Golang实现简单爬虫框架（5）——项目重构与数据存储

时间 2019-12-13

标签 golang 实现简单爬虫框架项目数据存储栏目 Go 繁體版

原文原文链接

前言

在上一篇文章《Golang实现简单爬虫框架（4）——队列实现并发任务调度》中，咱们使用用队列实现了任务调度，接下来首先对两种并发方式作一个同构，使代码统一。而后添加数据存储模块。git

注意：本次并发是在上一篇文章简单并发实现的基础上修改，因此没有贴出所有代码，只是贴出部分修改部分，要查看完整项目代码，能够查看上篇文章，或者从github下载项目源代码查看github

一、项目重构

（1）并发引擎

经过分析咱们发现，两种不一样调度的区别是每一个worker一个channel仍是全部worker共用一个channel，因此咱们在接口中定义一个函数WorkerChan()，用来决定这件事，即worker一个channel仍是全部worker共用一个channel。此时ConfigMasterWorkerChan就再也不须要了。golang

在项目文件concurrent.go中咱们定义一个任务调度器Scheduler，以下：mongodb

// 任务调度器
type Scheduler interface {
    Submit(request Request) // 提交任务
    ConfigMasterWorkerChan(chan Request)
    WorkerReady(w chan Request)
    Run()
}

可是在简单并发中咱们只实现了Submit和ConfigMasterWorkerChan接口，而使用队列调度中却实现了接口的全部方法，全部咱们同构一下使concurrent.go文件能够适用于两种不一样的调度器。数据库

由于在createworker函数中要使用WorkerReady函数，因此要传入一个Scheduler，可是这样显得比较重，咱们能够利用接口组合，新建一个接口ReadyNotifier，这样在createworker函数中传入ReadyNotifier便可。json

修改后的任务调度以下：session

type Scheduler interface {
    ReadyNotifier
    Submit(request Request) // 提交任务
    WorkerChan() chan Request
    Run()
}
type ReadyNotifier interface {
    WorkerReady(chan Request)
}

此时建立goroutine修改以下：并发

// 建立 goroutine
for i := 0; i < e.WorkerCount; i++ {
    //任务是每一个 worker 一个 channel 仍是 全部 worker 共用一个 channel 由WorkerChan 来决定
    createWorker(e.Scheduler.WorkerChan(), out, e.Scheduler)
}

修改后的concurrent.go文件以下：app

package engine

import (
    "log"
)

// 并发引擎
type ConcurrendEngine struct {
    Scheduler   Scheduler
    WorkerCount int
}

// 任务调度器
type Scheduler interface {
    ReadyNotifier
    Submit(request Request) // 提交任务
    WorkerChan() chan Request
    Run()
}
type ReadyNotifier interface {
    WorkerReady(chan Request)
}

func (e *ConcurrendEngine) Run(seeds ...Request) {

    out := make(chan ParseResult)
    e.Scheduler.Run()

    // 建立 goruntine
    for i := 0; i < e.WorkerCount; i++ {
        // 任务是每一个 worker 一个 channel 仍是 全部 worker 共用一个 channel 由WorkerChan 来决定
        createWorker(e.Scheduler.WorkerChan(), out, e.Scheduler)
    }

    // engine把请求任务提交给 Scheduler
    for _, request := range seeds {
        e.Scheduler.Submit(request)
    }

    itemCount := 0
    for {
        // 接受 Worker 的解析结果
        result := <-out
        for _, item := range result.Items {
            log.Printf("Got item: #%d: %v\n", itemCount, item)
            itemCount++
        }

        // 而后把 Worker 解析出的 Request 送给 Scheduler
        for _, request := range result.Requests {
            e.Scheduler.Submit(request)
        }
    }
}

func createWorker(in chan Request, out chan ParseResult, ready ReadyNotifier) {
    go func() {
        for {
            ready.WorkerReady(in) // 告诉调度器任务空闲
            request := <-in
            result, err := worker(request)
            if err != nil {
                continue
            }
            out <- result
        }
    }()
}

（2）简单并发调度器

scheduler/simple.go框架

package scheduler

import "crawler/engine"

type SimpleScheduler struct {
    workerChan chan engine.Request
}

func (s *SimpleScheduler) WorkerChan() chan engine.Request {
    // 此时全部 worker 共用同一个 channel，直接返回便可
    return s.workerChan
}

func (s *SimpleScheduler) WorkerReady(w chan engine.Request) {

}

func (s *SimpleScheduler) Run() {
    // 建立出 workchannel
    s.workerChan = make(chan engine.Request)
}

func (s *SimpleScheduler) Submit(request engine.Request) {
    // send request down to worker chan
    go func() {
        s.workerChan <- request
    }()
}

