码迷,mamicode.com
首页 > 编程语言 > 详细

基于python的百度云网盘资源搜索引擎设计架构

时间:2016-05-10 15:26:13      阅读:789      评论:0      收藏:0      [点我收藏+]

标签:百度云网盘搜索   python   bt种子   

大家都知道百度云网盘上有很多分享的资源,包括软件、各类视频自学教程、电子书、甚至各种电影、BT种子应有尽有,但百度云却没有提供相应的搜索功能。个人平时要找一些软件、美剧觉得非常蛋疼。于是就尝试开发一个百度云资源的搜索系统。

资源爬虫思路

搜索引擎么最重要的就是有海量的资源了,有了资源,只要再基于资源实现全文检索功能就是一个简单的搜索引擎了。首先我需要爬取百度云的分享资源,爬取思路,打开任意一个百度云分享者的主页yun.baidu.com/share/home?uk=xxxxxx&view=share#category/type=0,你可以发现分享者有订阅者和粉丝,你可以递归遍历订阅者和粉丝,从而获得大量分享者uk,进而获得大量的分享资源。

系统实现环境

语言:python

操作系统:Linux

其他中间件:nginx mysql sphinx

系统包括几个独立的部分

1、基于requests实现的独立资源爬虫

2、基于开源全文检索引擎sphinx实现的资源索引程序

3、基于Django+bootstrap3开发的简易网站,网站搭建采用nginx1.8+fastCGI(flup)+python演示网站http://www.itjujiao.com

PS:

目前爬虫爬取了4000W左右的数据,sphinx对内存的要求实在太大了,巨坑。

百度会对爬虫做ip限制,写了个简单的xicidaili代理采集程序,requests可以配置http代理。

分词是sphinx自带的实现,支持中文分词,中文基于一元分词,有点过度分词,分词效果不是特别理想,比如我搜关键词“叶问3”出现的结果中会有“叶子的问题第3版”,不符合预期。英文分词有很多可以改善的地方,比如我搜xart不会出现x-art的结果,而实际上x-art却也是我想要的结果集(你们懂的)

数据库是mysql,资源表,考虑单表记录上限,分了10个表。第一次爬完sphinx做全量索引,后续做增量索引。

后续优化

1、分词处理,目前分词搜索结果不是很理想,有大神可以指点下思路。比如我检索“功夫熊猫之卷轴的秘密”,一个结果都没有。而检索“功夫熊猫“有结果集(功丶夫熊猫⒊英语中英字幕.mp4,功丶夫熊猫2.Kung.Fu.Panda.2.2011.BDrip.720P.国粤英台四语.特效中英字幕.mp4,功丶夫熊猫3(韩版)2016.高清中字.mkv)或搜索”卷轴的秘密“有结果集([美国]功夫潘达之卷轴的秘密.2016.1080p.mp4,g夫熊猫之卷轴的秘密.HD1280超清中英双字.mp4)

2、数据去重,目前发现抓取的数据很多是共享资源,后续考虑基于MD5去重

 

爬虫部分实现代码(只是思路代码有点乱)

#coding: utf8
 
import re
import urllib2
import time
from Queue import Queue
import threading, errno, datetime
import json
import requests
import MySQLdb as mdb
 
DB_HOST = ‘127.0.0.1‘
DB_USER = ‘root‘
DB_PASS = ‘‘
 
 
re_start = re.compile(r‘start=(\d+)‘)
re_uid = re.compile(r‘query_uk=(\d+)‘)
re_pptt = re.compile(r‘&pptt=(\d+)‘)
re_urlid = re.compile(r‘&urlid=(\d+)‘)
 
ONEPAGE = 20
ONESHAREPAGE = 20
 
URL_SHARE =‘http://yun.baidu.com/pcloud/feed/getsharelist?auth_type=1&start={start}&limit=20&query_uk={uk}&urlid={id}‘
URL_FOLLOW =‘http://yun.baidu.com/pcloud/friend/getfollowlist?query_uk={uk}&limit=20&start={start}&urlid={id}‘
URL_FANS =‘http://yun.baidu.com/pcloud/friend/getfanslist?query_uk={uk}&limit=20&start={start}&urlid={id}‘
 
