Python
Data Mining
Big Data
Open data
Google Cloud Platform
January 2018 29

Анализируй это. Mista.ru


What, How, Why


Форум Mista.ru — один из самых старых и активных форумов, посвященных 1С. Первое сообщение датировано 2000 годом и на текущий момент счетчик тем перевалил за 800000, а количество сообщений больше 16 000 000. Форум был настолько популярен, что его даже пытались "зеркалировать", так как содержал неплохую базу вопросов-ответов по 1С, из-за чего админы форума добавили "защиту от скачивания". В этой статье будет описано то, как можно скачать этот (а наверное и любой другой) форум в относительно короткие сроки при помощи Google Cloud Platform.


Intro


После моего предыдущего мини-проекта по получению интересного (на мой взгляд) дата-сета, мне нужна была очередная интересная задача, при решении которой я бы мог потренировать свои скиллы как data engineer. В качестве цели выбрал форум адинеснегов Mista.ru и сделал это сразу по нескольким причинам. Во-первых, это довольно старый форум и за многие годы он накопил миллионы сообщений на разные тематики. Во-вторых, он один из самых популярных среди программистов 1С (по-крайней мере был лет 6-7 назад) и активность на нем довольно высокая. В-третьих, 99.99% пользователей форума — сторонники нынешнего президента, а концентрация "упоротых ура-патриотов" просто зашкаливает, а это в свою очередь дает надежду получить очень интересную аналитику, например частоту употребления знаменитого слова "###", "Путин" или "Путин ###". Ну и в-четвертых, благодаря "защите", задача скачать форум становилась чуть более интереснее.


Grabbing script


Первые попытки подойти к задаче с уже имеющимися инструментами, которые остались у меня от предыдущего проекта, провалились. После 20 запросов GET запросов форум переставал отвечать. В веб-бекэнде не силен, но подозреваю, что частые запросы с одного ИП отслеживались и на все, что было не похоже на запросы от обычного пользователя, ставился бан. Куча перебранных скачивалок и грабберов сайтов натыкались на те же грабли и шли в корзину. Нужна была свежая идея.


И она нашлась. В частично пройденном курсе по Ruby-on-Rails услышал, что есть инструменты для автоматического тестирования, которые позволяют закодировать поведение пользователя и использовать эти скрипты-эмуляторы для в тест-кейсах. Вспомнив слово Selenium и воспользовавшись Гуглом, довольно быстро нашел небольшие примеры, с единственным нюансом — они были на питоне, а в моем арсенале был только 1С и R. Однако, с учетом того, что питон считается одним из легких в освоении, через пару часов я уже мог залогиниться на форуме:



import selenium
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait

driver = webdriver.Chrome("/usr/local/bin/chromedriver")
base_url = 'http://www.forum.mista.ru/'

driver.get(base_url)
username = "Добрый хачик"
password = "11"
uname = driver.find_element_by_name("user_name")
uname.send_keys(username.decode('utf-8'))
passw = driver.find_element_by_name("user_password")
passw.send_keys(password)
submit_button = driver.find_element_by_class_name("sendbutton").click()


А еще спустя (довольно продолжительное должен сказать) время появился такой вот класс MistaDownloader, который позволял сразу после инициализации залогиниться на форуме и скачивать ветки форума по ее номеру:


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

import base64
import selenium
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from bs4 import BeautifulSoup
from urllib import quote
import sys
import codecs
import binascii
import os
import datetime
import subprocess
import syslog

reload(sys)
sys.setdefaultencoding("utf-8")

syslog.syslog("MistaDownloader class loaded.")
print ("MistaDownloader class loaded.")

class MistaDownloader:

  def print_to_log(self, message):
    syslog.syslog(message)
    print (message)

  def __init__(self):
    self.print_to_log("MistaDownloader initializing...")
    self.driver = webdriver.Chrome("/usr/local/bin/chromedriver")
    self.base_url = 'http://www.forum.mista.ru/'
    self.folder = '//home/gomista/files'
    if not os.path.exists(self.folder):
      os.makedirs(self.folder)
    self.print_to_log("MistaDownloader initialized.")

  def authenticate(self):
    self.driver.get(self.base_url)
    username = "Добрый хачик"
    password = "11"
    uname = self.driver.find_element_by_name("user_name")
    uname.send_keys(username.decode('utf-8'))
    passw = self.driver.find_element_by_name("user_password")
    passw.send_keys(password)
    submit_button = self.driver.find_element_by_class_name("sendbutton")
                               .click()
    self.print_to_log("Authentication done.")

  def download_by_id(self, topic_id):

    self.print_to_log("ID: " + topic_id)
    def write_source_to_file(topic_id, page_number, page_url, page_source, 
                             folder):
      filename = folder + '/' + '{0:0>7}'.format(topic_id) + '_' 
                        + '{0:0>2}'.format(page_number) + '_' 
                        + binascii.hexlify(page_url) + '.txt'
      file = open(filename,'w')
      page_source_to_save = page_source.replace('\t', ' ')
                                       .replace('\n', ' ')
                                       .replace('\r', ' ')
      res = '%s\t%s\t%s\t%s' % (topic_id, page_number, page_url, 
                                page_source_to_save)
      file.write(res)
      file.close()

    page_number = 1
    current_url = '%s%s%s%s%s' % (self.base_url, 'topic.php?id=', topic_id,
                                  '&page=', page_number)
    self.print_to_log('getting page: ' + current_url)
    self.driver.set_page_load_timeout(240)
    try:
      self.driver.get(current_url)
      self.print_to_log('done')
      html = self.driver.page_source
      write_source_to_file(topic_id, page_number, current_url, html, 
                           self.folder)
      soup = BeautifulSoup(html, "lxml")
      pages_tag = soup.find('span', { 'class' : 'pages' })
      additional_pages = set()
      if pages_tag:
        pages_tag = pages_tag.findAll('a', attrs = {'data-page' : True})
        if pages_tag:
          for page_tag in pages_tag:
            additional_pages.add(page_tag['data-page'])
      additional_pages = list(sorted(additional_pages))
      for additional_page in additional_pages:
        current_url = '%s%s%s%s%s' % (self.base_url, 'topic.php?id=', 
                                      topic_id, '&page=', additional_page)
        self.print_to_log('getting page: '+current_url)
        self.driver.set_page_load_timeout(240)
        self.driver.get(current_url)
        self.print_to_log('done')
        html = self.driver.page_source
        write_source_to_file(topic_id, additional_page, current_url, html, 
                             self.folder)
    except Exception as e:
      write_source_to_file(topic_id, page_number, current_url, 
                 'ERRORERRORERROR', self.folder)

Само скачивание страниц можно было выполнять следующими строчками:


do = MistaDownloader()
do.authenticate()
topic_id = 1
do.download_by_id(topic_id)
...
topic_id = 99
do.download_by_id(topic_id)

Дальше я захотел, чтобы такой скрипт запускался не только на десктопе, но и на сервере без графического интерфейса. Для этого, при помощи гугла разродился следующей версией скрипта, который при помощи эмулятора мог запускаться где угодно:


from xvfbwrapper import Xvfb
from mista_downloader import MistaDownloader 

vdisplay = Xvfb()
vdisplay.start()
do = MistaDownloader()
...
vdisplay.stop()

И вот, казалось, достаточно запустить цикл от 1 до 1000000 (все новые ветки сейчас создаются с индексом чуть больше 811 тысяч). Однако… Предварительные замеры подсказывали, что курить придется примерно 2-3 недели, пока весь форум будет в виде файлов на жестком диске. Да, можно было пойти по проверенному пути и запустить в несколько потоков на собственном ноуте, но недавно просмотренные курсы Google Cloud Platform for Data Engineers подсказали новую идею.


Parallel Do


Google Cloud Platform, позволяет создать виртуальный сервер меньше чем за минуту и удалить его сразу же, после того, как он справится с поставленной задачей. Т.е. в соответствии с идеей мне не нужно было искать один мощный сервер и заставлять его работать неделю, мне проще было было арендовать 20 простых серверов например на 10 часов. А так как я это же время смотрел курсы по Hadoop, HDFS, MapReduce и прочему, я решил сделать собственный кластер с блекджеком и нодами.


Суть кластера — центральный сервер (мастер) содержит список ссылок (а именно ID тем форума) которые нужно скачать. Рабочие серверы (Ноды), подключаются к Мастеру, получают порцию IDs, скачивают их, складывают полученные файлы в хранилище GCS (Google Cloud Storage), уведомляют Мастера о том, что задание выполнено и получают новую порцию IDs.


В Google Cloud Platform есть довольно удобная вещь — Google Cloud Shell. Это небольшая бесплатная виртуальная машина, которая всегда доступна через браузер и с ее помощью можно управлять всем облаком. Практически для каждого действия через веб-интерфейс есть аналогичная команда, которую можно выполнить при помощи Google Cloud Shell. Все скрипты дальше в статье будут запускаться через нее.

При помощи следующего скрипта я создал виртуальную машину именованную cserver:


#! /bin/bash

gcloud compute --project "new-mista-project" instances create cserver \
  --zone "europe-west1-b" \
  --machine-type "n1-standard-2" \
  --subnet "default" \
  --metadata-from-file startup-script=startupscript_server.sh \
  --metadata "ssh-keys=gomista:ssh-rsa key-key-key gomista" \
  --maintenance-policy "MIGRATE" \
  --service-account "1007343160266-compute@developer.gserviceaccount.com" \
  --scopes "https://www.googleapis.com/auth/cloud-platform" \
  --min-cpu-platform "Automatic" \
  --image "image-mista-node" \
  --image-project "new-mista-project" \
  --boot-disk-size "10" \
  --boot-disk-type "pd-standard" \
  --boot-disk-device-name cserver

gcloud compute instances add-tags cserver --tags 'mysql-server' --zone \
  "europe-west1-b"

Это сервер типа n1-standard-2, что по факту означает 2CPUs 7.5Gb. В качестве жесткого диска — 10Gb Standard Disk. Кстати удовольствие стоит 48.95 per month estimated. Effective hourly rate $0.067 (730 hours per month), т.е. час пользования таким сервером вам обойдется в 4 рубля, а сутки чуть меньше 100р.

Сервер создавался на основе заранее подготовленного мной образа Ubuntu 16.04 LTS, с установленными библиотеками и приложениями. На самом деле сервер можно было создать и из голой Ubuntu, а команду на доустановку всех нужных программ передать в параметре --metadata-from-file, например типа sudo apt-get install xvfb x11-xkb-utils -y. Переданная команда или скрипт запустились бы сразу после создания ВМ и установили все необходимое. Но так как я знал что буду еще много раз создавать/удалять эту машину, решил потратить лишние 10 мин и подготовить образ (силами GCP). Также в момент создания сервера запускался мой скрит startupscript_server.sh, который копировал мое репо и добавлял в crontab скрипт, который раздавал задания Нодам.


Этот скрипт я использовал для создания Нодов:


#! /bin/bash

gcloud compute --project "new-mista-project" instances create $1 \
  --zone $2 \
  --machine-type "n1-standard-1" \
  --subnet "default" \
  --metadata-from-file startup-script=startupscript.sh \
  --metadata "ssh-keys=gomista:ssh-rsa key-keykey gomista" \
  --no-restart-on-failure \
  --maintenance-policy "TERMINATE" \
  --preemptible \
  --service-account "1007343160266-compute@developer.gserviceaccount.com" \
  --scopes "https://www.googleapis.com/auth/cloud-platform" \
  --min-cpu-platform "Automatic" \
  --image "image-mista-node" \
  --image-project "new-mista-project" \
  --boot-disk-size "10" \
  --boot-disk-type "pd-standard" \
  --boot-disk-device-name $1

gcloud compute instances add-tags $1 --tags 'mysql-client'  --zone $2

В качестве Нода был сервер n1-standard-1 (1CPUs 3.75Gb). Главным отличием Нода от Мастера можно выделить параметр --preemptible. Создание сервера с таким флагом означает, что данный сервер может быть в любое время принудительно отключен Гуглом и что максимальное время работы сервера является 24 часа. Если арендовать такой сервер и согласиться на подобные условия, то Гугл скинет цену на него с 24.67 per month до 7.70 per month (hourly $0.011), что чуть больше 15 рублей в сутки. А так как мне как раз нужно было пару десятков машин "for batch jobs and fault-tolerant workloads", то preemptible машины стали неплохим вариантом. Кстати, добавляя серверам теги, я таким образом добавлял им Firewall Rules (которые заранее привязал к этим тегам).