（3）队列实现调度器

scheduler/queued.go

添加WorkerChan()的实现便可

package scheduler

import "crawler/engine"

// 使用队列来调度任务

type QueuedScheduler struct {
    requestChan chan engine.Request
    workerChan  chan chan engine.Request
}

func (s *QueuedScheduler) WorkerChan() chan engine.Request {
    // 对于队列实现来说，每一个 worker 共用一个 channel
    return make(chan engine.Request)
}

// 提交请求任务到 requestChan
func (s *QueuedScheduler) Submit(request engine.Request) {
    s.requestChan <- request
}

// 告诉外界有一个 worker 能够接收 request
func (s *QueuedScheduler) WorkerReady(w chan engine.Request) {
    s.workerChan <- w
}

func (s *QueuedScheduler) Run() {
    s.workerChan = make(chan chan engine.Request)
    s.requestChan = make(chan engine.Request)
    go func() {
        // 建立请求队列和工做队列
        var requestQ []engine.Request
        var workerQ []chan engine.Request
        for {
            var activeWorker chan engine.Request
            var activeRequest engine.Request

            if len(requestQ) > 0 && len(workerQ) > 0 {
                activeWorker = workerQ[0]
                activeRequest = requestQ[0]
            }

            select {
            case r := <-s.requestChan: // 当 requestChan 收到数据
                requestQ = append(requestQ, r)
            case w := <-s.workerChan: // 当 workerChan 收到数据
                workerQ = append(workerQ, w)
            case activeWorker <- activeRequest: // 当请求队列和认读队列都不为空时，给任务队列分配任务
                requestQ = requestQ[1:]
                workerQ = workerQ[1:]
            }
        }
    }()
}

（4）main函数

通过上述同构，在main函数中如需切换不一样调度器，只须要相应的配置便可。

package main

import (
    "crawler/engine"
    "crawler/scheduler"
    "crawler/zhenai/parser"
)

func main() {
    e := engine.ConcurrendEngine{
        //Scheduler: &scheduler.QueuedScheduler{},    // 队列实现调度器
        Scheduler:   &scheduler.SimpleScheduler{},    // 简单并发调度
        WorkerCount: 50,
    }
    e.Run(engine.Request{
        Url:       "http://www.zhenai.com/zhenghun",
        ParseFunc: parser.ParseCityList,
    })
}

二、数据存储

（1）Mgo的介绍安装

爬取到的数据不能仅仅在控制台打印出来，因此咱们还要给爬虫添加数据存储模块。咱们本次选择使用mongodb来存储咱们的数据。

mgo（音mango）是 MongoDB的 Go语言驱动，它用基于Go语法的简单API实现了丰富的特性，并通过良好测试。

官方网址：http://labix.org/mgo

文档：API docs for mgo

首先咱们要安装mgo，打开终端，输入下面代码完成安装

go get gopkg.in/mgo.v2

mgo基本操做都很简单，有数据库操做经验均可以很快上手。

（2）爬虫引擎与数据格式

首先，爬虫引擎获取到数据要把数据发送给数据存储模块，而数据的传递用要用到channel，因此打开concurrent.go文件，在引擎添加ItemChan属性，以下所示：

爬取到数据须要把数据发送到数据存储模块，

package engine
// 并发引擎
type ConcurrendEngine struct {
    Scheduler   Scheduler // 任务调度器
    WorkerCount int       // 并发任务数量
    ItemChan    chan Item // 数据保存 channel
}

// ...
for {
    // 接受 Worker 的解析结果
    result := <-out
    for _, item := range result.Items {
        // 当抓取一组数据后，进行保存
        go func(item2 Item) {
            e.ItemChan <- item2
        }(item)
    }
    // ...
}
// ...

