24 存储引擎

爬虫项目的一个重要的环节就是把最终的数据持久化存储起来，数据可能会被存储到 MySQL、MongoDB、Kafka、Excel 等多种数据库、中间件或者是文件中。

之前我们爬取的案例比较简单，像是租房网站的信息等。但是实际情况下，我们的爬虫任务通常需要获取结构化的数据。例如一本书的信息就包含书名、价格、出版社、简介、评分等。为了生成结构化的数据，这里豆瓣图书为例书写我们的任务规则。

爬取结构化数据

step1 从首页获取热门标签信息

​​

const regexpStr = `<a href="([^"]+)" class="tag">([^<]+)</a>`
func ParseTag(ctx *collect.Context) (collect.ParseResult, error) {re := regexp.MustCompile(regexpStr)matches := re.FindAllSubmatch(ctx.Body, -1)result := collect.ParseResult{}for _, m := range matches {result.Requesrts = append(result.Requesrts, &collect.Request{Method:   "GET",Task:     ctx.Req.Task,Url:      "<https://book.douban.com>" + string(m[1]),Depth:    ctx.Req.Depth + 1,RuleName: "书籍列表",})}return result, nil
}

step2 获取图书列表

​​

const BooklistRe = `<a.*?href="([^"]+)" title="([^"]+)"`func ParseBookList(ctx *collect.Context) (collect.ParseResult, error) {re := regexp.MustCompile(BooklistRe)matches := re.FindAllSubmatch(ctx.Body, -1)result := collect.ParseResult{}for _, m := range matches {req := &collect.Request{Method:   "GET",Task:     ctx.Req.Task,Url:      string(m[1]),Depth:    ctx.Req.Depth + 1,RuleName: "书籍简介",}//获取到书名之后，将书名缓存到了临时的 tmp 结构中供下一个阶段读取。//这是因为我们希望得到的某些信息是在之前的阶段获得的。req.TmpData = &collect.Temp{}req.TmpData.Set("book_name", string(m[2]))result.Requesrts = append(result.Requesrts, req)}return result, nil
}

// 缓存结构定义为了一个哈希表，并封装了 Get 与 Set 两个函数来获取和设置请求中的缓存。
type Temp struct {data map[string]interface{}
}// 返回临时缓存数据
func (t *Temp) Get(key string) interface{} {return t.data[key]
}func (t *Temp) Set(key string, value interface{}) error {if t.data == nil {t.data = make(map[string]interface{}, 8)}t.data[key] = valuereturn nil
}

step3 获取图书详情

最后，点击图书的详情页，可以看到图书的作者、出版社、页数、定价、得分、价格、简介等信息。

​​

var autoRe = regexp.MustCompile(`<span class="pl"> 作者</span>:[\\d\\D]*?<a.*?>([^<]+)</a>`)
var public = regexp.MustCompile(`<span class="pl">出版社:</span>([^<]+)<br/>`)
var pageRe = regexp.MustCompile(`<span class="pl">页数:</span> ([^<]+)<br/>`)
var priceRe = regexp.MustCompile(`<span class="pl">定价:</span>([^<]+)<br/>`)
var scoreRe = regexp.MustCompile(`<strong class="ll rating_num " property="v:average">([^<]+)</strong>`)
var intoRe = regexp.MustCompile(`<div class="intro">[\\d\\D]*?<p>([^<]+)</p></div>`)func ParseBookDetail(ctx *collect.Context) (collect.ParseResult, error) {bookName := ctx.Req.TmpData.Get("book_name")page, _ := strconv.Atoi(ExtraString(ctx.Body, pageRe))book := map[string]interface{}{"书名":  bookName,"作者":  ExtraString(ctx.Body, autoRe),"页数":  page,"出版社": ExtraString(ctx.Body, public),"得分":  ExtraString(ctx.Body, scoreRe),"价格":  ExtraString(ctx.Body, priceRe),"简介":  ExtraString(ctx.Body, intoRe),}data := ctx.Output(book)result := collect.ParseResult{Items: []interface{}{data},}return result, nil
}func ExtraString(contents []byte, re *regexp.Regexp) string {match := re.FindSubmatch(contents)if len(match) >= 2 {return string(match[1])} else {return ""}
}

