_link if 'topics' in url else self.parse_live_link) next_url = await parse_func(response) else: next_url = await self.parse_zhuanlan_link(response) ... </code></pre> <p>思考下，这是不是一种套路(模式)：</p> <ol> <li> <p>初始化一个已完成的url的集合</p> </li> <li> <p>启动一定量的worker，每个worker都在等待从队列获取要抓取的url</p> </li> <li> <p>一次性添加足量要抓取的链接到队列中，让每个worker都忙起来(执行前要确认之前没有抓取过)</p> </li> <li> <p>worker在parse处理中又会解析到新的要抓取的链接，放入队列</p> </li> <li> <p>worker消费任务，过程中也可能生产任务给自己或者其他worker来消费</p> </li> <li> <p>全部任务都完成了，通过 self.q.join() 结束</p> </li> <li> <p>停止这些worker，任务完成</p> </li> </ol> <p><strong>修改live灌suggest数据的方式</strong></p> <p>在上上篇我把相关字段的文本用analyze接口拆分成不同的token成为一个列表赋值给live_suggest，其实完全不需要这样，因为 Completion(analyzer=ik_analyzer) 就是做这个的。gen_suggests用最简单的input+weight就可以：</p> <pre> <code class="language-python">def gen_suggests(topics, tags, outline, username, subject): suggests = [{'input': item, 'weight': weight} for item, weight in ((topics, 10), (subject, 5), (outline, 3), (tags, 3), (username, 2)) if item] return suggests </code></pre> <p><strong>下载主讲人头像</strong></p> <p>小程序开发工具中不能直接使用知乎的图片资源，所以我只能下载下来并生成一个本地的图片地址：</p> <pre> <code class="language-python">import os IMAGE_FOLDER = 'static/images/zhihu' if not os.path.exists(IMAGE_FOLDER): os.mkdir(IMAGE_FOLDER) class Crawler: ... async def convert_local_image(self, pic): pic_name = pic.split('/')[-1] path = os.path.join(IMAGE_FOLDER, pic_name) if not os.path.exists(path): async with self.session.get(pic) as resp: content = await resp.read() with open(path, 'wb') as f: f.write(content) return path async def parse_live_link(self, response): ... for live in rs['data']: ... speaker = live.pop('speaker') speaker_id = speaker['member']['id'] speaker['member']['avatar_url'] = await self.convert_local_image( # noqa speaker['member']['avatar_url']) ... </code></pre> <p>这样User类中的avatar_url最后会变成 static/images/zhihu/v2-4db301967fffa08dfa727ff467170e_s.jpg 这样的地址了。未来我们将让sanic来提供静态资源服务。当然，也可以只存文件名，在接口返回前再去拼图片地址。</p> <p><strong>抓取专栏信息</strong></p> <p>知乎Live申请通过之后，主讲人可以写一篇专栏介绍Live，文章中带上Live的链接来导流，知乎Live官方也会收录这个Live的专栏文章。为了让微信小程序的效果更好，我想要抓专栏头图，并且保存专栏链接，希望在小城中能给跳转进去（以证明不可行）。下面我将遍历 知乎Live官方专栏 收录的专栏，解析每个专栏的标题，去ES里面匹配是不是有对应的subject匹配，如果匹配还会验证用户的hash值确保正确，如果没找到还会从Live正文中搜索live的链接的方式来匹配。</p> <p>看起来很绕，但是没办法啦，因为专栏和live没有明确的匹配关系，目测是知乎2个部门写的不同的系统。</p> <p>最后要提的是专栏的抓取和live的api不同，它不提供paging键，也就是返回内容中并不告诉你下一页的地址，所以需要我们人工的修改链接，这需要一个转化的函数：</p> <pre> <code class="language-python">from urllib.parse import urlparse, parse_qsl, urlunparse, urlencode def get_next_url(url): url_parts = list(urlparse(url)) query = dict(parse_qsl(url_parts[4])) query['offset'] = int(query['offset']) + int(query['limit']) url_parts[4] = urlencode(query) return urlunparse(url_parts) </code></pre> <p>这个方法在我实际工作中很常用：</p> <pre> <code class="language-python">In : get_next_url('http://dongwm.com?offset=10&limit=20') Out: 'http://dongwm.com?offset=30&limit=20' In : get_next_url('http://dongwm.com?offset=20&limit=30') Out: 'http://dongwm.com?offset=50&limit=30' </code></pre> <pre> <code class="language-python">ZHUANLAN_API_URL = 'https://zhuanlan.zhihu.com/api/columns/zhihulive/posts?limit=20&offset={offset}' LIVE_REGEX = re.compile(r'<a href="https://(www.)?zhihu.com/lives/(\d+)(.