Создать 20 виртуальных машин одной командой и получить их готовыми к работе уже через 1 минуту? Пожалуйста:


#! /bin/bash

./create_node_west.sh node01 europe-west1-b &
./create_node_west.sh node02 europe-west1-b &
./create_node_west.sh node03 europe-west1-b &
./create_node_west.sh node04 europe-west1-b &
./create_node_west.sh node05 europe-west1-b &
./create_node_west.sh node06 europe-west1-b &
./create_node_west.sh node07 europe-west2-b &
./create_node_west.sh node08 europe-west2-b &
./create_node_west.sh node09 europe-west2-b &
./create_node_west.sh node10 europe-west2-b &
./create_node_west.sh node11 europe-west2-b &
./create_node_west.sh node12 europe-west2-b &
./create_node_west.sh node13 europe-west2-b &
./create_node_west.sh node14 europe-west3-b &
./create_node_west.sh node15 europe-west3-b &
./create_node_west.sh node16 europe-west3-b &
./create_node_west.sh node17 europe-west3-b &
./create_node_west.sh node18 europe-west3-b &
./create_node_west.sh node19 europe-west3-b &
./create_node_west.sh node20 europe-west3-b &

Blackjack and nodes


А теперь как это все работало.


После старта Мастера, я запускал скрипт, который устанавливал MySQL и создавал необходимые таблицы (кстати опыт работы мускулом тоже первый):


#! /bin/bash

sudo apt-get install mysql-server -y
sudo sed -i -e "s/bind-address/#bind-address/g" \
  /etc/mysql/mysql.conf.d/mysqld.cnf
sudo service mysql restart

echo "Please enter root user MySQL password!"
read rootpasswd
mysql -uroot -p${rootpasswd} \
  -e "CREATE DATABASE mistadb DEFAULT CHARACTER SET utf8;"
mysql -uroot -p${rootpasswd} \
  -e "CREATE USER 'gomista'@'%' IDENTIFIED BY 'gomista';"
mysql -uroot -p${rootpasswd} \
  -e "GRANT ALL PRIVILEGES ON *.* TO 'gomista'@'%' WITH GRANT OPTION;"
mysql -uroot -p${rootpasswd} -e "FLUSH PRIVILEGES;"

mysql -ugomista -pgomista -e "CREATE TABLE server_statuses (
node_name VARCHAR(50) PRIMARY KEY,
node_ip VARCHAR(15) NOT NULL,
node_status TINYINT(50),
updated_at TIMESTAMP
);" mistadb

mysql -ugomista -pgomista -e "CREATE TABLE server_commands (
id INT(6) UNSIGNED AUTO_INCREMENT PRIMARY KEY,
node_name VARCHAR(50) NOT NULL,
node_ip VARCHAR(15) NOT NULL,
job_id VARCHAR(70),
n_links INT(50),
received TINYINT(50),
updated_at TIMESTAMP,
CONSTRAINT node_name_unique UNIQUE (node_name, job_id)
);" mistadb

mysql -ugomista -pgomista -e "CREATE TABLE links (
job_id VARCHAR(70),
link VARCHAR(200),
status TINYINT(50),
updated_at TIMESTAMP,
INDEX(job_id),
INDEX(link),
CONSTRAINT node_name_unique UNIQUE (job_id, link)
);" mistadb

python -c "exec(\"import sys\\nfor i in range(1,1000000): \
  print ('\t'+'{0:0>6}'.format(str(i))+'\t0')\")" > numbers
mysql -ugomista -pgomista -e "LOAD DATA LOCAL INFILE 'numbers' \
  INTO TABLE links;" mistadb
rm numbers

В таблице links хранились номера от 1 до 999999, информация о том, обработан номер или нет (статус 0 — не обработано, 1 — в работе, 2 — обработано), идентификатор джоба, который выполняет или выполнил обработку того или иного номера. В таблице server_commands — джобы, которые Мастер раздавал Нодам (received 0 — выдан, received 1 — получен, received 2 — завершен). В таблице server_statuses — статусы серверов (node_status 0 — свободен, node_status 1 — занят).

Каждые 5 секунд на Мастере запускался следующий скрипт:


#!/usr/bin/env python

import mysql.connector
import socket
import uuid
import datetime
import sys

if len(sys.argv) == 2:
  number_of_links = int(sys.argv[1])
else:
  number_of_links = 500

cnx = mysql.connector.connect(user='gomista', password='gomista', 
                              host='cserver', database='mistadb')
cursor = cnx.cursor()

select_servers =("SELECT server_statuses.node_name, server_statuses.node_status," 
        "server_commands.received "
        "FROM server_statuses "
        "LEFT JOIN server_commands "
        "ON server_statuses.node_name = server_commands.node_name and "
        "server_commands.received <> 2 "
        "WHERE server_statuses.node_status = %(node_status)s and "
        "server_commands.received IS NULL LIMIT 1")

server_status = {'node_status': 0}
cursor.execute(select_servers, server_status)
row = cursor.fetchone()

if row:
  node_name = row[0]
  print (node_name)
  cursor = cnx.cursor()
  new_job_id = node_name + "_" 
                         + datetime.datetime.now().strftime("%Y%m%d_%H%M%S") 
                         + "_" + str(uuid.uuid4()) 
  received = 0
  add_job_command = ("INSERT INTO server_commands "
           "(node_name, node_ip, job_id, n_links, received) "
           "VALUES (%(node_name)s, %(node_ip)s, %(job_id)s, %(n_links)s, %(received)s) "
           "ON DUPLICATE KEY UPDATE node_ip = %(node_ip)s, "
           "n_links = %(n_links)s, received = %(received)s, updated_at=now();"
           "UPDATE links "
           "SET job_id = %(job_id)s "
           "WHERE job_id = '' AND status = 0 LIMIT %(n_links)s;")
  server_job = {'node_name': str(node_name), 'node_ip': str(node_name), 
                'job_id': new_job_id, 'n_links': number_of_links, 
                'received': received}
  for result in cursor.execute(add_job_command, server_job, multi=True):
    pass
  cnx.commit()
  cursor.close()
  cnx.close()
else:
  print ("no available worker found")

Этот скрипт проверял таблицу server_statuses на предмет наличия доступных серверов, и в случае обнаружения такового, создавал для него джоб в таблице server_commands и привязывал к джобу определенное количество номеров из таблицы links.

Ноды же в свою очередь, во время старта добавляли себе в crontab следующий скрипт, который выполнялся каждую минуту:


#!/usr/bin/env python

from xvfbwrapper import Xvfb
from cserver_connector import CserverConnector
from mista_downloader import MistaDownloader
import sys
import subprocess
import syslog
import datetime

MAX_PROCESS_TIME = 40 # min

def print_to_log(message):
  syslog.syslog(message)
  print (message)

def get_process_time_in_min(connector):
  mod_time = datetime.datetime.fromtimestamp(connector.modified_time)
  current_time = datetime.datetime.now()
  delta = current_time - mod_time
  delta_min = delta.seconds / 60
  return delta_min

print_to_log("Creating connector...")
connector = CserverConnector()

print_to_log("Connector created. Working: "+str(connector.working)) 
if connector.working:
  process_time_in_min = get_process_time_in_min(connector)
  if process_time_in_min > MAX_PROCESS_TIME:
    print_to_log("Canceling job...")
    connector.cancel_job()
    connector.remove_file_flag()
    print_to_log("Updating 0 status on cserver...")
    connector.update_status_on_cserver(0)
    print_to_log("Exiting...")
    exit(0)
  else:
    connector.update_status_on_cserver(1)
    print_to_log("Exiting...")
    exit(0)
else:
  print_to_log("Updating 0 status on cserver...")
  connector.update_status_on_cserver(0)
  print_to_log("Getting new job...")
  connector.get_new_job()
  if not connector.job_id:
    print_to_log("No assigned jobs found...")
    print_to_log("Exiting...")
    exit(0)
  print_to_log("Job found: "+connector.job_id)
  connector.create_file_flag()
  print_to_log("Updating 1 status on cserver...")
  connector.update_status_on_cserver(1)
  print_to_log("Getting list of links...")
  connector.get_links_list()

  print_to_log("Starting Xvfb...")
  vdisplay = Xvfb()
  vdisplay.start()

  print_to_log("Creating MistaDownloader...")
  try:
    do = MistaDownloader()
  except Exception as e:
    print_to_log(str(e))
    raise
  print_to_log("Do authenticate...")
  do.authenticate()
  folder = do.folder

  print_to_log("Downloading links in loop...")
  for link in connector.links_list:
    do.download_by_id(link[0].lstrip('0'))

  vdisplay.stop()

  print_to_log("Moving files to GS...")
  move_command = "gsutil -m mv " + folder + "/* gs://mistabucket-west/files"
  subprocess.call([move_command], shell=True)
  print_to_log("Updating links on finish...")
  connector.update_links_on_finish()
  connector.remove_file_flag()
  print_to_log("Updating 0 status on cserver...")
  connector.update_status_on_cserver(0)
  print_to_log("Exiting...")

Этот скрипт подключался к Мастеру и смотрел таблицу server_commands. Если находил задание, то по номеру джоба получал список номеров, начинал скачивание и уведомлял Мастер о том, что он взял джоб в работу и что теперь он занят. После завершения скачивания, Нод обновлял таблицы server_statuses (говорил что теперь свободен), server_commands (говорил что выполнил задание), links отмечал какие номера скачал. Мастер же в свою очередь, как только видел что Нод освободился, закидывал для него в задания новый джоб с еще необработанными номерами, чтобы Нод меньше чем через минуту подхватил это задание и принялся за работу…

Все общение Нода с Мастером вынес в отдельный класс CServerConnector:


#!/usr/bin/env python

import mysql.connector
import socket
import os
import syslog

class CserverConnector:

  def print_to_log(self, message):
    syslog.syslog(message)
    print (message)

  def __init__(self):
    self.hostname = socket.gethostname()
    self.file_flag = '/home/gomista/WORKING' 
    self.mysql_connector = mysql.connector.connect(user='gomista', 
                                                   password='gomista', 
                                                   host='cserver', 
                                                   database='mistadb', 
                                                   buffered=True)

    self.working = os.path.isfile(self.file_flag)

    if self.working:
      self.modified_time = os.path.getmtime(self.file_flag) 
      with open(self.file_flag, 'r') as f:
        self.job_id = f.readline().strip()
    else:
      self.modified_time = None
      self.job_id = None

    self.n_links = 0
    self.links_list = list()

  def create_file_flag(self):
    file_flag_to_write = open(self.file_flag, "w")
    file_flag_to_write.write(self.job_id)
    file_flag_to_write.close()

  def update_file_flag(self):
    self.create_file_flag()

  def remove_file_flag(self):
    if os.path.isfile(self.file_flag):
      os.remove(self.file_flag)

  def update_status_on_cserver(self, status):
    cursor = self.mysql_connector.cursor()
    add_server_status_query = ("INSERT INTO server_statuses "
              "(node_name, node_ip, node_status) "
              "VALUES (%(node_name)s, %(node_ip)s, %(node_status)s)"
              "ON DUPLICATE KEY UPDATE node_ip = %(node_ip)s, "
              "node_status = %(node_status)s, updated_at=now()")
    server_status = {'node_name': self.hostname, 'node_ip': self.hostname, 
                     'node_status': status}
    cursor.execute(add_server_status_query, server_status)
    self.mysql_connector.commit()
    cursor.close()

  def get_new_job(self):
    cursor = self.mysql_connector.cursor()
    get_command_query = ("SELECT node_name, job_id, n_links "
              "FROM server_commands "
              "WHERE node_name = %(node_name)s AND job_id <> '' AND "
              "received = %(node_name)s LIMIT 1")
    server_status = {'node_name': self.hostname, 'node_ip': self.hostname, 
                     'received': 0}
    cursor.execute(get_command_query, server_status)
    row = cursor.fetchone()
    if row:
      node_name = str(row[0])
      self.job_id = str(row[1])
      self.n_links  = str(row[2])
    else:
      self.job_id = None
      self.n_links  = 0
    cursor.close()

  def get_links_list(self):
    self.print_to_log("Getting coursor and prepare the query...")
    cursor = self.mysql_connector.cursor()
    update_job_command_query = ("UPDATE server_commands "
                   "SET received = 1 "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    self.print_to_log("Executing query 1.")
    cursor.execute(update_job_command_query, server_job)
    self.print_to_log("Commiting query 1.")
    self.mysql_connector.commit()
    update_links_query = ("UPDATE links "
                   "SET status = 1 "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    self.print_to_log("Executing query 2. with job_id: "+self.job_id)
    try:
      cursor.execute(update_links_query, server_job)
    except Exception as e:
      self.print_to_log(str(e))
      self.print_to_log(cursor.statement)
      raise
    self.print_to_log("Commiting query 2.")
    self.mysql_connector.commit()
    cursor.close()
    cursor = self.mysql_connector.cursor()
    get_links_query = ("SELECT link FROM links WHERE job_id = %(job_id)s")
    self.print_to_log("Executing query 3.")
    cursor.execute(get_links_query, {'job_id': self.job_id})
    for (link) in cursor:
      self.links_list.append(link)
    cursor.close()
    self.print_to_log("Finished.")

  def update_links_on_finish(self):
    cursor = self.mysql_connector.cursor()
    update_job_command_query = ("UPDATE server_commands "
                   "SET received = 2 "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    cursor.execute(update_job_command_query, server_job)
    self.mysql_connector.commit()
    update_links_query = ("UPDATE links "
                   "SET status = 2 "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    cursor.execute(update_links_query, server_job)
    self.mysql_connector.commit()
    cursor.close()

  def cancel_job(self):
    cursor = self.mysql_connector.cursor()
    update_job_command_query = ("DELETE FROM server_commands "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    cursor.execute(update_job_command_query, server_job)
    self.mysql_connector.commit()
    update_links_query = ("UPDATE links "
                   "SET status = 0, job_id = '' "
                   "WHERE job_id = %(job_id)s;")
    server_job = {'job_id': self.job_id}
    cursor.execute(update_links_query, server_job)
    self.mysql_connector.commit()
    cursor.close()

Вот так выглядят таблицы в процессе работы:


gomista@cserver:~/mista$ ./get_mysql_status.sh 
NODES:
+-----------+---------+-------------+---------------------+
| node_name | node_ip | node_status | updated_at          |
+-----------+---------+-------------+---------------------+
| node01    | node01  |           1 | 2018-01-05 08:07:02 |
| node02    | node02  |           1 | 2018-01-05 08:07:02 |
| node03    | node03  |           1 | 2018-01-05 08:07:02 |
| node04    | node04  |           1 | 2018-01-05 08:07:02 |
| node05    | node05  |           1 | 2018-01-05 08:07:02 |
| node06    | node06  |           1 | 2018-01-05 08:07:02 |
| node07    | node07  |           1 | 2018-01-05 08:07:03 |
| node08    | node08  |           1 | 2018-01-05 08:07:03 |
| node09    | node09  |           1 | 2018-01-05 08:07:03 |
| node10    | node10  |           1 | 2018-01-05 08:07:03 |
| node11    | node11  |           0 | 2018-01-05 08:07:17 |
| node12    | node12  |           1 | 2018-01-05 08:07:03 |
| node13    | node13  |           1 | 2018-01-05 08:07:03 |
| node14    | node14  |           1 | 2018-01-05 08:07:03 |
| node15    | node15  |           1 | 2018-01-05 08:07:03 |
| node16    | node16  |           1 | 2018-01-05 08:07:03 |
| node17    | node17  |           0 | 2018-01-05 08:07:15 |
| node18    | node18  |           1 | 2018-01-05 08:07:03 |
| node19    | node19  |           1 | 2018-01-05 08:07:03 |
| node20    | node20  |           1 | 2018-01-05 08:07:04 |
| node21    | node21  |           1 | 2018-01-05 08:07:03 |
| node22    | node22  |           1 | 2018-01-05 08:07:03 |
+-----------+---------+-------------+---------------------+
JOBS DONE:
+-----------+-----------+
| node_name | jobs_done |
+-----------+-----------+
| node08    |         5 |
| node10    |         5 |
| node11    |         6 |
| node07    |         6 |
| node09    |         7 |
| node22    |         8 |
| node13    |         9 |
| node06    |         9 |
| node20    |        10 |
| node17    |        10 |
| node14    |        10 |
| node21    |        10 |
| node12    |        10 |
| node18    |        11 |
| node15    |        11 |
| node02    |        12 |
| node19    |        12 |
| node04    |        12 |
| node01    |        12 |
| node05    |        13 |
| node03    |        13 |
| node16    |        15 |
+-----------+-----------+
COMMANDS TO BE DONE:
+-----+-----------+---------+-------+---------+----------+---------------------+
| id  | node_name | node_ip | job_id| n_links | received | updated_at          |
+-----+-----------+---------+-------+---------+----------+---------------------+
| 266 | node17    | node17  | ad062 |     500 |        0 | 2018-01-05 08:07:17 |
| 267 | node11    | node11  | ab531 |     500 |        0 | 2018-01-05 08:07:22 |
+-----+-----------+---------+-------+---------+----------+---------------------+
COMMANDS IN PROGRESS:
+-----+-----------+---------+-------+---------+----------+---------------------+
| id  | node_name | node_ip | job_id| n_links | received | updated_at          |
+-----+-----------+---------+-------+---------+----------+---------------------+
| 244 | node14    | node14  | 5e1b6 |     500 |        1 | 2018-01-05 07:55:04 |
| 245 | node06    | node06  | d0235 |     500 |        1 | 2018-01-05 07:56:02 |
| 246 | node13    | node13  | c82fd |     500 |        1 | 2018-01-05 07:56:04 |
| 249 | node09    | node09  | 1d553 |     500 |        1 | 2018-01-05 07:59:04 |
| 250 | node12    | node12  | 9176f |     500 |        1 | 2018-01-05 07:59:03 |
| 251 | node22    | node22  | 1c8ae |     500 |        1 | 2018-01-05 08:00:03 |
| 252 | node15    | node15  | 3ca50 |     500 |        1 | 2018-01-05 08:01:04 |
| 253 | node18    | node18  | 8836c |     500 |        1 | 2018-01-05 08:01:03 |
| 254 | node21    | node21  | 091f7 |     500 |        1 | 2018-01-05 08:01:03 |
| 255 | node16    | node16  | 6475d |     500 |        1 | 2018-01-05 08:02:04 |
| 256 | node19    | node19  | 489b3 |     500 |        1 | 2018-01-05 08:03:04 |
| 257 | node04    | node04  | 9fd5a |     500 |        1 | 2018-01-05 08:03:02 |
| 258 | node05    | node05  | 49b9f |     500 |        1 | 2018-01-05 08:03:02 |
| 259 | node01    | node01  | 579a7 |     500 |        1 | 2018-01-05 08:04:02 |
| 260 | node20    | node20  | d3fe8 |     500 |        1 | 2018-01-05 08:05:03 |
| 261 | node08    | node08  | ff1c7 |     500 |        1 | 2018-01-05 08:05:04 |
| 262 | node03    | node03  | b1165 |     500 |        1 | 2018-01-05 08:06:02 |
| 263 | node02    | node02  | 7d138 |     500 |        1 | 2018-01-05 08:06:02 |
| 264 | node10    | node10  | 4ad65 |     500 |        1 | 2018-01-05 08:06:04 |
| 265 | node07    | node07  | e6501 |     500 |        1 | 2018-01-05 08:06:04 |
+-----+-----------+---------+-------+---------+----------+---------------------+
LINKS TO BE PROCESSED:
+-------------+
| count(link) |
+-------------+
|      881999 |
+-------------+
LINKS IN PROCESS:
+-------------+
| count(link) |
+-------------+
|       10000 |
+-------------+
LINKS DONE
+-------------+
| count(link) |
+-------------+
|      108000 |
+-------------+
gomista@cserver:~/mista$ 

Весь процесс занял примерно 20 часов. Кому интересно, в деньгах это: $0.067 20 часов + $0.011 20 часов * 20 машин или 5.74 в валюте врага или около 350 в наших родных рублях. Затраченные 20 часов и 350 рублей принесли плоды в виде овер миллиона файлов весом 30Гб.


Список пользователей был скачан этим скриптом. По факту это просто перебор страниц пользователей от 1 до 200000. На самом деле пользователей меньше, однако по каким-то причинам были обнаружены пользователи с ID выше 100000, поэтому было решено скачать с запасом:


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

import base64
import selenium
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from bs4 import BeautifulSoup
from urllib import quote
from xvfbwrapper import Xvfb
import sys
import codecs
import binascii
import os
import datetime

print(sys.getdefaultencoding())
reload(sys)
sys.setdefaultencoding("utf-8")
print(sys.getdefaultencoding())

if len(sys.argv) == 3:
  N_START = int(sys.argv[1])
  N_END = int(sys.argv[2])
else:
  N_START = 1
  N_END = 2

URL_TO_SAVE = 'users'
if not os.path.exists(URL_TO_SAVE):
  os.makedirs(URL_TO_SAVE)

vdisplay = Xvfb()
vdisplay.start()

def _convert(param):
    if isinstance(param, str):
        return param.decode('utf-8')
    else:
        return param

def get_driver():
  url = "http://www.forum.mista.ru/index.php"
  driver = webdriver.Chrome()
  return driver

def authenticate(url, driver):
  driver.get(url)
  username = "Добрый хачик"
  password = "11"
  uname = driver.find_element_by_name("user_name")
  uname.send_keys(_convert(username))
  passw = driver.find_element_by_name("user_password")
  passw.send_keys(password)
  submit_button = driver.find_element_by_class_name("sendbutton").click()
  url_edit = "http://www.forum.mista.ru/users.php?action=edit"
  driver.get(url_edit)
  a = driver.find_element_by_xpath("//a[@href='#tab3']")
  a.click()
  topics = driver.find_element_by_name("topics_per_page")
  topics.clear()
  topics.send_keys(99)
  section = driver.find_element_by_name("column_forum")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_replies")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("show_topic_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_author")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_updated")
  if not section.is_selected():
    section.click()       
  submit_button = driver.find_element_by_name("Submit").click()

base_url = 'http://www.forum.mista.ru/'
print("getting driver")
driver = get_driver()
print("logging")
authenticate(base_url, driver)

def save_user_page(page, driver, n=0):
  links_list = list()
  print('getting page: '+page)
  driver.get(page)
  print('done')
  html = driver.page_source.replace('\t', ' ').replace('\n', ' ')
               .replace('\r', ' ')
  filename = URL_TO_SAVE + '/' + '{0:0>10}'.format(n) + '_' 
                         + binascii.hexlify(page) + '.txt'
  file = open(filename,'w')
  file.write(html + '\n')
  file.close()

limit = 100
for i in range(N_START, N_END):
  current_url = 'http://www.forum.mista.ru/users.php?id=' + str(i)
  n = i
  save_user_page(current_url, driver, n)

vdisplay.stop() 

Скачивание (и одновременный парсинг) списка тем и таблицы банов пользователей сделал этим скриптами.


