本人菜鸡，最近还更新python的爬虫系列，有什么错误，还望大家批评指出！

该系列暂时总共有4篇文章，连接如下：

【python】爬虫篇：python连接postgresql（一）：https://blog.csdn.net/lsr40/article/details/83311860

【python】爬虫篇：python对于html页面的解析（二）：https://blog.csdn.net/lsr40/article/details/83380938

【python】爬虫篇：python使用psycopg2批量插入数据（三）：https://blog.csdn.net/lsr40/article/details/83537974

【pykafka】爬虫篇：python使用python连接kafka介绍（四）：https://blog.csdn.net/lsr40/article/details/83754406

在上一篇文章中，我讲到了python批量插入数据库，但是因为访问url的线程多的原因，可能会导致接入数据库的线程也多，对于数据库在说是一种压力，因此，我用到了另一个框架：kafka

整体架构调整如下图：

喜欢看文字描述的朋友可以看看如下解释：

在集群外的一台机器上启动一个python脚本，该脚本从数据库读出数据，然后将这些数据分发给多个线程，每个线程各自访问url，解析正文，创建一个kafka的生产者往kafka中发送数据（有多少条线程，就有多少个kafka信息），接着在内网环境中，启动一个kafka消费者，将所有生产者传递过来的数据解析，并批量插入数据库。

然后我再说几个点：

1、我试过，如果每个kafka生产者获取到个url的正文，就往kafka发送消息，这样相对来说可以更加保证数据不丢失，但是消费者会消费来不及，也就是说会有数据延迟，而且把生产者关了一段时间，消费者还消费不完（延迟挺严重），所以还是得通过拼接字符串的方式，使得一条kafka消息中，有几十（甚至可以更多）条数据，然后消费端再解析这个数据，批量插入数据库（详细看代码），节省时间和资源。

2、数据是否会出现问题，会的，我来列举下会丢或者重复数据的几个地方。

• 丢失数据：

1. urllib获取页面信息的时候，有可能超时，所以那个页面就跳过去了
2. 生产者发送数据的时候，有可能因为网络或者其他原因没发送成功（大部分是因为网络）

• 数据重复：

1. 消费者消费完数据之后，由于消费者的程序挂了，没能将偏移量提交到zookeeper上，导致下次再开启消费者的时候，重复消费数据，但是因为我的消费者压力不大，所以没有出现主动挂掉的情况

总结：我会通过sql的join方式，每次都从数据库中拿出那些未被处理的数据，也就是说丢数据也无所谓，数据重复的问题，可以用主键（一张表内不会出现两条相同主键的数据），或者最后用sql来对表进行去重的方式来解决。

3、python连接kafka有两个包：pykafka和kafka-python

具体他们之间孰好孰坏，可以看下pykafka开发者在自己的GitHub给别人的回答：https://github.com/Parsely/pykafka/issues/334，当然是全英文的。不过（作者：高尔夫golf，标明转载）https://blog.csdn.net/konglongaa/article/details/81206889有对于这个issue的中文翻译和总结，如果大家有兴趣可以去看下，当然，这个issue的回答有些年代了，所以也不一定完全正确，比如里面说pykafka只支持0.8.2版本的kafka，但是我使用了kafka_2.11-1.0.1版本，完全没有版本不兼容的问题。

 

代码如下：

生产者：

from concurrent.futures import ThreadPoolExecutor
import time
import urllib.request
import  psycopg2
from lxml import etree
from pykafka import KafkaClient


def insertManyRow(strings):
    print('insertManyRow:',strings)
    # 多条数据间使用 =.= 来做分隔符
    b="=.=".join(strings)
    try:
        print('进入到生产者代码！')

        client = KafkaClient(hosts="broker1:端口1,broker2:端口2,broker3:端口3")
        # 查看所有topic
        print(client.topics)
        topic = client.topics['指定发送的topic名称']  # 选择一个topic
		# 同步发送数据
        with topic.get_sync_producer() as producer:
			# 数据转换成byte才可以发送
            producer.produce(bytes(b, encoding="utf8"))

    except Exception as e:
        print("发送失败%s" % (e))
      