*)?"') # noqa class Crawler: def __init__(self, max_redirect=10, max_tries=4, max_tasks=10, *, loop=None): ... self.seen_zhuanlan = set() ... async def parse_zhuanlan_link(self, response): posts = await response.json() if response.status == 200 and posts: for post in posts: cover = post['titleImage'] if not cover: continue s = Live.search() title = post['title'] for sep in ('－', '—'): if sep in title: title = title.split(sep)[-1].strip() speaker_id = post['author']['hash'] zid = post['url'].split('/')[-1] s = s.query(Q('match_phrase', subject=title)) lives = await s.execute() for live in lives: if live.speaker and live.speaker.speaker_id == speaker_id: await self.update_live(zid, cover, live) break else: match = LIVE_REGEX.search(post['content']) if match: live_id = match.group(2) try: live = await Live.get(live_id) except NotFoundError: pass else: await self.update_live(zid, cover, live) return get_next_url(response.url) async def update_live(self, zid, cover, live): if live.id in self.seen_zhuanlan: return self.seen_zhuanlan.add(live.id) zhuanlan_url = ZHUANLAN_URL.format(zid) cover = await self.convert_local_image(cover) await live.update(cover=cover, zhuanlan_url=zhuanlan_url) def add_zhuanlan_urls(self): for offset in range(self.max_tasks): self.add_url(ZHUANLAN_API_URL.format(offset=offset * 20)) async def crawl(self): self.__workers = [asyncio.Task(self.work(), loop=self.loop) for _ in range(self.max_tasks)] self.t0 = time.time() await self.q.join() self.add_zhuanlan_urls() await self.q.join() self.t1 = time.time() for w in self.__workers: w.cancel() </code></pre> <p>其中crawl方法中用2次join用来确保 <strong>先抓取全部live信息之后再去抓专栏信息</strong> ，因为得先确保live内容足够完整才能搜索匹配，其次由于parse_live_link和parse_zhuanlan_link都涉及到Live的更新，在并发中容易造成同时更新某些live而触发版本冲突的ConflictError。</p> <p>我使用 s = s.query(Q('match_phrase', subject=title)) 进行标题匹配，首先我们先聊聊在ES中match和term的区别, 简单的说：</p> <p><strong>term用于精确查询，match用于全文检索</strong></p> <p>我们要把标题和Live的subject字段去匹配，但是由于subject设置了analyzer，所以无法使用term。除非新加一个字段，修改成类似cover的那种 Text(index='not_analyzed') 。但是这样新增字段实在有点浪费，用math会把要匹配的标题分词之后挨个去匹配，匹配其中一个或多个的文档就会被搜索出来, 显然不满足「精确」，所以我想到了「短语匹配」(Phrase Matching)。</p> <p>短语匹配和match查询类似，match_phrase查询首先解析查询字符串产生一个词条列表。但只保留含有了所有搜索词条的文档，并且还要求这些词条的顺序也一致。就是相当于虽然分词了但是词的顺序是有要求的，效果类似于精确匹配。</p> <p><strong>更新用户举办的Live数量</strong></p> <p>之前我们给User添加了incr_live_count这个方法，调用一次live_count就+1，由于这个爬虫每次都是重新过一遍，所以需要仅在创建live的时候才更新：</p> <pre> <code class="language-python">async def parse_live_link(self, response): ... result = await Live.add(**live_dict) if result.meta['version'] == 1: user.incr_live_count() </code></pre> <p>ES每次每次都会返回添加/更新的结果，其中的version字段正好被我们利用。</p> <p><strong>优化抓取</strong></p> <p>终于到最后一个小节了。再次道歉，之前分享的爬虫其中有一句检查要抓取的url是不是在self.seen_uls里面的判断，如果已经抓取过就assert抛了异常，这其实造成最后就剩下一个协程在执行任务了。</p> <p>现在我重构了这部分的内容，大家看代码体会吧：</p> <pre> <code class="language-python">class Crawler: def __init__(self, max_redirect=10, max_tries=4, max_tasks=10, *, loop=None): self.__stopped = {}.fromkeys(['ended', 'ongoing', 'posts'], False) async def fetch(self, url, max_redirect): ... if next_url is not None: self.add_url(next_url, max_redirect) else: # 如果live或者知乎官方专栏接口不再返回下一页，这个类型的任务就停止 for type in self.__stopped: if type in url: self.__stopped[type] = True async def work(self): try: while 1: url, max_redirect = await self.q.get() if url in self.seen_urls: type = url.split('/')[-1].split('?')[0] # 如果一个接口返回的next_url已经抓去过，自动添加next_url的下一页 # 除非这个类型的任务停止状态为True if not type.isdigit() and not self.__stopped[type]: self.add_url(get_next_url(url), max_redirect) await self.fetch(url, max_redirect) self.q.task_done() asyncio.sleep(1) except asyncio.CancelledError: pass </code></pre> <p>这样就既不会重复抓取，也能保证worker都能正常工作。</p> <p>截止发稿，抓取到的Live 1967个， 话题 656 个 完整抓取一次大概调用约950次API（1967 / 10 + 1967 / 20 + 656）, 在我MacBook上耗时 70 - 90 s。</p> <p> </p> <p> </p> <p>来自：http://mp.weixin.qq.com/s/BWQQSLFYGFMoUgLteTu7tQ</p> <p> </p>