今天就跟大家聊聊有关如何实现网址池URL Pool，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
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：
生产者 - 消费者流程图
依葫芦画瓢，URLPool就是这样的
设计的网络爬虫URLPool
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。
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 FalseUrlDB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
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:
passUrlPool的实现有些复杂，且听我一一分解。
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。
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。
看完上述内容，你们对如何实现网址池URL Pool有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注亿速云行业资讯频道，感谢大家的支持。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
