如何实现网址池URL Pool

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。

UrlDB的实现

import leveldbclass 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 False

UrlDB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

UrlPool的实现

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: veelionimport pickleimport leveldbimport timeimport urllib.parse as urlparseclass 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:            pass

UrlPool的实现有些复杂，且听我一一分解。

UrlPool的使用

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：

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

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。

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。

爬虫知识点

网址的管理
网址的管理，其目的就是为了：不重抓，不漏抓。

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。

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。

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，请关注编程网精选频道，感谢大家的支持。