1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
| import asyncio
import aiohttp
import os
import time
import logging
import lxml.html
from concurrent.futures import ThreadPoolExecutor
from contextlib import suppress
from mysql.connector import MySQLConnection, Error
db_bd = "technical_city"
db_user = "root"
db_password = ""
db_host = "localhost"
log = logging.getLogger(__name__)
format = '%(asctime)s %(levelname)s:%(message)s'
logging.basicConfig(format=format, level=logging.INFO)
logging.basicConfig(level=logging.DEBUG)
limit = asyncio.Semaphore(100) #Количество одновременных запросов, которые были отправлены серверы, но еще не получен от них ответ. Не означает одновременную отправку 10 запросов
headers = {'Accept': 'text/html,application/xhtml+xml,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate, br',
'Accept-Language': 'ru-RU,ru;q=0.8,en-US;q=0.5,en;q=0.3',
'Connection': 'keep-alive',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:61.0) Gecko/20100101 Firefox/61.0'}
url_main_list = ["https://technical.city/en/cpu/history", "https://technical.city/en/video/history"]
# url_main_list = ["https://technical.city/en/video/GeForce-RTX-2070"]
# url_main_list = ["https://technical.city/en/video/FireMV-2400-PCIe-x1"]
main_type = "https://technical.city"
count = 0
def add_device(name, type):
sql_query = "SELECT * FROM device WHERE name = %s and type = %s LIMIT 1"
data = (name, type)
try:
conn = MySQLConnection(user = db_user, password = db_password, host = db_host, database = db_bd)
conn.autocommit = True
cursor = conn.cursor()
cursor.execute(sql_query, data)
rows = cursor.fetchall()
if(cursor.rowcount == 0):
sql_query = "INSERT INTO device (name, type) VALUES (%s, %s)"
cursor.execute(sql_query, data)
return cursor.lastrowid
else:
return list(sum(rows, ()))[0]
except Error as e:
print("Ошибка:", e)
finally:
cursor.close()
conn.close()
def add_device_variables(name, group_variables):
sql_query = "SELECT * FROM device_variables WHERE name = %s and block = %s"
data = (name, group_variables)
try:
conn = MySQLConnection(user=db_user, password=db_password, host=db_host, database=db_bd)
conn.autocommit = True
cursor = conn.cursor()
cursor.execute(sql_query, data)
rows = cursor.fetchall()
if (cursor.rowcount == 0):
sql_query = "INSERT INTO device_variables (name, block) VALUES (%s, %s)"
cursor.execute(sql_query, data)
return cursor.lastrowid
else:
return list(sum(rows, ()))[0]
except Error as e:
print("Ошибка:", e)
finally:
cursor.close()
conn.close()
def add_device_value(device_id, device_variables_id, value):
sql_query = "SELECT * FROM device_values WHERE device_id = %s and device_variables_id= %s and value =%s"
data = (device_id, device_variables_id, value)
try:
conn = MySQLConnection(user=db_user, password=db_password, host=db_host, database=db_bd)
conn.autocommit = True
cursor = conn.cursor()
cursor.execute(sql_query, data)
rows = cursor.fetchall()
if (cursor.rowcount == 0):
sql_query = "INSERT INTO device_values (device_id, device_variables_id, value) VALUES (%s, %s, %s)"
cursor.execute(sql_query, data)
return cursor.lastrowid
else:
return list(sum(rows, ()))[0]
except Error as e:
print("Ошибка:", e)
exit(0)
finally:
cursor.close()
conn.close()
#Костыль, предназначен для удаления названия найденного блока, чтобы сохранить, например список с Html-тегами
def to_string(node):
return lxml.html.tostring(node, encoding='unicode')
async def request(client, url):
global limit, headers
while True:
async with limit:
try:
async with client.get(url, headers=headers) as r:
log.info('Запрос: %s', url)
return await r.text()
except:
time.sleep(1)
#метод преобзования ответа от сервера в дерево DOM