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

import base64
import selenium
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from bs4 import BeautifulSoup
from urllib import quote
from xvfbwrapper import Xvfb
import sys
import codecs
import binascii
import os
import datetime

print(sys.getdefaultencoding())
reload(sys)
sys.setdefaultencoding("utf-8")
print(sys.getdefaultencoding())

URL_TO_SAVE = 'links_backward'
if not os.path.exists(URL_TO_SAVE):
  os.makedirs(URL_TO_SAVE)

vdisplay = Xvfb()
vdisplay.start()

def _convert(param):
    if isinstance(param, str):
        return param.decode('utf-8')
    else:
        return param

def get_driver():
  url = "http://www.forum.mista.ru/index.php"
  driver = webdriver.Chrome()
  return driver

def authenticate(url, driver):
  driver.get(url)
  username = "Добрый хачик"
  password = "11"
  uname = driver.find_element_by_name("user_name")
  uname.send_keys(_convert(username))
  passw = driver.find_element_by_name("user_password")
  passw.send_keys(password)
  submit_button = driver.find_element_by_class_name("sendbutton").click()
  url_edit = "http://www.forum.mista.ru/users.php?action=edit"
  driver.get(url_edit)
  a = driver.find_element_by_xpath("//a[@href='#tab3']")
  a.click()
  topics = driver.find_element_by_name("topics_per_page")
  topics.clear()
  topics.send_keys(99)
  section = driver.find_element_by_name("column_forum")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_replies")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("show_topic_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_author")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_updated")
  if not section.is_selected():
    section.click()       
  submit_button = driver.find_element_by_name("Submit").click()

base_url = 'http://www.forum.mista.ru/'
print("getting driver")
driver = get_driver()
print("logging")
authenticate(base_url, driver)

def save_links_list_on_page(page, driver, n=0):
  links_list = list()
  print('getting page: '+page)
  driver.get(page)
  print('done')
  html = driver.page_source
  soup = BeautifulSoup(html, "lxml")
  tr_list = soup.findAll('tr', attrs = {'data-topic_id' : True})
  for tr_element in tr_list:
    topic_id = tr_element['data-topic_id']
    tr_element_1 = tr_element.findAll('td', { 'class' : 'cc' })
    section = tr_element_1[0].getText().replace('\t', '')
    length = tr_element_1[1].getText().replace('\t', '')
    tr_element_2 = tr_element.find('a', { 'class' : 'agb' })
    title = tr_element_2.getText().replace('\t', '')
    tr_element_2_1 = tr_element.find('a', { 'class' : 'userlink' })
    user_link = tr_element_2_1['href']
    user_name = tr_element_2_1.getText().replace('\t', '')
    tr_element_2_2 = tr_element.find('a', { 'class' : 'sectionlink' })
    subsection = ''
    if tr_element_2_2:
      subsection = tr_element_2_2.getText().replace('\t', '')
    classes = ' '.join(tr_element_2['class']).replace('\t', '')
    link = tr_element_2['href'].replace('\t', '')
    tr_element_3 = tr_element.find('a', { 'class' : 'sectionlink-gray' })
    link_attributes = '%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s' 
                      % (topic_id, link, section, subsection, length, title, 
                        user_link, user_name, classes)  
    links_list.append(link_attributes)
  next_link_tag = soup.find('a', text='<<')
  if next_link_tag:
    nex_page_link = base_url+next_link_tag['href']
  else:
    nex_page_link = ''
  filename = URL_TO_SAVE + '/' + '{0:0>10}'.format(n) + '_' 
                         + binascii.hexlify(page) + '.txt'
  file = open(filename,'w')
  for link in links_list:
    file.write(link + '\n')
  file.close()
  return nex_page_link

current_url = 'http://www.forum.mista.ru/index.php?id=30309&after=2000/07/06_14:17:00'
n = 1
while current_url != '':
  current_url = save_links_list_on_page(current_url, driver, n)
  n += 1
  print('next page to process: '+current_url)

vdisplay.stop()

#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

import base64
import selenium
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from bs4 import BeautifulSoup
from urllib import quote
from xvfbwrapper import Xvfb
import sys
import codecs
import binascii
import os
import datetime
import re
from dateutil import parser
from pytz import timezone

reload(sys)
sys.setdefaultencoding("utf-8")

URL_TO_SAVE = 'users_bans'
if not os.path.exists(URL_TO_SAVE):
  os.makedirs(URL_TO_SAVE)

vdisplay = Xvfb()
vdisplay.start()

def get_empty_ban():
  empty_ban = {}
  empty_ban['ban_user_id'] = ''
  empty_ban['ban_type'] = ''
  empty_ban['ban_user_ip'] = ''
  empty_ban['ban_section'] = ''
  empty_ban['ban_subsection'] = ''
  empty_ban['ban_date'] = ''
  empty_ban['ban_end_date'] = ''
  empty_ban['ban_moderator_id'] = ''
  empty_ban['ban_reason'] = ''
  empty_ban['ban_topic_id'] = ''
  return empty_ban

def get_list_of_users_on_page(source):

  tz = timezone('Europe/Moscow')
  fmt = '%Y-%m-%d %H:%M:%S %Z%z'

  def parse_message_time(str_message_time):
    message_time = parser.parse(str_message_time)
    message_time = tz.localize(message_time)
    return message_time.strftime(fmt)

  soup = BeautifulSoup(source, "html.parser")
  table = soup.find('table', { 'bgcolor' : '#CCCCCC' })
  tr_elements = table.findAll('tr', { 'class' : 'active' })
  ban_list = list()
  for user_element in tr_elements:
    ban = get_empty_ban()
    tds = user_element.findAll('td')
    ban['ban_user_id'] = tds[0].find('a')['data-user_id']
    ban['ban_type'] = tds[1].getText()
    ban['ban_user_ip'] = tds[2].getText()
    ban['ban_section'] = tds[3].getText()
    ban['ban_subsection'] = tds[4].getText()
    ban['ban_date'] = parse_message_time(tds[8].getText())
    ban['ban_end_date'] = parse_message_time(tds[5].getText())
    ban['ban_moderator_id'] = tds[7].find('a')['href'].split('=')[1]
    ban['ban_reason'] = tds[9].getText()
    ban['ban_topic_id'] = tds[10].getText()
    print ('%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s' % 
      ( ban['ban_user_id'].encode('utf-8')
      , ban['ban_type'].encode('utf-8')
      , ban['ban_user_ip'].encode('utf-8')
      , ban['ban_section'].encode('utf-8')
      , ban['ban_subsection'].encode('utf-8')
      , ban['ban_date'].encode('utf-8')
      , ban['ban_end_date'].encode('utf-8')
      , ban['ban_moderator_id'].encode('utf-8')
      , ban['ban_reason'].encode('utf-8')
      , ban['ban_topic_id']))
    ban_list.append(ban)

  return ban_list

def _convert(param):
    if isinstance(param, str):
        return param.decode('utf-8')
    else:
        return param

def get_driver():
  url = "http://www.forum.mista.ru/index.php"
  driver = webdriver.Chrome()
  return driver

def authenticate(url, driver):
  driver.get(url)
  username = "Добрый хачик"
  password = "11"
  uname = driver.find_element_by_name("user_name")
  uname.send_keys(_convert(username))
  passw = driver.find_element_by_name("user_password")
  passw.send_keys(password)
  submit_button = driver.find_element_by_class_name("sendbutton").click()
  url_edit = "http://www.forum.mista.ru/users.php?action=edit"
  driver.get(url_edit)
  a = driver.find_element_by_xpath("//a[@href='#tab3']")
  a.click()
  topics = driver.find_element_by_name("topics_per_page")
  topics.clear()
  topics.send_keys(99)
  section = driver.find_element_by_name("column_forum")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_replies")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("show_topic_section")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_author")
  if not section.is_selected():
    section.click()
  section = driver.find_element_by_name("column_updated")
  if not section.is_selected():
    section.click()       
  submit_button = driver.find_element_by_name("Submit").click()

base_url = 'http://www.forum.mista.ru/'
driver = get_driver()
authenticate(base_url, driver)

def save_links_list_on_page(page, driver, n=0):
  driver.get(page)
  ban_list = get_list_of_users_on_page(driver.page_source)
  html = driver.page_source.replace('\t', ' ').replace('\n', ' ')
                           .replace('\r', ' ').encode('utf-8')
  soup = BeautifulSoup(html, "html.parser")
  noindex_tag = soup.find('noindex')
  a_tag =noindex_tag.findAll('a')
  if len(a_tag) == 1:
    link_to_return = ''
  else:
    link_to_return = base_url+a_tag[1]['href']
  return link_to_return

current_url = 'http://www.forum.mista.ru/ban_list.php'
n = 1
while current_url != '':
  current_url = save_links_list_on_page(current_url, driver, n)
  n += 1
  if current_url == '' or 
     current_url == 'http://www.forum.mista.ru/ban_list.php?next=':
    break

vdisplay.stop()

В итоге у меня получилось 4 набора данных — скачанные вебстраницы тем, скачанные веб-страницы профилей, список тем и список банов.


В этом месте я понял что допустил серьезную ошибку и нарвался на проблему "маленьких файлов", про которую слышал на курсе про Хадуп и ХДФС. Миллион файлов весом от 1 до 20 килобайт не самая удачная data для обработки. А так как файлы хранились на Google Cloud Storage и количество операций над ними ограничено, то предстояло сначала их куда-то поместить, а уже потом объединять. Для решения этой внезапной проблемы я создал сервер и скопировал все файлы на него, что заняло тоже приличное время, несмотря на то, что файлы между серверами и GCS просто летают.


Вот команда, которая которой я воспользовался для объединения файлов:


cat * > combo

И получил следующую ошибку:


-bash: /bin/cat: Argument list too long

Попробовал эту же команду, но уже в цикле:


for f in *.txt; do (cat "${f}") >> ~/combo; done;

Но замер показал, что пока объединяется миллион файлов можно успеть посмотреть сезон какого-нибудь сериала. Поэтому, после очередной консультации с гуглом, получил скрипт:


echo * | xargs paste -s -d \n > ~/foo.txt

Для тех кто не знал — работает это ОЧЕНЬ БЫСТРО. Объединение завершилось за несколько минут.


Итого результат граббинга:


  1. файл 30гб и миллион страниц тем
  2. файл 500мб и 200 тысяч страниц профилей (большая часть пустых)
  3. файл 100мб со список тем
  4. файл 500кб со списком банов

Пора приступать к разбору полученного.