其中，书名是从缓存中得到的。这里仍然使用了正则表达式作为演示，你也可以改为使用更合适的 CSS 选择器。

完整规则

var DoubanBookTask = &collect.Task{Property: collect.Property{Name:     "douban_book_list",WaitTime: 1 * time.Second,MaxDepth: 5,Cookie:   "xxx"
},Rule: collect.RuleTree{Root: func() ([]*collect.Request, error) {roots := []*collect.Request{&collect.Request{Priority: 1,Url:      "<https://book.douban.com>",Method:   "GET",RuleName: "数据tag",},}return roots, nil},Trunk: map[string]*collect.Rule{"数据tag": &collect.Rule{ParseFunc: ParseTag},"书籍列表":  &collect.Rule{ParseFunc: ParseBookList},"书籍简介": &collect.Rule{ItemFields: []string{"书名","作者","页数","出版社","得分","价格","简介",},ParseFunc: ParseBookDetail,},},},
}

‍

存储到MySQL

数据抽象

这里将数据抽象成DataCell, 其key定义如下

• Task: 存储当前任务名

• Rule: 存储当前的规则名

• Url: 存储当前网址

• Time: 存储当前时间

• Data: 存储当前核心数据,即书籍详细信息

  • Data对应的数据结构又是一个哈希表 map[string]interface{}。
  • 在这个哈希表中，Key 为“书名”“评分”等字段名，Value 为字段对应的值。
  • Data 对应的 Value 不一定需要是 map[string]interface{}，只要我们在后面能够灵活地处理不同的类型就可以了。

type DataCell struct {Data map[string]interface{}
}

输出方法

func (c *Context) Output(data interface{}) *collector.DataCell {res := &collector.DataCell{}res.Data = make(map[string]interface{})res.Data["Task"] = c.Req.Task.Nameres.Data["Rule"] = c.Req.RuleNameres.Data["Data"] = datares.Data["Url"] = c.Req.Urlres.Data["Time"] = time.Now().Format("2006-01-02 15:04:05")return res
}

数据存储

然后在 HandleResult 方法中对解析后的数据进行存储。

循环遍历 Items，判断其中的数据类型，如果数据类型为 DataCell，我们就要用专门的存储引擎将这些数据存储起来。（存储引擎是和每一个爬虫任务绑定在一起的，不同的爬虫任务可能会有不同的存储引擎。）

func (s *Crawler) HandleResult() {for {select {case result := <-s.out:for _, item := range result.Items {switch d := item.(type) {case *collector.DataCell:name := d.GetTaskName()task := Store.Hash[name]task.Storage.Save(d)}s.Logger.Sugar().Info("get result: ", item)}}}
}

这里选择使用比较常见的 MySQL 数据库作为这个示例的存储引擎。

创建了一个接口 Storage 作为数据存储的接口，Storage 中包含了 Save 方法，任何实现了 Save 方法的后端引擎都可以存储数据。

type Storage interface {Save(datas ...*DataCell) error
}

不过我们还需要完成一轮抽象，因为后端引擎会处理的事务比较繁琐，它不仅仅包含了存储，还包含了缓存、对表头的拼接、数据的处理等。所以，我们要创建一个更加底层的模块，只进行数据的存储。

这个底层抽象的好处在于，我们可以比较灵活地替换底层的存储模块，我在这个例子中使用了原生的 MySQL 语句来与数据库交互。你也可以使用 Xorm 与 Gorm 这样的库来操作数据库。

新建一个文件夹 mysqldb，设置操作数据库的接口 DBer，里面的两个核心函数分别是 CreateTable（创建表）以及 Insert（插入数据）。

type DBer interface {CreateTable(t TableData) error //TableData 包含了表的元数据Insert(t TableData) error
}
type Field struct {Title stringType  string
}
type TableData struct {TableName   string        // 表名ColumnNames []Field       // 字段名和字段的属性Args        []interface{} // 数据DataCount   int           // 插入数据的数量AutoKey     bool          // 标识是否为表创建自增主键
}

