“丝路通:分布式爬虫任务分配”的版本间的差异

来自CloudWiki
跳转至: 导航搜索
第125行: 第125行:
  
 
===建立数据表===
 
===建立数据表===
===model设计和资源导入 ===
 
  
 
  <nowiki>MariaDB [crawler]> CREATE TABLE IF NOT EXISTS `task`(
 
  <nowiki>MariaDB [crawler]> CREATE TABLE IF NOT EXISTS `task`(
第135行: 第134行:
 
     ->    `start_date` DATE,
 
     ->    `start_date` DATE,
 
     ->    PRIMARY KEY ( `id` ))ENGINE=InnoDB DEFAULT CHARSET=utf8;</nowiki>
 
     ->    PRIMARY KEY ( `id` ))ENGINE=InnoDB DEFAULT CHARSET=utf8;</nowiki>
 +
 +
===关闭防火墙===
 +
 +
systemctl disable firewalld
 +
systemctl stop firewalld
 +
 +
在公网上须设置防火墙,不能一关了知
 +
 +
setenforce 0
 +
 +
===数据库连接===
 +
 +
<nowiki>import pymysql
 +
 +
# 打开数据库连接
 +
db = pymysql.connect("10.0.0.30","root","000000","crawler" )
 +
#这4个参数依次是:主机名,用户名,密码和数据库名
 +
# 使用 cursor() 方法创建一个游标对象 cursor
 +
cursor = db.cursor()
 +
 +
# 使用 execute()  方法执行 SQL 查询
 +
cursor.execute("SELECT VERSION()")
 +
 +
# 使用 fetchone() 方法获取单条数据.
 +
data = cursor.fetchone()
 +
 +
print ("Database version : %s " % data)
 +
 +
# 关闭数据库连接
 +
db.close()</nowiki>

2020年9月17日 (四) 14:58的版本

任务切割

将原始的待爬目录表 分割成许多小份,当作许多小任务去完成。

敦煌网

import time

task_header ='../../task/dh_task/dh_task_' #header
def assign_task():
    task_content = ""  # 创建类别网址列表
    fp = open('dh_sub_category.csv', "rt")  # 打开csv文件
    
    count= 0
    num =0
    #类别名  类目级别  父类目级别

    s =set()#储存已有的类别
    for line in fp:  # 文件对象可以直接迭代
        count +=1
        task_content +=line
        
        if count%100 ==0:
            num += 1
            fw = open(task_header+str(num)+".csv","w",encoding="utf-8")
            fw.write(task_content)
            fw.close()
            task_content =""
        
    
    fw = open(task_header+str(num)+".csv","a",encoding="utf-8")
    fw.write(task_content)
    fw.close()
    task_content =""    
    fp.close()
    

if __name__ == '__main__':
    assign_task()


阿里巴巴

import time

task_header ='../../task/ali_task/ali_task_' #header
def assign_task():
    task_content = ""  # 创建类别网址列表
    fp = open('alibaba_categary.csv', "rt")  # 打开csv文件
    
    count= 0
    num =0
    #类别名  类目级别  父类目级别

    
    for line in fp:  # 文件对象可以直接迭代
        count +=1
        task_content +=line
        
        if count%100 == 0:
            num += 1
            fw = open(task_header+str(num)+".csv","w",encoding="utf-8")
            fw.write(task_content)
            fw.close()
            task_content =""
        
    if num <= 50:
        fw = open(task_header+str(num)+".csv","a",encoding="utf-8")
    else:
        fw = open(task_header+str(num+1)+".csv","a",encoding="utf-8")
        
    fw.write(task_content)
    fw.close()    
    task_content =""    
    fp.close()
    

if __name__ == '__main__':
    assign_task()
    


中国制造网

import time

task_header ='../../task/mc_task/mc_task_' #header
def assign_task():
    task_content = ""  # 创建类别网址列表
    fp = open('made_in_china_sub_cat.csv', "rt")  # 打开csv文件
    
    count= 0
    num =0
 
    for line in fp:  # 文件对象可以直接迭代
        count +=1
        task_content +=line
        
        if count%200 ==0:
            num += 1
            fw = open(task_header+str(num)+".csv","w",encoding="utf-8")
            fw.write(task_content)
            fw.close()
            task_content =""
        
    if num <= 100:
        fw = open(task_header+str(num)+".csv","a",encoding="utf-8")
    else:
        fw = open(task_header+str(num+1)+".csv","a",encoding="utf-8")
    
    fw.write(task_content)
    fw.close()
    task_content =""    
    fp.close()
    

if __name__ == '__main__':
    assign_task()
    


任务表建立

安装mysql

建立数据表

MariaDB [crawler]> CREATE TABLE IF NOT EXISTS `task`(
    ->    `id` INT UNSIGNED AUTO_INCREMENT,
    ->    `site_title` VARCHAR(100) NOT NULL,
    ->    `task_name` VARCHAR(40) NOT NULL,
    ->    `task_status` INT UNSIGNED NOT NULL,
    ->    `availability zones` VARCHAR(60) NOT NULL,
    ->    `start_date` DATE,
    ->    PRIMARY KEY ( `id` ))ENGINE=InnoDB DEFAULT CHARSET=utf8;

关闭防火墙

systemctl disable firewalld
systemctl stop firewalld

在公网上须设置防火墙,不能一关了知

setenforce 0

数据库连接

import pymysql
 
# 打开数据库连接
db = pymysql.connect("10.0.0.30","root","000000","crawler" )
#这4个参数依次是:主机名,用户名,密码和数据库名
# 使用 cursor() 方法创建一个游标对象 cursor
cursor = db.cursor()
 
# 使用 execute()  方法执行 SQL 查询 
cursor.execute("SELECT VERSION()")
 
# 使用 fetchone() 方法获取单条数据.
data = cursor.fetchone()
 
print ("Database version : %s " % data)
 
# 关闭数据库连接
db.close()