QNUM = 1000
hc_q = Queue(20)
hc_r = Queue(QNUM)
 
success = 0
failed = 0
 
PROXY_LIST = [[0, 10,"42.121.33.160", 809, "", "", 0],
               [5, 0, "218.97.195.38", 81, "", "", 0],
               ]
 
def req_worker(inx):
    s =requests.Session()
    whileTrue:
       req_item = hc_q.get()
        
       req_type = req_item[0]
       url = req_item[1]
        r= s.get(url)
       hc_r.put((r.text, url))
       print "req_worker#", inx, url
        
def response_worker():
   dbconn = mdb.connect(DB_HOST, DB_USER, DB_PASS, ‘baiduyun‘,charset=‘utf8‘)
   dbcurr = dbconn.cursor()
   dbcurr.execute(‘SET NAMES utf8‘)
   dbcurr.execute(‘set global wait_timeout=60000‘)
    whileTrue:
        
       metadata, effective_url = hc_r.get()
       #print "response_worker:", effective_url
       try:
           tnow = int(time.time())
           id = re_urlid.findall(effective_url)[0]
           start = re_start.findall(effective_url)[0]
           if True:
               if ‘getfollowlist‘ in effective_url: #type = 1
                    follows =json.loads(metadata)
                    uid =re_uid.findall(effective_url)[0]
                    if "total_count"in follows.keys() and follows["total_count"]>0 and str(start) =="0":
                        for i inrange((follows["total_count"]-1)/ONEPAGE):
                            try:
                               dbcurr.execute(‘INSERT INTO urlids(uk, start, limited, type, status)VALUES(%s, %s, %s, 1, 0)‘ % (uid, str(ONEPAGE*(i+1)), str(ONEPAGE)))
                            except Exception asex:
                                print"E1", str(ex)
                                pass
                    
                    if "follow_list"in follows.keys():
                        for item infollows["follow_list"]:
                            try:
                               dbcurr.execute(‘INSERT INTO user(userid, username, files, status,downloaded, lastaccess) VALUES(%s, "%s", 0, 0, 0, %s)‘ %(item[‘follow_uk‘], item[‘follow_uname‘], str(tnow)))
                            except Exception asex:
                                print"E13", str(ex)
                                pass
                    else:
                        print "delete1", uid, start
                        dbcurr.execute(‘deletefrom urlids where uk=%s and type=1 and start>%s‘ % (uid, start))
               elif ‘getfanslist‘ in effective_url: #type = 2
                    fans = json.loads(metadata)
                   uid =re_uid.findall(effective_url)[0]
                    if "total_count"in fans.keys() and fans["total_count"]>0 and str(start) =="0":
                        for i inrange((fans["total_count"]-1)/ONEPAGE):
                            try:
                               dbcurr.execute(‘INSERT INTO urlids(uk, start, limited, type, status)VALUES(%s, %s, %s, 2, 0)‘ % (uid, str(ONEPAGE*(i+1)), str(ONEPAGE)))
                            except Exception asex:
                                print"E2", str(ex)
                                pass
                    