Parsing stage


Для парсинга страниц написал следующий скрипт:


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

from bs4 import BeautifulSoup
from dateutil import parser
from pytz import timezone
import datetime
import re
import sys

reload(sys)
sys.setdefaultencoding("utf-8")

def get_empty_message():
  message = {}
  message['message_id'] = ''
  message['message_date_time'] = ''
  message['message_user_id'] = ''
  message['message_user_name'] = ''
  message['message_user_id'] = ''
  message['message_user_class'] = ''
  message['message_text'] = ''
  message['message_reply_to'] = ''
  message['message_external_links'] = ''
  return message

def get_list_of_messages_on_page(source):

  tz = timezone('Europe/Moscow')
  fmt = '%Y-%m-%d %H:%M:%S %Z%z'

  def parse_message_time(str_message_time):
    str_message_time = '-'.join(str_message_time.split('-')[-2:])
    message_time = parser.parse(str_message_time)
    message_time = tz.localize(message_time)
    return message_time.strftime(fmt)

  soup = BeautifulSoup(source, "html.parser")
  message_elements = soup.findAll('tr', id=re.compile("^message_\d+"))
  message_list = list()
  for message_element in message_elements:
    message = {}
    # message info
    message['message_id'] = int(re.sub("message_", "", message_element['id']))
    message_date_time = message_element
                          .find('div', { 'class' : 'message-info' })
                          .getText().replace(u'\xa0', u'')
    message['message_date_time'] = parse_message_time(message_date_time)
    # message user info
    user_info_element = message_element
                          .find('td', id=re.compile("^tduser\d+"))
                          .find('a', attrs = {'data-user_id' : True})
    if user_info_element:
      message['message_user_id'] = user_info_element['data-user_id']
      message['message_user_name'] = user_info_element['data-user_name']
                                      .replace('\t','')
      message['message_user_id'] = user_info_element['href']
                                    .replace('users.php?id=','')
      message['message_user_class'] = ' '.join(user_info_element['class'])
                                         .replace('\t','')
    else:
      user_info_element = message_element
                            .find('span', { 'class' : 'anonym-user' })
      message['message_user_id'] = ''
      message['message_user_name'] = user_info_element.getText()
                                      .replace('\t','')
      message['message_user_id'] = ''
      message['message_user_class'] = 'anonym-user'
    # message content
    message_text_element = message_element
                            .find('div', { 'class' : 'message-text' })
    if not message_text_element:
      message['message_text'] = ''
      message['message_reply_to'] = ''
      message['message_external_links'] = ''
    else:
      answer_link_elements = message_text_element
                              .findAll('a', { 'class' : 'answer-link' })
      for answer_link_element in answer_link_elements:
        answer_link_element.decompose()
      inner_link_elements = message_text_element
                             .findAll('a', { 'class' : 'interlink', 
                                             'data-rel' : re.compile("^#\d+") })
      inner_link_list = list()
      for inner_link_element in inner_link_elements:
        inner_link_list.append(inner_link_element.extract().getText()
                                .encode('utf-8'))
      other_link_elements = message_text_element.findAll('a')
      other_link_list = list()
      for other_link_element in other_link_elements:
        other_link = other_link_element.extract()['href']
        other_link_list.append(other_link.encode('utf-8'))
      message_text = message_text_element.getText()
      message_text = message_text.replace('\t',' ').replace('\n',' ')
                      .replace('()','').strip()
      message['message_text'] = message_text
      message['message_reply_to'] = ' '.join(inner_link_list)
      message['message_external_links'] = ' '.join(other_link_list)
    message_list.append(message)
  return message_list

if __name__ == "__main__":
  for line in sys.stdin:
    try:
      topic_id, page_number, link, source = line.strip().split('\t')
    except Exception as e:
      continue

    if source == '<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>Тема не существует.</body></html>':
      message_list = list()
      message = get_empty_message()
      message_list.append(message)
    else:
      try:
        message_list = get_list_of_messages_on_page(source)
      except Exception as e:
        message_list = list()
        message = get_empty_message()
        message['message_user_name'] = 'ERRORERRORERROR'
        message['message_text'] = str(e)
        message_list.append(message)

    for message in message_list:
      # 12 columns
      print ('%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s' % 
        ( topic_id
        , page_number
        , link
        , message['message_id']
        , message['message_date_time'].encode('utf-8')
        , message['message_user_name'].encode('utf-8')
        , message['message_user_id'].encode('utf-8')
        , message['message_user_class'].encode('utf-8')
        , message['message_text'].encode('utf-8')
        , message['message_reply_to'].encode('utf-8')
        , message['message_external_links'].encode('utf-8')))

Скрипт получал строку, содержащую код страницы ветки с сообщениями, разбирал по тегам и складывал все сообщения в tsv. Для непосредственного парсинга использовал довольно удобную BeautifulSoup. Однако, как оказалось потом, это было не самым оптимальным решением. Суть проблемы и ее решение будет ниже.


Схожий подход использовал для парсинга страниц с профилями пользователей:


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

from bs4 import BeautifulSoup
from dateutil import parser
from pytz import timezone
import datetime
import re
import sys

reload(sys)
sys.setdefaultencoding("utf-8")

def get_empty_user():
  empty_user = {}
  empty_user['user_id'] = ''
  empty_user['user_name'] = ''
  empty_user['user_full_name'] = ''
  empty_user['user_email'] = ''
  empty_user['user_contacts'] = ''
  empty_user['user_url'] = ''
  empty_user['user_city_country'] = ''
  empty_user['user_dob'] = ''
  empty_user['user_timezone'] = ''
  empty_user['user_gender'] = ''
  empty_user['user_position'] = ''
  empty_user['user_achievement'] = ''
  empty_user['user_interests'] = ''
  empty_user['user_forum_role'] = ''
  empty_user['user_registration'] = ''
  empty_user['user_messages'] = ''
  empty_user['user_topics'] = ''
  return empty_user

months_dic = {}
months_dic['января'] = 'January'
months_dic['февраля'] = 'February'
months_dic['марта'] = 'March'
months_dic['апреля'] = 'April'
months_dic['мая'] = 'May'
months_dic['июня'] = 'June'
months_dic['июля'] = 'July'
months_dic['августа'] = 'August'
months_dic['сентября'] = 'September'
months_dic['октября'] = 'October'
months_dic['ноября'] = 'November'
months_dic['декабря'] = 'December'

def get_user_info_on_page(source):

  fmt = '%Y-%m-%d'

  def parse_str_date(str_date):
    if str_date == '':
      return '';
    try:
      date_str = str_date.split(';')[0]
      if date_str[4:5] == ' ':
        dd = '01'
        mm = 'January'
        yy = date_str[:4]
        date = parser.parse(' '.join([dd, mm, yy]))
      else:
        dd, mm, yy = date_str.split(' ')
        date = parser.parse(' '.join([dd, months_dic[mm], yy]))
      return date.strftime(fmt)
    except Exception as e:
      return ''

  user = get_empty_user()
  soup = BeautifulSoup(source, "html.parser")
  id_tag = soup.find('a', href=re.compile('index.php\?user_id=\d+'))
  if id_tag:
    user['user_id'] = id_tag['href'].split('=')[1].encode('utf-8').strip()
  main_table = soup.findAll('table', { 'class' : 'table' })
  main_table = main_table[len(main_table)-1]
  main_table_rows = main_table.findAll('tr')
  user['user_name'] = main_table_rows[0].findAll('td')[1].getText()
                       .encode('utf-8').strip()
  user['user_full_name'] = main_table_rows[1].findAll('td')[1].getText()
                            .encode('utf-8').strip()
  user['user_email'] = main_table_rows[3].findAll('td')[1].getText()
                        .encode('utf-8').strip()
  user['user_contacts'] = main_table_rows[4].findAll('td')[1].getText()
                           .encode('utf-8').strip()
  user['user_url'] = main_table_rows[5].findAll('td')[1].getText()
                      .encode('utf-8').strip()
  user['user_city_country'] = main_table_rows[6].findAll('td')[1].getText()
                               .encode('utf-8').strip()
  str_dob = main_table_rows[7].findAll('td')[1].getText().encode('utf-8').strip()
  user['user_dob'] = parse_str_date(str_dob)
  user['user_timezone'] = main_table_rows[8].findAll('td')[1].getText()
                           .encode('utf-8').strip()
  user['user_gender'] = main_table_rows[9].findAll('td')[1].getText()
                         .encode('utf-8').strip()
  user['user_position'] = main_table_rows[10].findAll('td')[1].getText()
                           .encode('utf-8').strip()
  user['user_achievement'] = main_table_rows[11].findAll('td')[1].getText()
                              .encode('utf-8').strip()
  user['user_interests'] = main_table_rows[12].findAll('td')[1].getText()
                            .encode('utf-8').strip()
  user['user_forum_role'] = main_table_rows[13].findAll('td')[1].getText()
                             .encode('utf-8').strip()
  str_reg = main_table_rows[14].findAll('td')[1].getText()
                               .encode('utf-8').strip()
  user['user_registration'] = parse_str_date(str_reg)
  user['user_messages'] = main_table_rows[15].findAll('td')[1].getText()
                           .encode('utf-8').strip()
  user['user_topics'] = main_table_rows[16].findAll('td')[1].getText()
                         .encode('utf-8').strip()
  return user

if __name__ == "__main__":
  for line in sys.stdin:
    try:
      source = line.strip()
    except Exception as e:
      continue

    if source == '' or source == '<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>Ошибка чтения информации о пользователе: Пользователь с указанным id не найден.</body></html>':
      user = get_empty_user()
    else: 
      user = get_empty_user()
      try:
        user = get_user_info_on_page(source)
      except Exception as e:
        user = get_empty_user()
        user['user_name'] = 'ERRORERRORERROR'
        user['user_full_name'] = str(e)
      print ('%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s' %
        ( user['user_id']
        , user['user_name']
        , user['user_full_name']
        , user['user_email']
        , user['user_contacts']
        , user['user_url']
        , user['user_city_country']
        , user['user_dob']
        , user['user_timezone']
        , user['user_gender']
        , user['user_position']
        , user['user_achievement']
        , user['user_interests']
        , user['user_forum_role']
        , user['user_registration']
        , user['user_messages']
        , user['user_topics']))

Оставалось эти скрипты запустить.


Hadoop and distributed computing


Наступило время тренировки навыков по Hadoop и MapReduce. Большинство заданий в учебных материалах по MapReduce дальше WordCount примера не уходили, поэтому задача, которая образовалась на этом шаге пришлась как раз кстати. Недавно законченный курс по GCP тоже оказался к месту, так как новые знания позволяли получить платформу для distributed computing в считанные минуты.


GCP имеет одну очень интересную вещь как DataProc. По сути это инструмент, который позволяет вам создать кластер из Мастер (одного или трех для High Availability) и почти неограниченного количества Нодов нужно вам конфигурации. Весь кластер создается за 2-3 минуты, имеет все необходимое на борту (Hadoop, HDFS, Spark etc). Так же вы можете подсунуть скрипт инициализации и доустановить на кластер необходимые вам библиотеки. После этого — закидывайте туда свой job и ждите завершения. Еще один плюс, Hadoop может работать c Google Storage Platform точно также как с HDSF (т.е. нет необходимости предварительно копировать данные на HDFS в кластере). Довольно удобно — скриптом создаю кластер с нужными мощностями, отправляю job на исполнение, удаляю кластер сразу после выполнения работы. В этом случае я плачу только за фактическое время работы кластера. Т.е. у меня есть выбор создать кластер из 2 нодов и ждать 5 часов или из 20 нодов и ждать 30 минут. В теории в обоих случаях я заплачу одну и туже сумму, а если так, то зачем ждать дольше?

Для распределенного вычисления я создал кластер из 20 нодов каждый из которых n1-standard-1 (1CPUs 3.75Gb), в который при помощи скрипта инициализации я добавил все необходимые библиотеки для парсинга. А вот и сам скрипт:


#! /bin/bash

gcloud dataproc clusters create cluster-west \
--region europe-west1 \
--zone europe-west1-b \
--bucket mistabucket-west \
--subnet default \
--master-machine-type n1-standard-1 \
--master-boot-disk-size 100 \
--num-workers 20 \
--worker-machine-type n1-standard-1 \
--worker-boot-disk-size 100 \
--scopes 'https://www.googleapis.com/auth/cloud-platform' \
--project new-mista-project \
--initialization-actions 'gs://mistabucket-europe/install_environment.sh'

В этом месте для экономии тоже можно было воспользоваться preemptible, так как в моем случае hdfs не использовалась вообще.

Через 3 минуты все было готово для запуска моего первого реального джоба (не считая тех, что были в онлайн-классах).


