1
Я уже несколько дней подбиваю небольшой проект для домашних животных, который состоит из создания искателя в Perl.Как я могу сделать свой веб-искатель Perl быстрее?
У меня нет реального опыта работы на Perl (только то, что я узнал за последние два дня). Мой сценарий выглядит следующим образом:
ACTC.pm:
#!/usr/bin/perl
use strict;
use URI;
use URI::http;
use File::Basename;
use DBI;
use HTML::Parser;
use LWP::Simple;
require LWP::UserAgent;
my $ua = LWP::UserAgent->new;
$ua->timeout(10);
$ua->env_proxy;
$ua->max_redirect(0);
package Crawler;
sub new {
my $class = shift;
my $self = {
_url => shift,
_max_link => 0,
_local => 1,
};
bless $self, $class;
return $self;
}
sub trim{
my($self, $string) = @_;
$string =~ s/^\s+//;
$string =~ s/\s+$//;
return $string;
}
sub process_image {
my ($self, $process_image) = @_;
$self->{_process_image} = $process_image;
}
sub local {
my ($self, $local) = @_;
$self->{_local} = $local;
}
sub max_link {
my ($self, $max_link) = @_;
$self->{_max_link} = $max_link;
}
sub x_more {
my ($self, $x_more) = @_;
$self->{_x_more} = $x_more;
}
sub resolve_href {
my ($self, $base, $href) = @_;
my $u = URI->new_abs($href, $base);
return $u->canonical;
}
sub write {
my ($self, $ref, $data) = @_;
open FILE, '>c:/perlscripts/' . $ref . '_' . $self->{_process_image} . '.txt';
foreach($data) {
print FILE $self->trim($_) . "\n";
}
close(FILE);
}
sub scrape {
my (@m_error_array, @m_href_array, @href_array, $dbh, $query, $result, $array);
my ($self, $DBhost, $DBuser, $DBpass, $DBname) = @_;
if(defined($self->{_process_image}) && (-e 'c:/perlscripts/href_w_' . $self->{_process_image} . ".txt")) {
open ERROR_W, "<c:/perlscripts/error_w_" . $self->{_process_image} . ".txt";
open M_HREF_W, "<c:/perlscripts/m_href_w_" . $self->{_process_image} . ".txt";
open HREF_W, "<c:/perlscripts/href_w_" . $self->{_process_image} . ".txt";
@m_error_array = <ERROR_W>;
@m_href_array = <M_HREF_W>;
@href_array = <HREF_W>;
close (ERROR_W);
close (M_HREF_W);
close (HREF_W);
}else{
@href_array = ($self->{_url});
}
my $z = 0;
while(@href_array){
if(defined($self->{_x_more}) && $z == $self->{_x_more}) {
print "died";
last;
}
my $href = shift(@href_array);
if(defined($self->{_process_image}) && scalar @href_array ne 0) {
$self->write('m_href_w', @m_href_array);
$self->write('href_w', @href_array);
$self->write('error_w', @m_error_array);
}
$self->{_link_count} = scalar @m_href_array;
my $info = URI::http->new($href);
if(! defined($info->host)) {
push(@m_error_array, $href);
}else{
my $host = $info->host;
$host =~ s/^www\.//;
$self->{_current_page} = $href;
my $redirect_limit = 10;
my $y = 0;
my($response, $responseCode);
while(1 && $y le $redirect_limit) {
$response = $ua->get($href);
$responseCode = $response->code;
if($responseCode == 200 || $responseCode == 301 || $responseCode == 302) {
if($responseCode == 301 || $responseCode == 302) {
$href = $self->resolve_href($href, $response->header('Location'));
}else{
last;
}
}else{
last;
}
$y++;
}
if($y != $redirect_limit && $responseCode == 200) {
print $href . "\n";
if(! defined($self->{_url_list})) {
my @url_list = ($href);
}else{
my @url_list = $self->{_url_list};
push(@url_list, $href);
$self->{_url_list} = @url_list;
}
my $DNS = "dbi:mysql:$DBname:$DBhost:3306";
$dbh = DBI->connect($DNS, $DBuser, $DBpass) or die $DBI::errstr;
$result = $dbh->prepare("INSERT INTO `". $host ."` (URL) VALUES ('$href')");
if(! $result->execute()){
$result = $dbh->prepare("CREATE TABLE `". $host ."` (`ID` INT(255) NOT NULL AUTO_INCREMENT , `URL` VARCHAR(255) NOT NULL , PRIMARY KEY (`ID`)) ENGINE = MYISAM ;");
$result->execute();
print "Host added: " . $host . "\n";
}
my $content = $response->content;
die "get failed: " . $href if (!defined $content);
my @pageLinksArray = ($content =~ m/href=["']([^"']*)["']/g);
foreach(@pageLinksArray) {
my $link = $self->trim($_);
if($self->{_max_link} != 0 && scalar @m_href_array > $self->{_max_link}) {
last;
}
my $new_href = $self->resolve_href($href, $link);
if($new_href =~ m/^http:\/\//) {
if(substr($new_href, -1) ne "#") {
my $base = $self->{_url};
my %values_index;
@values_index{@m_href_array} =();
if(! $new_href =~ m/$base/) {
if($self->{_local} eq "true" && ! exists $values_index{$new_href}) {
push(@m_href_array, $new_href);
push(@href_array, $new_href);
}
}elsif($self->{_local} eq "true" && ! exists $values_index{$new_href}) {
push(@m_href_array, $new_href);
push(@href_array, $new_href);
}
}
}
}
}else{
push(@m_error_array, $href);
}
}
}
}
1;
new_spider.pl:
#!/usr/bin/perl
use strict;
use warnings;
use ACTC;
my ($object, $url, $uri);
print "Starting Poing: (url): ";
chomp($url = <>);
$object = new Crawler($url);
$object->process_image('process_image_name');
$object->local('true');
$object->max_link(0);
$object->x_more(9999999);
$object->scrape('localhost', 'root', '', 'crawl');
#print $object->{_url} . "\n";
#print $object->{_process_image};
Теперь это не выполнить некоторые функции не работают правильно, но после выполнения сценария Я проиндексировал 1500 страниц примерно за час, который, я думаю, довольно медленный.
Сценарий начался из-за взбивания результатов, но теперь он довольно неряшливо выплевывает один URL-адрес каждую секунду.
Можно ли дать какие-либо советы о том, как повысить производительность?
Похож на открытый вопрос «оптимизации», возможно, на Wiki сообщества? – pascal
Можете ли вы уточнить? Является ли ваш процессор 100%? Или ваше сетевое соединение? – pascal
только что проверено и да, это 100%. –