0

我正在学习 Python，并且通过在线资源和本网站上的人员的帮助，我掌握了它的窍门。在我的第一个脚本中，我正在解析 Twitter RSS 提要条目并将结果插入到数据库中，还有一个我无法解决的遗留问题。即，重复的条目被插入到其中一个表中。

作为背景知识，我最初在 HalOtis.com 上找到了一个用于下载 RSS 提要的基本脚本，然后以多种方式对其进行了修改：1）修改以解决 Twitter RSS 提要中的特殊性（它没有分为内容、标题、URL、 ETC。）; 2) 为“hashtags”和多对多关系添加表（entry_tag 表）；3) 将表设置更改为 sqlalchemy；4) 进行了一些临时更改以解决正在发生的奇怪的 unicode 问题。结果，代码有些地方很难看，但它是一次很好的学习体验，现在可以工作了——除了它不断在“条目”表中插入重复项。

由于我不确定什么对人们最有帮助，所以我粘贴了下面的整个代码，并在几个地方添加了一些注释来指出我认为最重要的内容。

我真的很感激这方面的任何帮助。谢谢！

编辑：有人建议我为数据库提供一个模式。我以前从来没有这样做过，所以如果我做得不对，请耐心等待。我正在设置四个表：

  1. RSSFeeds，其中包含 Twitter RSS 提要列表
  2. RSSEntries，其中包含从每个提要下载（解析后）的单个条目列表（包含内容、主题标签、日期、url 的列）
  3. 标签，其中包含在单个条目中找到的所有主题标签的列表（推文）
  4. entry_tag，其中包含允许我将标签映射到条目的列。

简而言之，下面的脚本从 RSS Feeds 表中抓取五个测试 RSS 提要，从每个提要下载 20 个最新条目/推文，解析条目，并将信息放入 RSS 条目、标签和 entry_tag 表中。

#!/usr/local/bin/python

import sqlite3
import threading
import time
import Queue
from time import strftime
import re       
from string import split 
import feedparser 
from django.utils.encoding import smart_str, smart_unicode      
from sqlalchemy import schema, types, ForeignKey, select, orm
from sqlalchemy import create_engine

engine = create_engine('sqlite:///test98.sqlite', echo=True)
metadata = schema.MetaData(engine)   
metadata.bind = engine

def now():
    return datetime.datetime.now()


#set up four tables, with many-to-many relationship
RSSFeeds = schema.Table('feeds', metadata,
    schema.Column('id', types.Integer, 
        schema.Sequence('feeds_seq_id', optional=True), primary_key=True),
    schema.Column('url', types.VARCHAR(1000), default=u''),
)


RSSEntries = schema.Table('entries', metadata,
    schema.Column('id', types.Integer, 
        schema.Sequence('entries_seq_id', optional=True), primary_key=True),
    schema.Column('feed_id', types.Integer, schema.ForeignKey('feeds.id')),
    schema.Column('short_url', types.VARCHAR(1000), default=u''),
    schema.Column('content', types.Text(), nullable=False),
    schema.Column('hashtags', types.Unicode(255)),
    schema.Column('date', types.String()),  
)


tag_table = schema.Table('tag', metadata,
    schema.Column('id', types.Integer,
       schema.Sequence('tag_seq_id', optional=True), primary_key=True),
    schema.Column('tagname', types.Unicode(20), nullable=False, unique=True),
)


entrytag_table = schema.Table('entrytag', metadata,
    schema.Column('id', types.Integer,
        schema.Sequence('entrytag_seq_id', optional=True), primary_key=True),
    schema.Column('entryid', types.Integer, schema.ForeignKey('entries.id')),
    schema.Column('tagid', types.Integer, schema.ForeignKey('tag.id')),
)


metadata.create_all(bind=engine, checkfirst=True)


# Insert test set of Twitter RSS feeds
stmt = RSSFeeds.insert()
stmt.execute(
    {'url': 'http://twitter.com/statuses/user_timeline/14908909.rss'},
    {'url': 'http://twitter.com/statuses/user_timeline/52903246.rss'},
    {'url': 'http://twitter.com/statuses/user_timeline/41902319.rss'},
    {'url': 'http://twitter.com/statuses/user_timeline/29950404.rss'},
    {'url': 'http://twitter.com/statuses/user_timeline/35699859.rss'},
)