Cluster


Скрипт, который позволил отправить джоб в работу из Google Cloud Shell:


#!/bin/bash

PARSER_FILE="gs://mistabucket-west/mapper_parser.py"
IN_DIR="gs://mistabucket-west/grabbing_results_html/messages_big"
OUT_DIR="gs://mistabucket-west/output_mid"

gsutil rm -r ${OUT_DIR} > /dev/null
gsutil cp mapper_parser.py ${PARSER_FILE}

gcloud dataproc jobs submit hadoop \
--cluster cluster-west \
--region europe-west1 \
--jar file:///usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-- \
-D mapred.jab.name="Parsing mista pages job 1 (parsing)" \
-files ${PARSER_FILE} \
-mapper mapper_parser.py \
-reducer 'cat' \
-input ${IN_DIR} \
-output ${OUT_DIR}

IN_DIR="gs://mistabucket-west/output_mid"
OUT_DIR="gs://mistabucket-west/grabbing_results_tsv/messages_dirty"

gsutil rm -r ${OUT_DIR} > /dev/null

gcloud dataproc jobs submit hadoop \
--cluster cluster-west \
--region europe-west1 \
--jar file:///usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-- \
-D mapred.jab.name="Parsing mista pages job 2 (sorting)" \
-mapper 'cat' \
-reducer 'sort -k1,1n -k2,2n -k4,4n' \
-input ${IN_DIR} \
-output ${OUT_DIR}

gsutil rm -r ${IN_DIR} > /dev/null

Первый джоб выполнял непосредственно парсинг, второй — сортировку.


Тот же скрипт, который можно было запускать непосредственно с кластера:


#!/bin/bash

IN_DIR="gs://mistabucket-west/grabbing_results_html/messages"
OUT_DIR="gs://mistabucket-west/output_mid"
OUT_LOG=out.$(date +"%s%6N").log

gsutil rm -r ${OUT_DIR} > /dev/null

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-D mapred.jab.name="Parsing mista pages job 1 (parsing)" \
-files mapper_parser.py \
-mapper mapper_parser.py \
-reducer 'cat' \
-input ${IN_DIR} \
-output ${OUT_DIR} > /dev/null 2>${OUT_LOG}

IN_DIR="gs://mistabucket-west/output_mid"
OUT_DIR="gs://mistabucket-west/grabbing_results_tsv/messages_dirty"

gsutil rm -r ${OUT_DIR} > /dev/null

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-D mapred.jab.name="Parsing mista pages job 2 (sorting)" \
-mapper 'cat' \
-reducer 'sort -k1,1n -k2,2n -k4,4n' \
-input ${IN_DIR} \
-output ${OUT_DIR}

gsutil rm -r ${IN_DIR} > /dev/null

кстати все джобы можно запускать и через веб-интерфейс и там же отслеживать ход их выполнения.

Вот так выглядит загрузка кластера в момент работы:


Cluster performance


Вот так выглядит работа одного Нода:


CPU[######################################################################93.8%]
Mem[|||||||||||||||||||||||||||||||||||||||||||#**********          2112/3711MB]
Swp[                                                                      0/0MB]
  PID USER      PRI  NI  VIRT   RES   SHR S CPU% MEM%   TIME+  Command
10054 yarn       20   0 60432 36780  8224 R 25.0  1.0  3:04.25 python /hadoop...
10182 yarn       20   0 64908 41096  8156 R 25.0  1.1  2:28.96 python /hadoop...
10257 yarn       20   0 70280 46392  8288 R 25.0  1.2  2:17.99 python /hadoop...
10982 igab       20   0 25244  4376  2940 R 16.7  0.1  0:00.02 htop -C
10015 yarn       20   0 2420M  394M 26584 S  8.3 10.6  0:01.21 /usr/lib/jvm/j...
10039 yarn       20   0 2420M  394M 26584 R  8.3 10.6  0:00.85 /usr/lib/jvm/j...
10008 yarn       20   0 2420M  394M 26584 S  8.3 10.6  0:13.12 /usr/lib/jvm/j...
    1 root       20   0 29640  5872  3104 S  0.0  0.2  0:06.54 /sbin/init
  144 root       20   0 41524  6392  4012 S  0.0  0.2  0:00.40 /lib/systemd/s...
  147 root       20   0 40808  3300  2772 S  0.0  0.1  0:00.07 /lib/systemd/s...
  259 root       20   0 25400  7856   892 S  0.0  0.2  0:00.00 dhclient -v -p...
  314 root       20   0 37080  2728  2296 S  0.0  0.1  0:00.00 /sbin/rpcbind ...
  323 statd      20   0 37280  3060  2468 S  0.0  0.1  0:00.00 /sbin/rpc.stat...
  337 root       20   0 23356   204     4 S  0.0  0.0  0:00.00 /usr/sbin/rpc....
  338 root       20   0 27476  2732  2500 S  0.0  0.1  0:00.01 /usr/sbin/cron...
  355 root       20   0  252M  3344  2700 S  0.0  0.1  0:00.02 /usr/sbin/rsys...
  356 root       20   0  252M  3344  2700 S  0.0  0.1  0:00.00 /usr/sbin/rsys...
  357 root       20   0  252M  3344  2700 S  0.0  0.1  0:00.06 /usr/sbin/rsys...
  339 root       20   0  252M  3344  2700 S  0.0  0.1  0:00.09 /usr/sbin/rsys...
  343 messagebu  20   0 42120  3300  2920 S  0.0  0.1  0:00.27 /usr/bin/dbus-...
  377 root       20   0 19856  2564  2296 S  0.0  0.1  0:00.11 /lib/systemd/s...
  379 root       20   0  4256  1624  1480 S  0.0  0.0  0:00.00 /usr/sbin/acpi...
  386 root       20   0 14416  1936  1784 S  0.0  0.1  0:00.00 /sbin/agetty -...
  387 root       20   0 14236  2040  1888 S  0.0  0.1  0:00.00 /sbin/agetty -...
  391 ntp        20   0 29168  4028  3452 S  0.0  0.1  0:00.62 /usr/sbin/ntpd...
  425 root       20   0 55184  5400  4724 S  0.0  0.1  0:00.00 /usr/sbin/sshd...
  431 root       20   0 53908 19460  7224 S  0.0  0.5  0:00.99 /usr/bin/pytho...
  434 root       20   0 53484 19304  7224 S  0.0  0.5  0:00.43 /usr/bin/pytho...
  435 root       20   0 55556 19192  7124 S  0.0  0.5  0:00.77 /usr/bin/pytho...

Вся работа заняла 4 часа:


gomista@cluster-west-m:~/mista/mapreduce$ ./parser_pages_run.sh 
CommandException: No URLs matched: gs://mistabucket-west/output_mid
13/01/19 02:23:22 INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.6.2-ha...
packageJobJar: [] [/usr/lib/hadoop-mapreduce/hadoop-streaming-2.8.2.jar] /tmp...
13/01/19 02:23:22 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:23:23 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:23:25 INFO mapred.FileInputFormat: Total input files to process :...
13/01/19 02:23:25 INFO mapreduce.JobSubmitter: number of splits:238
13/01/19 02:23:25 INFO mapreduce.JobSubmitter: Submitting tokens for job: job...
13/01/19 02:23:26 INFO impl.YarnClientImpl: Submitted application application...
13/01/19 02:23:26 INFO mapreduce.Job: The url to track the job: http://cluste...
13/01/19 02:23:26 INFO mapreduce.Job: Running job: job_1516327218763_0003
13/01/19 02:23:36 INFO mapreduce.Job: Job job_1516327218763_0003 running in u...
13/01/19 02:23:36 INFO mapreduce.Job:  map 0% reduce 0%
...
13/01/19 02:56:09 INFO mapreduce.Job:  map 10% reduce 0%
...
13/01/19 05:52:02 INFO mapreduce.Job:  map 90% reduce 0%
...
13/01/19 06:06:53 INFO mapreduce.Job:  map 98% reduce 0%
...
13/01/19 06:14:38 INFO mapreduce.Job:  map 99% reduce 30%
13/01/19 06:14:47 INFO mapreduce.Job:  map 100% reduce 30%
...
13/01/19 06:22:58 INFO mapreduce.Job:  map 100% reduce 99%
13/01/19 06:23:09 INFO mapreduce.Job:  map 100% reduce 100%
13/01/19 06:23:14 INFO mapreduce.Job: Job job_1516327218763_0003 completed su...
13/01/19 06:23:14 INFO mapreduce.Job: Counters: 55
  File System Counters
    FILE: Number of bytes read=6430372113
    FILE: Number of bytes written=12899232930
    FILE: Number of read operations=0
    FILE: Number of large read operations=0
    FILE: Number of write operations=0
    GS: Number of bytes read=31919556146
    GS: Number of bytes written=6347504555
    GS: Number of read operations=0
    GS: Number of large read operations=0
    GS: Number of write operations=0
    HDFS: Number of bytes read=28798
    HDFS: Number of bytes written=0
    HDFS: Number of read operations=238
    HDFS: Number of large read operations=0
    HDFS: Number of write operations=0
  Job Counters 
    Killed map tasks=10
    Launched map tasks=248
    Launched reduce tasks=22
    Rack-local map tasks=248
    Total time spent by all maps in occupied slots (ms)=3439064804
    Total time spent by all reduces in occupied slots (ms)=144019192
    Total time spent by all map tasks (ms)=859766201
    Total time spent by all reduce tasks (ms)=18002399
    Total vcore-milliseconds taken by all map tasks=859766201
    Total vcore-milliseconds taken by all reduce tasks=18002399
    Total megabyte-milliseconds taken by all map tasks=880400589824
    Total megabyte-milliseconds taken by all reduce tasks=36868913152
  Map-Reduce Framework
    Map input records=1062462
    Map output records=16818747
    Map output bytes=6372056899
    Map output materialized bytes=6430403397
    Input split bytes=28798
    Combine input records=0
    Combine output records=0
    Reduce input groups=957787
    Reduce shuffle bytes=6430403397
    Reduce input records=16818747
    Reduce output records=16818747
    Spilled Records=33637494
    Shuffled Maps =5236
    Failed Shuffles=0
    Merged Map outputs=5236
    GC time elapsed (ms)=188467
    CPU time spent (ms)=277329350
    Physical memory (bytes) snapshot=115141345280
    Virtual memory (bytes) snapshot=682591932416
    Total committed heap usage (bytes)=89168744448
  Shuffle Errors
    BAD_ID=0
    CONNECTION=0
    IO_ERROR=0
    WRONG_LENGTH=0
    WRONG_MAP=0
    WRONG_REDUCE=0
  File Input Format Counters 
    Bytes Read=31919556146
  File Output Format Counters 
    Bytes Written=6347504555
13/01/19 06:23:14 INFO streaming.StreamJob: Output directory: gs://mistabucke...