def productList(rows):
    string=''
    # 将多条数据放入list中
    strings=[]
    count = 0
    for row in rows:
        file = urllib.request.urlopen(row[2],timeout=5)

        try: 
            data = file.read()
            #是否被封号，从偏移量3000的位置往下找
            isBan=str(data).find('被封号的字符串', 3000)
            if(isBan!=-1):
                string='ip被封'
            else:
                selector = etree.HTML(data)
                data = selector.xpath('//*[@id="zhengwen"]/p/span/text()')
                # 将获取到的多个正文内容拼接成一条字符串
                for i in data:
                    if (i != None):
                        string = string + i  

            # 打印查看
            print('正文：', string)
            # 将数据库中一条数据的多个字段通过 -.- 拼接到一起
            content=row[0]+'-.-'+row[1]+'-.-'+string+'-.-'+row[3]+'-.-'+row[4]
            # 放入list中
            strings.append(content)
            # 清空字符串
            string = ''
            print("集合：", strings)
            print("集合长度：",len(strings))
            count = count + 1
            # 每十条数据就调用一次kafka生产者的代码
            if (count >= 10):
                print('进入到insertManyRow')
                insertManyRow(strings)
                strings = []
                count = 0
        except Exception as e:
            print("线程出错：%s" % (e))

if __name__ == '__main__':
    conn = psycopg2.connect(database="数据库", user="用户名", password="密码",
                                   host="ip",
                                   port="端口")
    cur = conn.cursor()
    
    sql = "查询的sql，查出未处理的url"
    cur.execute(sql1)
    rows = cur.fetchall()
    print('拉取到数据')
    start=time.time()
    # 开启10个线程，每个线程每次拉取10条url
    with ThreadPoolExecutor(10) as executor:
        for i in range(0, len(rows)//10, 1):
            executor.submit(productList, rows[i*10:(i+1)*10])
    end = time.time()
    print("time: " + str(end - start))
    conn.close()

消费者：

from pykafka import KafkaClient
import psycopg2

client = KafkaClient(hosts="broker1:端口1,broker2:端口2,broker3:端口3")
# 查看所有topic
print(client.topics)
topic = client.topics['指定发送的topic名称']  # 选择一个topic

#获得一个均衡的消费者
balanced_consumer = topic.get_balanced_consumer(
consumer_group=bytes('消费者组名',encoding='utf-8'),
auto_commit_enable=True,# 设置为False的时候不需要添加consumer_group,直接连接topic即可取到消息
#kafka在zk上的路径，这个路径应该和kafka的broker配置的zk路径一样（不然zk上会放得乱七八糟的。。。）
zookeeper_connect='zk1:端口1,zk2:端口1,zk3:端口3/kafka在zk上的路径'
)


# arrs=[]
insertarr=[]

for message in balanced_consumer:
    print(message)
    if message is not None:
        #print(message.offset, message.value, type(message.value), str(message.value, encoding="utf8"))
		#将接受到的数据转换成executemany能接受的数据格式
        arrs=str(message.value, encoding="utf8").split('=.=')
        for arr in arrs:
            a=arr.split('-.-')
            insertarr.append(a)
    try:
		conn = psycopg2.connect(database="数据库", user="用户名", password="密码",
                                   host="ip",
                                   port="端口")
		cur = conn.cursor()
        sql = "INSERT INTO 数据库.表名(字段1,字段2,字段3,字段4,字段5) VALUES(%s,%s,%s,%s,%s)"
        print(insertarr)
        cur.executemany(sql, insertarr)
        conn.commit()
        insertarr = []
        conn.close()
    except Exception as e:
        print("插入错误：%s" % (e))
        insertarr=[]
        conn.close()

所以，到这里，这个爬虫系列的文章就更新到这里了！因为我使用到了kafka框架，下一篇文章，应该会说下kafka生产者，消费者的一些东西，比如，我使用的get_balanced_consumer这个api，然后还有第一篇文章说的分类的东西，我也会开博客来记录！

标准结尾，菜鸡一只，如果有更好的思路或者不明白的问题可以给我评论，如果有错误也望各位大神能够及时指出，虚心受教~