                    if "fans_list" infans.keys():
                        for item infans["fans_list"]:
                            try:
                                dbcurr.execute(‘INSERTINTO user(userid, username, files, status, downloaded, lastaccess) VALUES(%s,"%s", 0, 0, 0, %s)‘ % (item[‘fans_uk‘], item[‘fans_uname‘],str(tnow)))
                            except Exception asex:
                                print "E23",str(ex)
                                pass
                    else:
                        print "delete2", uid, start
                        dbcurr.execute(‘deletefrom urlids where uk=%s and type=2 and start>%s‘ % (uid, start))
               else:
                    shares =json.loads(metadata)
                    uid =re_uid.findall(effective_url)[0]
                    if "total_count"in shares.keys() and shares["total_count"]>0 and str(start) =="0":
                        for i inrange((shares["total_count"]-1)/ONESHAREPAGE):
                            try:
                               dbcurr.execute(‘INSERT INTO urlids(uk, start, limited, type, status)VALUES(%s, %s, %s, 0, 0)‘ % (uid, str(ONESHAREPAGE*(i+1)), str(ONESHAREPAGE)))
                            except Exception asex:
                                print"E3", str(ex)
                                pass
                    if "records" inshares.keys():
                        for item inshares["records"]:
                            try:
                               dbcurr.execute(‘INSERT INTO share(userid, filename, shareid, status)VALUES(%s, "%s", %s, 0)‘ % (uid, item[‘title‘], item[‘shareid‘]))
                            except Exception asex:
                                #print"E33", str(ex), item
                                pass
                    else:
                        print "delete0", uid, start
                        dbcurr.execute(‘deletefrom urlids where uk=%s and type=0 and start>%s‘ % (uid, str(start)))
               dbcurr.execute(‘delete from urlids where id=%s‘ % (id, ))
               dbconn.commit()
       except Exception as ex:
           print "E5", str(ex), id
 
        
       pid = re_pptt.findall(effective_url)
        
       if pid:
           print "pid>>>", pid
           ppid = int(pid[0])
           PROXY_LIST[ppid][6] -= 1
   dbcurr.close()
   dbconn.close()
    
def worker():
   global success, failed
   dbconn = mdb.connect(DB_HOST, DB_USER, DB_PASS, ‘baiduyun‘,charset=‘utf8‘)
   dbcurr = dbconn.cursor()
   dbcurr.execute(‘SET NAMES utf8‘)
   dbcurr.execute(‘set global wait_timeout=60000‘)
    whileTrue:
 
       #dbcurr.execute(‘select * from urlids where status=0 order by type limit1‘)
       dbcurr.execute(‘select * from urlids where status=0 and type>0 limit1‘)
        d= dbcurr.fetchall()
       #print d
       if d:
           id = d[0][0]
            uk = d[0][1]
           start = d[0][2]
           limit = d[0][3]
           type = d[0][4]
           dbcurr.execute(‘update urlids set status=1 where id=%s‘ % (str(id),))
           url = ""
           if type == 0:
               url = URL_SHARE.format(uk=uk, start=start, id=id).encode(‘utf-8‘)
           elif  type == 1:
               url = URL_FOLLOW.format(uk=uk, start=start, id=id).encode(‘utf-8‘)
           elif type == 2:
               url = URL_FANS.format(uk=uk, start=start, id=id).encode(‘utf-8‘)
           if url:
               hc_q.put((type, url))
               
           #print "processed", url
       else:
           dbcurr.execute(‘select * from user where status=0 limit 1000‘)
           d = dbcurr.fetchall()
           if d:
               for item in d:
                    try:
                        dbcurr.execute(‘insertinto urlids(uk, start, limited, type, status) values("%s", 0, %s, 0,0)‘ % (item[1], str(ONESHAREPAGE)))
                        dbcurr.execute(‘insertinto urlids(uk, start, limited, type, status) values("%s", 0, %s, 1,0)‘ % (item[1], str(ONEPAGE)))
                        dbcurr.execute(‘insertinto urlids(uk, start, limited, type, status) values("%s", 0, %s, 2,0)‘ % (item[1], str(ONEPAGE)))
                        dbcurr.execute(‘updateuser set status=1 where userid=%s‘ % (item[1],))
                    except Exception as ex:
                        print "E6",str(ex)
           else:
               time.sleep(1)
               
       dbconn.commit()
   dbcurr.close()
   dbconn.close()
        
    
for item in range(16):    
    t =threading.Thread(target = req_worker, args = (item,))
   t.setDaemon(True)
   t.start()
 
s = threading.Thread(target = worker, args =())
s.setDaemon(True)
s.start()
 
response_worker()


基于python的百度云网盘资源搜索引擎设计架构

标签:百度云网盘搜索   python   bt种子   

原文地址:http://3434116.blog.51cto.com/3424116/1771746

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!