#These 3 lines for threading process (see HalOtis.com for example) 
THREAD_LIMIT = 20
jobs = Queue.Queue(0)
rss_to_process = Queue.Queue(THREAD_LIMIT)


#connect to sqlite database and grab the 5 test RSS feeds
conn = engine.connect()
feeds = conn.execute('SELECT id, url FROM feeds').fetchall()

#This block contains all the parsing and DB insertion 
def store_feed_items(id, items):
    """ Takes a feed_id and a list of items and stores them in the DB """
    for entry in items:
        conn.execute('SELECT id from entries WHERE short_url=?', (entry.link,))
        #note: entry.summary contains entire feed entry for Twitter, 
                    #i.e., not separated into content, etc.
        s = unicode(entry.summary) 
        test = s.split()
        tinyurl2 = [i for i in test if i.startswith('http://')]
        hashtags2 = [i for i in s.split() if i.startswith('#')]
        content2 = ' '.join(i for i in s.split() if i not in tinyurl2+hashtags2)
        content = unicode(content2)
        tinyurl = unicode(tinyurl2)
        hashtags = unicode (hashtags2)
        print hashtags
        date = strftime("%Y-%m-%d %H:%M:%S",entry.updated_parsed)


        #Insert parsed feed data into entries table 
                    #THIS IS WHERE DUPLICATES OCCUR
        result = conn.execute(RSSEntries.insert(), {'feed_id': id, 'short_url': tinyurl,
            'content': content, 'hashtags': hashtags, 'date': date})
        entry_id = result.last_inserted_ids()[0]


        #Look up tag identifiers and create any that don't exist:
        tags = tag_table
        tag_id_query = select([tags.c.tagname, tags.c.id], tags.c.tagname.in_(hashtags2))
        tag_ids = dict(conn.execute(tag_id_query).fetchall())
        for tag in hashtags2:
            if tag not in tag_ids:
                result = conn.execute(tags.insert(), {'tagname': tag})
                tag_ids[tag] = result.last_inserted_ids()[0]

        #insert data into entrytag table 
        if hashtags2: conn.execute(entrytag_table.insert(),
            [{'entryid': entry_id, 'tagid': tag_ids[tag]} for tag in hashtags2])


#Rest of file completes the threading process     
def thread():
    while True:
        try:
            id, feed_url = jobs.get(False) # False = Don't wait
        except Queue.Empty:
            return

        entries = feedparser.parse(feed_url).entries
        rss_to_process.put((id, entries), True) # This will block if full

for info in feeds: # Queue them up
    jobs.put([info['id'], info['url']])

for n in xrange(THREAD_LIMIT):
    t = threading.Thread(target=thread)
    t.start()

while threading.activeCount() > 1 or not rss_to_process.empty():
    # That condition means we want to do this loop if there are threads
    # running OR there's stuff to process
    try:
        id, entries = rss_to_process.get(False, 1) # Wait for up to a second
    except Queue.Empty:
        continue

    store_feed_items(id, entries)
4

1 回答 1

2

看起来您将 SQLAlchemy 包含到以前存在的未使用 SQLAlchemy 的脚本中。这里有太多的活动部分，我们显然都不够了解。

我建议从头开始。不要使用线程。不要使用 sqlalchemy。开始可能甚至不使用 SQL 数据库。编写一个脚本，使用简单的循环和 time.sleep() 以最简单的可能方式将您想要的信息收集到一个简单的数据结构中。然后，当它起作用时，您可以将存储添加到 SQL 数据库中，我真的不认为直接编写 SQL 语句比使用 ORM 更难，而且更容易调试恕我直言。您很有可能永远不需要添加线程。

“如果你认为自己足够聪明，可以编写多线程程序，那你就不是。” ——詹姆斯·奥尔斯特罗姆。

于 2009-10-01T20:59:02.723 回答