13/01/19 06:23:17 INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.6.2-ha...
packageJobJar: [] [/usr/lib/hadoop-mapreduce/hadoop-streaming-2.8.2.jar] /tmp...
13/01/19 06:23:17 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 06:23:18 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 06:23:19 INFO mapred.FileInputFormat: Total input files to process :...
13/01/19 06:23:19 INFO mapreduce.JobSubmitter: number of splits:198
13/01/19 06:23:20 INFO mapreduce.JobSubmitter: Submitting tokens for job: job...
13/01/19 06:23:20 INFO impl.YarnClientImpl: Submitted application application...
13/01/19 06:23:20 INFO mapreduce.Job: The url to track the job: http://cluste...
13/01/19 06:23:20 INFO mapreduce.Job: Running job: job_1516327218763_0004
13/01/19 06:23:29 INFO mapreduce.Job: Job job_1516327218763_0004 running in u...
13/01/19 06:23:29 INFO mapreduce.Job:  map 0% reduce 0%
...
13/01/19 06:23:56 INFO mapreduce.Job:  map 19% reduce 0%
...
13/01/19 06:24:48 INFO mapreduce.Job:  map 93% reduce 0%
13/01/19 06:24:49 INFO mapreduce.Job:  map 97% reduce 0%
13/01/19 06:24:52 INFO mapreduce.Job:  map 99% reduce 0%
13/01/19 06:24:57 INFO mapreduce.Job:  map 100% reduce 0%
...
13/01/19 06:25:15 INFO mapreduce.Job:  map 100% reduce 100%
13/01/19 06:26:00 INFO mapreduce.Job: Job job_1516327218763_0004 completed su...
13/01/19 06:26:00 INFO mapreduce.Job: Counters: 55
  File System Counters
    FILE: Number of bytes read=6430372113
    FILE: Number of bytes written=12893310310
    FILE: Number of read operations=0
    FILE: Number of large read operations=0
    FILE: Number of write operations=0
    GS: Number of bytes read=6348254123
    GS: Number of bytes written=6347504555
    GS: Number of read operations=0
    GS: Number of large read operations=0
    GS: Number of write operations=0
    HDFS: Number of bytes read=18810
    HDFS: Number of bytes written=0
    HDFS: Number of read operations=198
    HDFS: Number of large read operations=0
    HDFS: Number of write operations=0
  Job Counters 
    Killed map tasks=2
    Launched map tasks=199
    Launched reduce tasks=22
    Rack-local map tasks=199
    Total time spent by all maps in occupied slots (ms)=17328576
    Total time spent by all reduces in occupied slots (ms)=5680336
    Total time spent by all map tasks (ms)=4332144
    Total time spent by all reduce tasks (ms)=710042
    Total vcore-milliseconds taken by all map tasks=4332144
    Total vcore-milliseconds taken by all reduce tasks=710042
    Total megabyte-milliseconds taken by all map tasks=4436115456
    Total megabyte-milliseconds taken by all reduce tasks=1454166016
  Map-Reduce Framework
    Map input records=16818747
    Map output records=16818747
    Map output bytes=6372056899
    Map output materialized bytes=6430398117
    Input split bytes=18810
    Combine input records=0
    Combine output records=0
    Reduce input groups=957787
    Reduce shuffle bytes=6430398117
    Reduce input records=16818747
    Reduce output records=16818747
    Spilled Records=33637494
    Shuffled Maps =4356
    Failed Shuffles=0
    Merged Map outputs=4356
    GC time elapsed (ms)=104202
    CPU time spent (ms)=849850
    Physical memory (bytes) snapshot=99081195520
    Virtual memory (bytes) snapshot=580507611136
    Total committed heap usage (bytes)=78608355328
  Shuffle Errors
    BAD_ID=0
    CONNECTION=0
    IO_ERROR=0
    WRONG_LENGTH=0
    WRONG_MAP=0
    WRONG_REDUCE=0
  File Input Format Counters 
    Bytes Read=6348254123
  File Output Format Counters 
    Bytes Written=6347504555
13/01/19 06:26:00 INFO streaming.StreamJob: Output directory: gs://mistabucke...

На тот момент мне трудно было сказать, много это или мало для такого рода обработки такого количества данных, но хотелось конечно чуть ускорить, ведь стоимость 4 часов работы кластера из 20 машин должна была выйти примерно 4 доллара. Я решил поглубже изучить вопрос парсинга html/xml на питоне и пришел к пониманию той самой проблемы с BeautifulSoup, о которой говорил выше. Оказалось, что BeautifulSoup не самый быстрый вариант и стоит попробовать lxml и etree. Потратив немного времени на переделку скрипта получил следующий вариант пригодный для парсинга. Локальные тесты обещали прирост производительности в несколько раз:


#!/usr/bin/env python
# -*- coding: utf-8 -*- 

# export PYTHONIOENCODING=UTF-8

from bs4 import BeautifulSoup
from dateutil import parser as parserDate
from pytz import timezone
import datetime
import re
import sys
from lxml import etree
from io import StringIO, BytesIO

reload(sys)
sys.setdefaultencoding("utf-8")

def get_empty_message():
  message = {}
  message['message_id'] = ''
  message['message_date_time'] = ''
  message['message_user_id'] = ''
  message['message_user_name'] = ''
  message['message_user_link'] = ''
  message['message_user_class'] = ''
  message['message_text'] = ''
  message['message_reply_to'] = ''
  message['message_external_links'] = ''
  return message

def get_list_of_messages_on_page(source):

  tz = timezone('Europe/Moscow')
  fmt = '%Y-%m-%d %H:%M:%S %Z%z'

  def parse_message_time(str_message_time):
    str_message_time = '-'.join(str_message_time.split('-')[-2:])
    message_time = parserDate.parse(str_message_time)
    message_time = tz.localize(message_time)
    return message_time.strftime(fmt)

  parser = etree.HTMLParser()
  tree   = etree.parse(StringIO(source.decode('utf-8')), parser)
  message_elements = tree.xpath("//tr[starts-with(@id, 'message_')]")
  message_list = list()
  for message_element in message_elements:
    message = get_empty_message()
    message['message_id'] = int(re.sub("message_", "", 
                                message_element.attrib['id']))
    message_date_time = message_element
                         .xpath(".//div[@class = 'message-info']//text()")[0]
                         .replace(u'\xa0', u'')
    message['message_date_time'] = parse_message_time(message_date_time)
    user_info_elements = message_element
                          .xpath(".//td[starts-with(@id, 'tduser')]/a")
    if len(user_info_elements) == 1:
      user_info_element = user_info_elements[0]
      message['message_user_id'] = user_info_element.attrib['data-user_id']
      message['message_user_name'] = user_info_element.attrib['data-user_name']
                                      .replace('\t','')
      message['message_user_link'] = user_info_element.attrib['href']
      message['message_user_class'] = user_info_element.attrib['class']
                                       .replace('\t','')
    else:
      user_info_element = message_element
                           .xpath(".//span[@class = 'anonym-user']/text()")[0]
      message['message_user_id'] = ''
      message['message_user_name'] = user_info_element.replace('\t','')
      message['message_user_link'] = ''
      message['message_user_class'] = 'anonym-user'

    message_text_elements = message_element
                             .xpath(".//div[@class = 'message-text']")
    if len(message_text_elements) == 1:
      message_text_element = message_text_elements[0]
      message_text = message_text_element.xpath("table/tbody/tr/td/text()") + message_text_element.xpath("text()")
      message['message_text'] = ''.join(message_text).replace('\t',' ')
                                  .replace('\n',' ').replace('( )','')
                                  .replace('()','').strip()
      #answer_link_elements = message_text_element
                               .xpath(".//a[@class='answer-link interlink']")
      inner_link_elements = message_text_element
                             .xpath(".//a[@class='interlink']")
      inner_link_list = list()
      for inner_link_element in inner_link_elements:
        inner_link_list.append(inner_link_element.attrib['href']
                       .replace('#',''))

      other_link_elements = message_text_element
                             .xpath(".//a[not(@class='interlink') and not(@class='answer-link interlink')]")
      other_link_list = list()
      for other_link_element in other_link_elements:
        other_link_list.append(other_link_element.attrib['href'])

      message['message_reply_to'] = ' '.join(inner_link_list)
      message['message_external_links'] = ' '.join(other_link_list)
    else:
      message['message_text'] = ''
      message['message_user_name'] = 'HIDDEN MESSAGE'
      message['message_reply_to'] = ''
      message['message_external_links'] = ''
    message_list.append(message)

  return message_list

if __name__ == "__main__":
  for line in sys.stdin:
    try:
      topic_id, page_number, link, source = line.strip().split('\t')
    except Exception as e:
      continue

    if source == '<html xmlns="http://www.w3.org/1999/xhtml"><head></head><body>Тема не существует.</body></html>':
      message_list = list()
      message = get_empty_message()
      message_list.append(message)
    else:
      try:
        message_list = get_list_of_messages_on_page(source)
      except Exception as e:
        message_list = list()
        message = get_empty_message()
        message['message_user_name'] = 'ERRORERRORERROR'
        message['message_text'] = str(e)
        message_list.append(message)

    for message in message_list:
      # 12 columns
      print ('%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s\t%s' % 
        ( topic_id
        , page_number
        , link
        , message['message_id']
        , message['message_date_time']
        , message['message_user_name']
        , message['message_user_id']
        , message['message_user_class']
        , message['message_text']
        , message['message_reply_to']

А вот и повторный запуск Hadoop Streaming job с новым скриптом. Выполнился за волшебные 12 мин:


