linux 多进程开源,使用 shell 构建多进程的 CommandlineFu 爬虫

CommandlineFu 是一个记录脚本片段的网站，每个片段都有对应的功能说明和对应的标签。我想要做的就是尝试用 shell 写一个多进程的爬虫把这些代码片段记录在一个 org 文件中。

参数定义

这个脚本需要能够通过 -n 参数指定并发的爬虫数(默认为 CPU 核的数量)，还要能通过 -f 指定保存的 org 文件路径(默认输出到 stdout)。

#!/usr/bin/env bash

proc_num=$(nproc)

store_file=/dev/stdout

whilegetopts:n:f:OPT; do

case$OPTin

n|+n)

proc_num="$OPTARG"

;;

f|+f)

store_file="$OPTARG"

;;

*)

echo "usage: ${0##*/} [+-n proc_num] [+-f org_file} [--]"

exit 2

esac

done

shift $((OPTIND- 1 ))

OPTIND=1

解析命令浏览页面

我们需要一个进程从 CommandlineFu 的浏览列表中抽取各个脚本片段的 URL，这个进程将抽取出来的 URL 存放到一个队列中，再由各个爬虫进程从进程中读取 URL 并从中抽取出对应的代码片段、描述说明和标签信息写入 org 文件中。

这里就会遇到三个问题:

进程之间通讯的队列如何实现

如何从页面中抽取出 URL、代码片段、描述说明、标签等信息

多进程对同一文件进行读写时的乱序问题

实现进程之间的通讯队列

这个问题比较好解决，我们可以通过一个命名管道来实现：

queue=$(mktemp --dry-run)

mkfifo${queue}

exec 99<>${queue}

trap"rm ${queue} 2>/dev/null"EXIT

从页面中抽取想要的信息

从页面中提取元素内容主要有两种方法：

对于简单的 HTML 页面，我们可以通过 sed、grep、awk 等工具通过正则表达式匹配的方式来从 HTML 中抽取信息。

通过 html-xml-utils 工具集中的 hxselect 来根据 CSS 选择器提取相关元素。

这里我们使用 html-xml-utils 工具来提取：

functionextract_views_from_browse_page()

{

if [[$# -eq0 ]];then

localhtml=$(cat -)

else

localhtml="$*"

fi

echo${html} |hxclean|hxselect-c-s"\n" "li.list-group-item > div:nth-child(1) > div:nth-child(1) > a:nth-child(1)::attr(href)"|sed 's@^@https://www.commandlinefu.com/@'

}

functionextract_nextpage_from_browse_page()

{

if [[$# -eq0 ]];then

localhtml=$(cat -)

else

localhtml="$*"

fi

echo${html} |hxclean|hxselect-s"\n" "li.list-group-item:nth-child(26) > a"|grep '>'|hxselect-c"::attr(href)"|sed 's@^@https://www.commandlinefu.com/@'

}

这里需要注意的是：hxselect 对 HTML 解析时要求遵循严格的 XML 规范，因此在用 hxselect 解析之前需要先经过 hxclean 矫正。另外，为了防止 HTML 过大，超过参数列表长度，这里允许通过管道的形式将  HTML 内容传入。

循环读取下一页的浏览页面，不断抽取代码片段 URL 写入队列

这里要解决的是上面提到的第三个问题: 多进程对管道进行读写时如何保障不出现乱序? 为此，我们需要在写入文件时对文件加锁，然后在写完文件后对文件解锁，在 shell 中我们可以使用 flock 来对文件进行枷锁。 关于 flock 的使用方法和注意事项，请参见另一篇博文 Linux shell flock 文件锁的用法及注意事项。

由于需要在 flock 子进程中使用函数 extract_views_from_browse_page，因此需要先导出该函数：

export -f extract_views_from_browse_page

由于网络问题，使用 curl 获取内容可能失败，需要重复获取：

functionfetch()

{

localurl="$1"

while !curl-L ${url} 2>/dev/null;do

:

done

}

collector 用来从种子 URL 中抓取待爬的 URL，写入管道文件中，写操作期间管道文件同时作为锁文件：

functioncollector()