下面这段代码，我们使用 option 模式生成了 SqlDB 结构体，实现了 DBer 接口。Sqldb.OpenDB 方法用于与数据库建立连接，需要从外部传入远程 MySQL 数据库的连接地址。

type MySQLDb struct {optionsdb *sql.DB
}func New(opts ...Option) (*MySQLDb, error) {options := defaultOptionsfor _, opt := range opts {opt(&options)}d := &MySQLDb{}d.options = optionsif err := d.OpenDB(); err != nil {return nil, err}return d, nil
}func (d *MySQLDb) OpenDB() error {db, err := sql.Open("mysql", d.sqlUrl)if err != nil {return err}db.SetMaxOpenConns(2048)db.SetMaxIdleConns(2048)if err = db.Ping(); err != nil {return err}d.db = dbreturn nil
}// 创建表
func (d *MySQLDb) CreateTable(t TableData) error {if len(t.ColumnNames) == 0 {return errors.New("Column can not be empty")}sql := `CREATE TABLE IF NOT EXISTS ` + t.TableName + " ("if t.AutoKey {sql += `id INT(12) NOT NULL PRIMARY KEY AUTO_INCREMENT,`}for _, t := range t.ColumnNames {sql += t.Title + ` ` + t.Type + `,`}sql = sql[:len(sql)-1] + `) ENGINE=MyISAM DEFAULT CHARSET=utf8;`d.logger.Debug("crate table", zap.String("sql", sql))_, err := d.db.Exec(sql)return err
}// 插入操作
func (d *MySQLDb) Insert(t TableData) error {if len(t.ColumnNames) == 0 {return errors.New("empty column")}sql := `INSERT INTO ` + t.TableName + `(`for _, v := range t.ColumnNames {sql += v.Title + ","}sql = sql[:len(sql)-1] + `) VALUES `blank := ",(" + strings.Repeat(",?", len(t.ColumnNames))[1:] + ")"sql += strings.Repeat(blank, t.DataCount)[1:] + `;`d.logger.Debug("insert table", zap.String("sql", sql))_, err := d.db.Exec(sql, t.Args...)return err
}

存储引擎实现

package sqlstorageimport ("encoding/json""github.com/funbinary/crawler/collector""github.com/funbinary/crawler/engine""github.com/funbinary/crawler/mysqldb""go.uber.org/zap"
)// 实现 Storage 接口的实现type MySQLStore struct {dataDocker  []*collector.DataCell //分批输出结果缓存columnNames []mysqldb.Field       // 标题字段db          mysqldb.DBerTable       map[string]struct{}options     // 选项
}func New(opts ...Option) (*MySQLStore, error) {options := defaultOptionsfor _, opt := range opts {opt(&options)}s := &MySQLStore{}s.options = optionss.Table = make(map[string]struct{})var err errors.db, err = mysqldb.New(mysqldb.WithConnUrl(s.sqlUrl),mysqldb.WithLogger(s.logger),)if err != nil {return nil, err}return s, nil
}func (s *MySQLStore) Save(dataCells ...*collector.DataCell) error {// 循环遍历要存储的 DataCell，并判断当前 DataCell 对应的数据库表是否已经被创建。for _, cell := range dataCells {name := cell.GetTableName()if _, ok := s.Table[name]; !ok {// 创建表columnNames := getFields(cell)err := s.db.CreateTable(mysqldb.TableData{TableName:   name,ColumnNames: columnNames,AutoKey:     true,})if err != nil {s.logger.Error("create table falied", zap.Error(err))}s.Table[name] = struct{}{}}// 如果当前的数据小于 s.BatchCount，则将数据放入到缓存中直接返回（使用缓冲区批量插入数据库可以提高程序的性能）。if len(s.dataDocker) >= s.BatchCount {s.Flush()}// 如果缓冲区已经满了，则调用 SqlStore.Flush() 方法批量插入数据。s.dataDocker = append(s.dataDocker, cell)}return nil
}// getFields 用于获取当前数据的表字段与字段类型，这是从采集规则节点的 ItemFields 数组中获得的。
// 为什么不直接用 DataCell 中 Data 对应的哈希表中的 Key 生成字段名呢？
// 这一方面是因为它的速度太慢，另外一方面是因为 Go 中的哈希表在遍历时的顺序是随机的，而生成的字段列表需要顺序固定。
func getFields(cell *collector.DataCell) []mysqldb.Field {taskName := cell.Data["Task"].(string)ruleName := cell.Data["Rule"].(string)fields := engine.GetFields(taskName, ruleName)var columnNames []mysqldb.Fieldfor _, field := range fields {columnNames = append(columnNames, mysqldb.Field{Title: field,Type:  "MEDIUMTEXT",})}columnNames = append(columnNames,mysqldb.Field{Title: "Url", Type: "VARCHAR(255)"},mysqldb.Field{Title: "Time", Type: "VARCHAR(255)"},)return columnNames
}// Flush 核心是遍历缓冲区，解析每一个 DataCell 中的数据，将扩展后的字段值批量放入 args 参数中，
// 并调用底层 DBer.Insert 方法批量插入数据
func (s *MySQLStore) Flush() error {if len(s.dataDocker) == 0 {return nil}args := make([]interface{}, 0)for _, datacell := range s.dataDocker {ruleName := datacell.Data["Rule"].(string)taskName := datacell.Data["Task"].(string)fields := engine.GetFields(taskName, ruleName)data := datacell.Data["Data"].(map[string]interface{})value := []string{}for _, field := range fields {v := data[field]switch v.(type) {case nil:value = append(value, "")case string:value = append(value, v.(string))default:j, err := json.Marshal(v)if err != nil {value = append(value, "")} else {value = append(value, string(j))}}}value = append(value, datacell.Data["Url"].(string), datacell.Data["Time"].(string))for _, v := range value {args = append(args, v)}}return s.db.Insert(mysqldb.TableData{TableName:   s.dataDocker[0].GetTableName(),ColumnNames: getFields(s.dataDocker[0]),Args:        args,DataCount:   len(s.dataDocker),})
}