在engine/types.go中定义Item类型：

package engine

// 请求结构
type Request struct {
    Url       string // 请求地址
    ParseFunc func([]byte) ParseResult
}

// 解析结果结构
type ParseResult struct {
    Requests []Request // 解析出的请求
    Items    []Item    // 解析出的内容
}

// 解析出的用户数据格式
type Item struct {
    Url     string      // 我的信息Url地址
    Type    string      // table
    Id      string      // Id
    Payload interface{} // 详细信息
}

func NilParseFun([]byte) ParseResult {
    return ParseResult{}
}

（3）存储模块的实现

在根目录下建立persist文件夹，而后建立itemsaver.go文件

// persist/itemsaver.go
package persist

import (
    "context"
    "crawler/engine"
    "errors"
    "gopkg.in/mgo.v2"
    "gopkg.in/olivere/elastic.v5"
    "log"
)

func ItemSaver(index string) (chan engine.Item, error) {
    // mongodb connect
    session, err := mgo.Dial("localhost:27017")
    if err != nil {
        panic(err)
    }

    out := make(chan engine.Item)
    go func() {
        itemCount := 0
        for {
            // 接收到发送的 item
            item := <-out
            log.Printf("Item Saver: got item #%d: %v\n",
                itemCount, item)
            itemCount++

            // Save data in mongodb
            err := mongo_save(session, index, item)

            if err != nil {
                // if have err, ignore it
                log.Printf("Item Saver: error, saving item %v: %v",
                    item, err)
            }
        }
    }()
    return out, nil
}

// 使用 MongoDB 保存数据
func mongo_save(session *mgo.Session, dbName string, item engine.Item) error {
    if item.Type == "" {
        return errors.New("must supply Type")
    }
    c := session.DB(dbName).C(item.Type)    // 选择要操做的数据库与集合
    err := c.Insert(item)        // 插入数据
    if err != nil {
        log.Fatal(err)
    }
    return nil
}

（4）存储测试文件

咱们把一条数据存入mongodb，而后再取出来，比对读出的数据和写入的数据是否相同

// persist/itemsaver_test.gp
package persist

import (
    "crawler/engine"
    "crawler/model"
    "encoding/json"
    "fmt"
    "gopkg.in/mgo.v2"
    "gopkg.in/mgo.v2/bson"
    "log"
    "testing"
)
func TestMongoSave(t *testing.T) {
    // mongodb connect
    session, err := mgo.Dial("localhost:27017")
    if err != nil {
        panic(err)
    }

    expected := engine.Item{
        Url:  "http://album.zhenai.com/u/1946858930",
        Type: "zhenai",
        Id:   "1946858930",
        Payload: model.Profile{
            Name:     "為你垨候",
            Gender:   "女士",
            Age:      40,
            Height:   163,
            Weight:   54,
            Income:   "5-8千",
            Marriage: "未婚",
            Address:  "佛山顺德区",
        },
    }
    // 保存数据
    err = mongo_save(session, "crawler", expected)
    if err != nil {
        panic(err)
    }

    c := session.DB("crawler").C("zhenai")

    var result engine.Item
    // 查询数据
    err = c.Find(bson.M{"id": "1946858930"}).One(&result)
    // result 为 Json 类型
    if err != nil {
        log.Fatal(err)
    }
    fmt.Printf("%s, %s, %v\n", result.Url, result.Id, result.Payload)
}

（5）parser模块

咱们要在parse/profile.go文件中组装好须要保存到数据库的数据格式

// ...
result := engine.ParseResult{
    Items: []engine.Item{
        {
            Url:     url,
            Type:    "zhenai",
            Id:      extractString([]byte(url), idUrlRe),
            Payload: profile,
        },
    },
}
// ...

（6）main函数

package main

import (
    "crawler/engine"
    "crawler/persist"
    "crawler/scheduler"
    "crawler/zhenai/parser"
)

func main() {
    itemChan, err := persist.ItemSaver()
    if err != nil {
        panic(err)
    }

    e := engine.ConcurrendEngine{
        //Scheduler: &scheduler.QueuedScheduler{},
        Scheduler:   &scheduler.SimpleScheduler{},
        WorkerCount: 100,
        ItemChan:    itemChan,
    }
    e.Run(engine.Request{
        Url:       "http://www.zhenai.com/zhenghun",
        ParseFunc: parser.ParseCityList,
    })
}

运行项目，打开mongodb可视化工具，能够看到爬取了54410条数据

三、总结

咱们首先把两种并发方式作一个同构，使代码统一，直接在main函数中使用不一样的配置就能够切换调度器，简单方便。而后使用Mgo驱动操做数据，添加到mongodb中。内容有点多，不少代码没有完整的展现出来，但愿你们能够下载项目源代码，回滚到对应提交记录查看，效果会更好。别无所求，只求随手给个star

下篇博客中咱们会再当前博客的基础上添加数据展现功能

若是想获取Google工程师深度讲解go语言视频资源的，能够在评论区留下邮箱。

若是以为文章还能够，劳烦大人随手点个赞。。。