DatasetCrawler » Historie » Revize 10
Revize 9 (Petr Hlaváč, 2020-05-27 08:58) → Revize 10/11 (Petr Hlaváč, 2020-05-27 14:55)
h1. DatasetCrawler
Složka obsahuje implementace crawleru pro jednotlivé datasety. Crawlery jsou dynamicky importovány je tedy proto nutné dodržet pojemnování *"dataset-name"_crawler.py*.
Je velmi žádoucí aby crawler pro stažení souboru používal funkci *basic_crawler_functions.download_file_from_url("url_souboru", "jmeno_datasetu")*.
Ta totiž ukládá do databáze zmínku o tom, které soubory byly již staženy aby nedocházelo k duplicitám nebo zbytečnému stahování.
h2. Generovaný crawler
Při použití skriptu *PrepareNewDataset.py* vznikne následující kostra pro doplnění funkčnosti.
<pre>
# Path to crawled data
CRAWLED_DATA_PATH = "CrawledData/"
def crawl(config):
"""
Implement crawl method that downloads new data to path_for_files
For keeping the project structure
url , regex, and dataset_name from config
You can use already implemented functions from Utilities/Crawler/BasicCrawlerFunctions.py
Args:
config: loaded configuration file of dataset
"""
dataset_name = config["dataset-name"]
url = config['url']
regex = config['regex']
path_for_files = CRAWLED_DATA_PATH + dataset_name + '/'
print("You must implements Crawl method first!")
</pre>
h2. Vzorově implementovaný crawler
Pro ukázku byl zvonel crawler pro dataset koloběžek. Je zde využito hlavně funkcí z *Utilities.Crawler.basic_crawler_functions*.
# Crawler si stáhne stránku specifikovanou v konfiguračním souboru jako root (https://openstore.zcu.cz/).
# Vyparsuje všechny odkazy na stránce
# Vyfiltruje pouze požadované ("^OD_ZCU") a ty ze kterých již byla stažená data.
# Následně projde všechny odkazy první urovně stejným způsobem získá všechny odkazy a vyfiltruje je podle regexu specifikovaného v konfiguračním souboru
# Linky, které prošli filtrem odkazují na soubory s daty.
# Data stáhneme pomocí funkce *basic_crawler_functions.download_file_from_url("url_souboru", "jmeno_datasetu")*, který zajistí stažení souboru na správné místo a uložení jeho linku do databáze.
# Jelikož jsou data data na stránce ve formátu ".zip" ještě projdeme znovu celou složku soubory rozbalíme a zipy smažeme funkcí *folder_processor.unzip_all_csv_zip_files_in_folder(path_for_files)*
<pre>
from Utilities import folder_processor
from Utilities.Crawler import basic_crawler_functions
# Path to crawled data
CRAWLED_DATA_PATH = "CrawledData/"
def crawl(config):
"""
Implement crawl method that downloads new data to path_for_files
For keeping the project structure
url , regex, and dataset_name from config
You can use already implemented functions from Utilities/Crawler/basic_crawler_functions.py
Args:
config: loaded configuration file of dataset
"""
dataset_name = config["dataset-name"]
url = config['url']
regex = config['regex']
path_for_files = CRAWLED_DATA_PATH + dataset_name + '/'
first_level_links = basic_crawler_functions.get_all_links(url)
filtered_first_level_links = basic_crawler_functions.filter_links(first_level_links, "^OD_ZCU")
absolute_first_level_links = basic_crawler_functions.create_absolute_links(filtered_first_level_links, url)
files = []
for link in absolute_first_level_links:
second_level_links = basic_crawler_functions.get_all_links(link)
filtered_second_level_links = basic_crawler_functions.filter_links(second_level_links, regex)
absolute_second_level_links = basic_crawler_functions.create_absolute_links(filtered_second_level_links, link)
final_links = basic_crawler_functions.remove_downloaded_links(absolute_second_level_links, dataset_name)
for file_link in absolute_second_level_links: final_links:
files.append(file_link)
files = basic_crawler_functions.remove_downloaded_links(files, dataset_name)
for file in files:
basic_crawler_functions.download_file_from_url(file, dataset_name)
folder_processor.unzip_all_csv_zip_files_in_folder(path_for_files)
</pre>