def get_html (request):
return lxml.html.fromstring(request)
#Метод для вывода html, только для этапа разработки
def print_html(html):
print(lxml.html.tostring(html, encoding='unicode', pretty_print=True))
def parse(page_text):
global count
urls = []
html = get_html(page_text)
url = html.cssselect('link[rel = "canonical"]')[0].get('href')
print("URL:", url)
breadcrumbs = html.cssselect('div.breadcrumbs>span.almost_bold')[0].text
if (breadcrumbs == "History"):
pagination = int(html.cssselect('div.rating_pagination.pagination>span')[0].text)
if(pagination == 1):
a_list = html.cssselect('div.rating_pagination.pagination>a')
for a in a_list:
urls.append(main_type + a.get("href"))
href_list = []
a_list = html.cssselect('table.rating.responsive>tr:not([class])>td[style="text-align:left"]>a')
for a in a_list:
href_list.append(main_type + a.get("href"))
href_list = list(set(href_list))
for href in href_list:
urls.append(href)
else:
type = html.cssselect('div.breadcrumbs>span[itemprop = "itemListElement"]')[1].cssselect('a')[0].get('title')
group_list = html.cssselect('div.tbt2.row_heading>div>h2')[1:]
title = html.cssselect('meta[property = "og:title"]')[0].get("content")
print("Название", title)
id_device = add_device(title, type)
print("Идентификатор продукта", id_device)
tables = html.cssselect('div.tbt1.single>div.table')
for index, table in enumerate(tables):
tbts = html.cssselect('div.tbt5')
for tbt in tbts:
divs = tbt.cssselect('div')
one_block = divs[1].text
#Прерываем ошибочные таблица
if(one_block == None):
break
two_block = divs[2].text
if(two_block == None):
try:
two_block = divs[2].cssselect('span')[0].text
except:
two_block = divs[2].cssselect('a')[0].text
if(two_block == "+"):
two_block = 1
else:
if(two_block == "-"):
two_block = 0
group = group_list[index].text
print("Группа:", group)
id_device_variables = add_device_variables(one_block, group)
print("Идентификатор VARIABLE:", id_device_variables)
id_device_value = add_device_value(id_device, id_device_variables, two_block)
print("Идентификатор добавленной строчки:", id_device_value)
print(one_block, ":", two_block)
return urls
async def crawl(future, client, pool):
futures = []
# Получаем из футуры ссылки
urls = await future
# Выгребаем для каждой ссылки разметку страницы
for request_future in asyncio.as_completed([request(client, url) for url in urls]):
# Передаём парсинг разметки в пул потоков
parse_future = loop.run_in_executor(pool, parse, (await request_future))
# Рекурсивно вызываем себя для парсинга новой порции ссылок
futures.append(asyncio.ensure_future(crawl(parse_future, client, pool)))
# Это нужно только для того, чтобы знать
# когда завершать цикл событий
if futures:
await asyncio.wait(futures)
async def start_main(root_urls):
loop = asyncio.get_event_loop()
loop.set_debug(True)
# Создаём пул потоков по количеству процессоров
with ThreadPoolExecutor(max_workers=os.cpu_count()) as pool:
# Создаём клиентскую сессию
async with aiohttp.ClientSession() as client:
# Создаём корневую футуру
initial_future = loop.create_future()
# Помещаем в неё ссылки, с которых начнём парсить
initial_future.set_result(root_urls)
# Передаём эту футуру в сопрограмму обхода ссылок
# вместе с пулом потоков и клиентской сессией
await crawl(initial_future, client, pool)
if __name__ == '__main__':
start_time = time.time()
loop = asyncio.get_event_loop()
loop.set_debug(True)
try:
loop.run_until_complete(start_main(url_main_list))
except KeyboardInterrupt:
for task in asyncio.Task.all_tasks():
task.cancel()
with suppress(asyncio.CancelledError):
loop.run_until_complete(task)
finally:
loop.close()
log.info('Время работы: %s',time.time() - start_time) |
(