存储引擎验证

接下来我们使用运行MySQL, 下面给出两种运行方式:

docker

docker run -d --name mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=123456 mysql

参数说明:

• -d: 在run后面加上-d参数,则会创建一个守护式容器在后台运行(这样创建容器后不 会自动登录容器，如果只加-i -t 两个参数，创建后就会自动进去容器)。

• -p: 表示端口映射，前者是宿主机端口，后者是容器内的映射端口。可以使用多个-p 做多个端口映射

• -e: 为容器设置环境变量

  • ​MYSQL_ROOT_PASSWORD​ 是MySQL初始root密码, 此变量是必须的
  • ​MYSQL_DATABASE​ 此变量是可选的，允许您指定要在映像启动时创建的数据库的名称。如果提供了用户/密码（见下文），则该用户将被授予对此数据库的超级用户访问权限（对应于 ​GRANT ALL``​）。
  • ​MYSQL_USER​和​ MYSQL_PASSWORD​这些变量是可选的，与创建新用户和设置该用户的密码结合使用。此用户将被授予对变量指定的数据库的超级用户权限（见上文）。这两个变量都是创建用户所必需的。MYSQL_DATABASE​
  • ​MYSQL_ALLOW_EMPTY_PASSWORD​ : 这是一个可选变量。设置为非空值（如 ），以允许使用 root 用户的空白密码启动容器。注意：除非您真的知道自己在做什么，否则不建议将此变量设置为 ，因为这会使您的 MySQL 实例完全不受保护，从而允许任何人获得完整的超级用户访问权限。
  • ​MYSQL_RANDOM_ROOT_PASSWORD​: 这是一个可选变量。设置为非空值，如 ，为 root 用户生成随机初始密码（使用 ）。生成的根密码将打印到 stdout （）。
  • ​MYSQL_ONETIME_PASSWORD​ : 初始化完成后，将 root（而不是 ！中指定的用户）用户设置为已过期，强制在首次登录时更改密码。任何非空值都将激活此设置。注意：此功能仅在MySQL 5.6 +上受支持。在MySQL 5.5上使用此选项将在初始化期间引发适当的错误。
  • ​MYSQL_INITDB_SKIP_TZINFO​​ : 默认情况下，入口点脚本会自动加载函数所需的时区数据。如果不需要，任何非空值都会禁用时区加载。CONVERT_TZ()

docker-compose

version: '3.1'services:db:image: mysqlcommand: --default-authentication-plugin=mysql_native_passwordrestart: alwaysvolumes:- D:\\data\\mysql:/var/lib/mysqlports:- 3306:3306environment:MYSQL_ROOT_PASSWORD: 123456adminer:image: adminerrestart: alwaysports:- 8080:8080

使用Navicat查看

​​

使用DataGrip查看

​​

「此文章为4月Day8学习笔记，内容来源于极客时间《Go分布式爬虫实战》，强烈推荐该课程！/推荐该课程」