{

url="$*"

while [[ -n ${url} ]];do

echo "从$url中抽取"

html=$(fetch"${url}")

echo "${html}"|flock ${queue} -c"extract_views_from_browse_page >${queue}"

url=$(echo "${html}"|extract_nextpage_from_browse_page)

done

# 让后面解析代码片段的爬虫进程能够正常退出，而不至于被阻塞.

for ((i=0;i

do

echo >${queue}

done

}

这里要注意的是， 在找不到下一页 URL 后，我们用一个 for 循环往队列里写入了 =proc_num= 个空行，这一步的目的是让后面解析代码片段的爬虫进程能够正常退出，而不至于被阻塞。

解析脚本片段页面

我们需要从脚本片段的页面中抽取标题、代码片段、描述说明以及标签信息，同时将这些内容按 org 模式的格式写入存储文件中。

functionview_page_handler()

{

localurl="$1"

localhtml="$(fetch "${url}")"

#headline

localheadline="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 >h1:nth-child(1)")"

#command

localcommand="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 >div:nth-child(2) >span:nth-child(2)"|pandoc -f html -t org)"

#description

localdescription="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 >div.description"|pandoc -f html -t org)"

#tags

localtags="$(echo ${html} |hxclean |hxselect -c -s ":" ".functions>a")"

if [[ -n"${tags}" ]];then

tags=":${tags}"

fi

#build org content

cat <

*${headline}${tags}

:PROPERTIES:

:URL:${url}

:END:

${description}

#+begin_src shell

${command}

#+end_src

EOF

}

这里抽取信息的方法跟上面的类似，不过代码片段和描述说明中可能有一些 HTML 代码，因此通过 pandoc 将之转换为 org 格式的内容。

注意最后输出 org 模式的格式并写入存储文件中的代码不要写成下面这样：

flock-x ${store_file} cat <${store_file}

*${headline}\t\t ${tags}

${description}

#+begin_src shell

${command}

#+end_src

EOF

它的意思是使用 flock 对 cat 命令进行加锁，再把 flock 整个命令的结果通过重定向输出到存储文件中，而重定向输出的这个过程是没有加锁的。

spider 从管道文件中读取待抓取的 URL，然后实施真正的抓取动作。

functionspider()

{

while :

do

if !url=$(flock ${queue} -c'read -t 1 -u 99 url && echo $url')

then

sleep 1

continue

fi

if [[ -z"$url" ]];then

break

fi

view_page_handler ${url}

done

}

这里要注意的是，为了防止发生死锁，从管道中读取 URL 时设置了超时，当出现超时就意味着生产进程赶不上消费进程的消费速度,因此消费进程休眠一秒后再次检查队列中的 URL。

组合起来

collector"https://www.commandlinefu.com/commands/browse" &

for ((i=0;i

do

spider&

done

wait

抓取其他网站

通过重新定义 extract_views_from_browse_page、 extract_nextpage_from-browse_page、 view_page_handler 这几个函数， 以及提供一个新的种子 URL，我们可以很容易将其改造成抓取其他网站的多进程爬虫。

例如通过下面这段代码，就可以用来爬取 xkcd 上的漫画：

functionextract_views_from_browse_page()

{

if [[$# -eq0 ]];then

localhtml=$(cat -)

else

localhtml="$*"

fi

max=$(echo "${html}"|hxclean|hxselect-c-s"\n" "#middleContainer"|grep "Permanent link to this comic" |awk-F"/" '{print $4}')

seq1${max}|sed 's@^@https://xkcd.com/@'

}

functionextract_nextpage_from_browse_page()

{

echo ""

}

functionview_page_handler()

{

localurl="$1"

localhtml="$(fetch "${url}/")"

localimage="https:$(echo ${html} |hxclean |hxselect -c -s "\n" "#comic>img:nth-child(1)::attr(src)")"

echo${image}

wget${image}

}

collector"https://xkcd.com/" &