知乎Live全文搜索之完成爬虫

看这篇文章前推荐阅读相关的如下文章：

使用API登录知乎并获得token
知乎Live全文搜索之模型设计和爬虫实现
知乎Live全文搜索之模型接口
在[知乎Live全文搜索之模型设计和爬虫实现」里面我已经说过这是本年度最后一次说爬虫，今天就啪啪的打脸了。主要现在的爬虫有比较大的改变，由于微信公众号文章长度限制一篇放不上，只能专门写一篇啦。
抓取话题信息
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：


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)  
         ...

思考下，这是不是一种套路(模式)：

初始化一个已完成的url的集合
启动一定量的worker，每个worker都在等待从队列获取要抓取的url
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)
worker在parse处理中又会解析到新的要抓取的链接，放入队列
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
全部任务都完成了，通过self.q.join()结束
停止这些worker，任务完成
修改live灌suggest数据的方式
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：


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

下载主讲人头像

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：


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'])  
            ...

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。

抓取专栏信息

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。
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。
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：


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)

这个方法在我实际工作中很常用：


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'


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()

其中crawl方法中用2次join用来确保 先抓取全部live信息之后再去抓专栏信息
，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。
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：

term用于精确查询，match用于全文检索
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)。
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。

支持自动刷新知乎的token

在调用知乎API的时候，会经常告诉我token过期了。我得删掉原来的token.json然后重新生成，这样很不爽。所以抓包分析后，通过已有的refresh_token自动刷新token:


class ZhihuClient:   
    def refresh_token(self):  
        data = LOGIN_DATA.copy()  
        data['grant_type'] = 'refresh_token'  
        data['refresh_token'] = self._token.refresh_token  
        gen_signature(data)  
        auth = ZhihuOAuth(self._token)  
        self.save_token(auth, data)  
          
    def save_token(self, auth, data):  
        res = self._session.post(LOGIN_URL, auth=auth, data=data)  
        try:  
            json_dict = res.json()  
            if 'error' in json_dict:  
                raise LoginException(json_dict['error']['message'])  
            self._token = ZhihuToken.from_dict(json_dict)  
        except (ValueError, KeyError) as e:  
            raise LoginException(str(e))  
        else:  
            ZhihuToken.save_file(self.token_file, json_dict)

启动爬虫首先会去get一个url，看看返回的状态码是不是401，如果是就执行refresh_token方法获得新的token：


class Crawler:  
    ...  
    async def check_token(self):  
        async with self.session.get(  
                LIVE_API_URL.format(type='ended', offset=0)) as resp:  
            if resp.status == 401:  
                self.client.refresh_token()  
                  
    async def crawl(self):  
        await self.check_token()  
        ...  
          
PS: 今天试用好像不对

更新用户举办的Live数量

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：


async def parse_live_link(self, response):  
    ...  
    result = await Live.add(**live_dict)                                                                                     
    if result.meta['version'] == 1:                                                                                          
        user.incr_live_count()

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。

优化抓取

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。
现在我重构了这部分的内容，大家看代码体会吧：


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

这样就既不会重复抓取，也能保证worker都能正常工作。
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。

版权声明：本文由董伟明原创，未经作者授权禁止任何微信公众号和向掘金(juejin.im)转载，技术博客转载采用保留署名-非商业性使用-禁止演绎 4.0-国际许可协议
python

抓取话题信息

修改live灌suggest数据的方式

下载主讲人头像

抓取专栏信息

支持自动刷新知乎的token

更新用户举办的Live数量

优化抓取