gomista@cluster-west-m:~/mista/mapreduce$ ./parser_pages_lxml_run.sh 
Removing gs://mistabucket-west/output_mid/#1516326888923617...
Removing gs://mistabucket-west/output_mid/_temporary/#1516326889037377...       
Removing gs://mistabucket-west/output_mid/_temporary/1/#1516326889036731...     
/ [3 objects]                                                                   
Operation completed over 3 objects.                                              
13/01/19 02:03:41 INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.6.2-ha...
packageJobJar: [] [/usr/lib/hadoop-mapreduce/hadoop-streaming-2.8.2.jar] /tmp...
13/01/19 02:03:42 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:03:42 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:03:46 INFO mapred.FileInputFormat: Total input files to process :...
13/01/19 02:03:48 INFO mapreduce.JobSubmitter: number of splits:238
13/01/19 02:03:48 INFO mapreduce.JobSubmitter: Submitting tokens for job: job...
13/01/19 02:03:49 INFO impl.YarnClientImpl: Submitted application application...
13/01/19 02:03:49 INFO mapreduce.Job: The url to track the job: http://cluste...
13/01/19 02:03:49 INFO mapreduce.Job: Running job: job_1516327218763_0001
13/01/19 02:04:07 INFO mapreduce.Job: Job job_1516327218763_0001 running in u...
13/01/19 02:04:07 INFO mapreduce.Job:  map 0% reduce 0%
...
13/01/19 02:05:24 INFO mapreduce.Job:  map 9% reduce 0%
13/01/19 02:05:30 INFO mapreduce.Job:  map 10% reduce 0%
...
13/01/19 02:13:04 INFO mapreduce.Job:  map 90% reduce 0%
...
13/01/19 02:14:12 INFO mapreduce.Job:  map 99% reduce 0%
13/01/19 02:14:22 INFO mapreduce.Job:  map 100% reduce 0%
13/01/19 02:14:29 INFO mapreduce.Job:  map 100% reduce 2%
...
13/01/19 02:14:52 INFO mapreduce.Job:  map 100% reduce 99%
13/01/19 02:14:53 INFO mapreduce.Job:  map 100% reduce 100%
13/01/19 02:15:00 INFO mapreduce.Job: Job job_1516327218763_0001 completed su...
13/01/19 02:15:01 INFO mapreduce.Job: Counters: 56
  File System Counters
    FILE: Number of bytes read=6193967355
    FILE: Number of bytes written=12426341774
    FILE: Number of read operations=0
    FILE: Number of large read operations=0
    FILE: Number of write operations=0
    GS: Number of bytes read=31919556146
    GS: Number of bytes written=6110532053
    GS: Number of read operations=0
    GS: Number of large read operations=0
    GS: Number of write operations=0
    HDFS: Number of bytes read=28798
    HDFS: Number of bytes written=0
    HDFS: Number of read operations=238
    HDFS: Number of large read operations=0
    HDFS: Number of write operations=0
  Job Counters 
    Killed map tasks=8
    Killed reduce tasks=1
    Launched map tasks=246
    Launched reduce tasks=23
    Rack-local map tasks=246
    Total time spent by all maps in occupied slots (ms)=143665988
    Total time spent by all reduces in occupied slots (ms)=5776576
    Total time spent by all map tasks (ms)=35916497
    Total time spent by all reduce tasks (ms)=722072
    Total vcore-milliseconds taken by all map tasks=35916497
    Total vcore-milliseconds taken by all reduce tasks=722072
    Total megabyte-milliseconds taken by all map tasks=36778492928
    Total megabyte-milliseconds taken by all reduce tasks=1478803456
  Map-Reduce Framework
    Map input records=1062462
    Map output records=16828105
    Map output bytes=6135355287
    Map output materialized bytes=6193998639
    Input split bytes=28798
    Combine input records=0
    Combine output records=0
    Reduce input groups=957787
    Reduce shuffle bytes=6193998639
    Reduce input records=16828105
    Reduce output records=16828105
    Spilled Records=33656210
    Shuffled Maps =5236
    Failed Shuffles=0
    Merged Map outputs=5236
    GC time elapsed (ms)=120521
    CPU time spent (ms)=10644810
    Physical memory (bytes) snapshot=111635165184
    Virtual memory (bytes) snapshot=682604023808
    Total committed heap usage (bytes)=89146138624
  Shuffle Errors
    BAD_ID=0
    CONNECTION=0
    IO_ERROR=0
    WRONG_LENGTH=0
    WRONG_MAP=0
    WRONG_REDUCE=0
  File Input Format Counters 
    Bytes Read=31919556146
  File Output Format Counters 
    Bytes Written=6110532053
13/01/19 02:15:01 INFO streaming.StreamJob: Output directory: gs://mistabucke...
packageJobJar: [] [/usr/lib/hadoop-mapreduce/hadoop-streaming-2.8.2.jar] /tmp...
13/01/19 02:15:05 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:15:06 INFO client.RMProxy: Connecting to ResourceManager at clust...
13/01/19 02:15:06 INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.6.2-ha...
13/01/19 02:15:08 INFO mapred.FileInputFormat: Total input files to process :...
13/01/19 02:15:08 INFO mapreduce.JobSubmitter: number of splits:199
13/01/19 02:15:08 INFO mapreduce.JobSubmitter: Submitting tokens for job: job...
13/01/19 02:15:09 INFO impl.YarnClientImpl: Submitted application application...
13/01/19 02:15:09 INFO mapreduce.Job: The url to track the job: http://cluste...
13/01/19 02:15:09 INFO mapreduce.Job: Running job: job_1516327218763_0002
13/01/19 02:15:19 INFO mapreduce.Job: Job job_1516327218763_0002 running in u...
13/01/19 02:15:19 INFO mapreduce.Job:  map 0% reduce 0%
...
13/01/19 02:15:48 INFO mapreduce.Job:  map 17% reduce 0%
...
13/01/19 02:16:43 INFO mapreduce.Job:  map 91% reduce 0%
...
13/01/19 02:17:11 INFO mapreduce.Job:  map 100% reduce 100%
13/01/19 02:17:28 INFO mapreduce.Job: Job job_1516327218763_0002 completed su...
13/01/19 02:17:29 INFO mapreduce.Job: Counters: 55
  File System Counters
    FILE: Number of bytes read=6193967355
    FILE: Number of bytes written=12420328221
    FILE: Number of read operations=0
    FILE: Number of large read operations=0
    FILE: Number of write operations=0
    GS: Number of bytes read=6111257045
    GS: Number of bytes written=6110532053
    GS: Number of read operations=0
    GS: Number of large read operations=0
    GS: Number of write operations=0
    HDFS: Number of bytes read=18905
    HDFS: Number of bytes written=0
    HDFS: Number of read operations=199
    HDFS: Number of large read operations=0
    HDFS: Number of write operations=0
  Job Counters 
    Killed map tasks=2
    Launched map tasks=200
    Launched reduce tasks=22
    Rack-local map tasks=200
    Total time spent by all maps in occupied slots (ms)=18822720
    Total time spent by all reduces in occupied slots (ms)=5538912
    Total time spent by all map tasks (ms)=4705680
    Total time spent by all reduce tasks (ms)=692364
    Total vcore-milliseconds taken by all map tasks=4705680
    Total vcore-milliseconds taken by all reduce tasks=692364
    Total megabyte-milliseconds taken by all map tasks=4818616320
    Total megabyte-milliseconds taken by all reduce tasks=1417961472
  Map-Reduce Framework
    Map input records=16828105
    Map output records=16828105
    Map output bytes=6135355287
    Map output materialized bytes=6193993491
    Input split bytes=18905
    Combine input records=0
    Combine output records=0
    Reduce input groups=957787
    Reduce shuffle bytes=6193993491
    Reduce input records=16828105
    Reduce output records=16828105
    Spilled Records=33656210
    Shuffled Maps =4378
    Failed Shuffles=0
    Merged Map outputs=4378
    GC time elapsed (ms)=116848
    CPU time spent (ms)=914030
    Physical memory (bytes) snapshot=98494140416
    Virtual memory (bytes) snapshot=583041585152
    Total committed heap usage (bytes)=78180368384
  Shuffle Errors
    BAD_ID=0
    CONNECTION=0
    IO_ERROR=0
    WRONG_LENGTH=0
    WRONG_MAP=0
    WRONG_REDUCE=0
  File Input Format Counters 
    Bytes Read=6111257045
  File Output Format Counters 
    Bytes Written=6110532053
13/01/19 02:17:29 INFO streaming.StreamJob: Output directory: gs://mistabucke...                                           

Как говориться, почувствуйте разницу в 20 раз...


Следующий шаг, попробовать запустить простой Spark job. Скрипт который удаляет пустые сообщения (отсутствующие темы) и сортирует данные по ИД темы, странице и номеру сообщения:


from pyspark import SparkContext, SparkConf
sc =SparkContext()

def clear_user_id(line):
  line[6]=line[6].replace('users.php?id=','')
  return line

rdd = sc.textFile("gs://mistabucket-west/grabbing_results_tsv/messages_dirty/*") \
  .map(lambda line: str(line.encode('utf-8')).split("\t")) \
  .filter(lambda line: line[3]<>'') \
  .map(lambda line: clear_user_id(line)) \
  .sortBy(lambda line: (int(line[0]), int(line[1]), int(line[3]))) \
  .repartition(100) \
  .map(lambda line: '\t'.join(line)) \
  .saveAsTextFile("gs://mistabucket-west/grabbing_results_tsv/messages")

Shell скрипт для сабмита джоба кластеру:


#!/bin/bash

OUT_DIR="gs://mistabucket-west/grabbing_results_tsv/messages"

gsutil -m rm -r ${OUT_DIR} > /dev/null

gcloud dataproc jobs submit pyspark \
  file:///home/gomista/mista/pyspark/clear_messages.py \
  --cluster cluster-west \
  --region europe-west1

На кластере из 20 машин задание выполняется за 2 минуты.


Making a sense


Пора приступать к анализу (ну хоть какому-то) и начнем с пробы пера в Hive.


Для удобства подготовил такой скрипт для отправки джобов в работу:


#!/bin/bash

gcloud dataproc jobs submit hive \
--cluster cluster-west \
--region europe-west1 \
--file $1

Создал описание внешней таблицы:


CREATE EXTERNAL TABLE IF NOT EXISTS messages
  (topic_id INT,
  page_number INT,
  link STRING,
  message_id INT,
  message_date_time TIMESTAMP,
  message_user_name STRING,
  message_user_id STRING,
  message_user_class ARRAY<STRING>,
  message_text STRING,
  message_reply_to ARRAY<STRING>,
  message_external_links ARRAY<STRING>)
COMMENT 'Data contains users messages'
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
COLLECTION ITEMS TERMINATED BY ' '
STORED AS TEXTFILE
LOCATION 'gs://mistabucket-west/grabbing_results_tsv/messages';

И попробовал посчитать количество сообщений:


SELECT COUNT(*) FROM messages;

Результат:


+-----------+--+
|    c0     |
+-----------+--+
| 16576543  |
+-----------+--+
1 row selected (51.307 seconds)

Теперь наступило время проверить одну гипотезу "Миста уже не та" и подсчитать количество сообщений по годам:


SELECT 
  DATE_FORMAT(message_date_time,'yyyy') AS year, 
  COUNT(message_id) AS total_messages 
FROM messages 
GROUP BY DATE_FORMAT(message_date_time,'yyyy') 
ORDER BY year;

Результат:


+-------+-----------------+--+
| year  | total_messages  |
+-------+-----------------+--+
| 2000  | 3412            |
| 2001  | 4900            |
| 2003  | 5854            |
| 2004  | 248704          |
| 2005  | 834114          |
| 2006  | 1319828         |
| 2007  | 1077894         |
| 2008  | 1071649         |
| 2009  | 1650880         |
| 2010  | 1704566         |
| 2011  | 1821790         |
| 2012  | 2041743         |
| 2013  | 1471078         |
| 2014  | 1218941         |
| 2015  | 834300          |
| 2016  | 726237          |
| 2017  | 529598          |
| 2018  | 11055           |
+-------+-----------------+--+
18 rows selected (100.316 seconds)

А теперь пройдемся по полученным цифрам и самой гипотезе. Как видно по результату запроса, спустя несколько лет довольно умеренного роста произошел гигантский прорыв, который можно связать с выходом новой платформы 1С 8.0. Новый язык и новые возможности породили кучу вопросов и форум стал хорошей площадкой для обмена опытом и для взаимопомощи. Активность стабилизировалась только в 2007-2008 годах. Следующий скачок, как мы видим, произошел во время кризиса в 2009 и резкого подорожания доллара до 35 рублей. Количество срачей по "экономическим вопросам" просто зашкаливало, прогнозы от "сестры мужа знакомой, которая работает в банке" появлялись каждый день, а споры вокруг "новых экономических теорий" от разного рода аналитиков разве что до драк не доводили. Дальнейший рост (все на этой же волне) продолжился и, совершив небольшой скачок, в 2012 году остановился.


Скачок был понятен. Парламентские выборы в декабре 2011 с их вбросами и каруселями, схожие президентские выборы в марте 2012, болотные площади, белоленточники и прочие сделали свое дело. А вот почему пошел резкий спад? По той же причине. Фактически, разделившись в 2012 году на запутинцев и белоленточников, на форуме началось методичное "выпиливание" вторых. Так как владелец форума оказался ярым ура-патриотом и путинофилом, то общая политика форума была развернута на удаление любых тем и сообщений, которые хоть как-то освещали "вбросы на выборах", представляли позицию "белоленточников" или выставляли Пу и едросов в неприглядном виде (думаю ниже я приведу чать формулировок, с которыми пользовали форума отправлялись в годовой бан). Результат — в 2013 году форум потерял треть своей активности. А так как под руку попались в том числе и грамотные адинесники, которые потеряли возможность помогать в тематических ветках, то помощь, которая Миста оказывала всем программистам, тоже уменьшилась, и шанс получить адекватную помощь на конкретный технический вопрос резко сократилось, что тоже в итоге повлияло на падение аудитории.


Снижение продолжилось до 2014 года, когда падение активности произошло еще на треть. А связано это с чем? Правильно. Событиями на Украине. А так как в сообществе программистов 1С существовала довольно большая украинская диаспора и срачей было не избежать, то по той же политике форума была выпилена еще одна большая группа пользователей. Причем в баны (уже 10 летние) попали не просто пользователи типа "Героям Слава", но и все, кто хоть как-то пытался выступить "на неправильной стороне" или просто отступал от "единственно верной точки зрения", которую преподносили центральные СМИ.


Что было дальше — вы сами видите по таблице выше: 500 тысяч сообщений в 2017 году (в два раза меньше чем 10 лет назад). А с учетом данных ниже и того, что на середину января не набралось и 5% прошлогодней нормы, то, даже если прибавить ожидаемое оживление после новогодних праздников, мы получим картину, которая только подтвердит тренд. Миста уже не та:


gomista@cluster-west-m:~$ cat data4 | python bar_chart.py -A
# each ∎ represents a count of 665. total 531754
201701 [ 48446] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201702 [ 39747] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201703 [ 49150] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201704 [ 42766] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201705 [ 47175] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201706 [ 43566] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201707 [ 45087] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201708 [ 40789] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201709 [ 40850] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201710 [ 45386] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201711 [ 43041] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201712 [ 43595] ∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎∎
201801 [  2156] ∎

Возвращаясь непосредственно к инструментам анализа и работы с данными, я отметил, что простой подсчет количества строк и простое суммирование с группировкой по году занимает 50 и 100 секунд соответственно. Опять же, сравнивать мне было не с чем и сказать много это или мало я не мог, но все равно казалось, что 20 компьютеров должны были чуть быстрее посчитать количество строк в файлах общим весом в 5Гб.


Поэтому решил попробовать в работе следующий инструмент — SparkSQL. Глянув в мануалах принцип работы SparkSQL, решил, что скрипты Hive указанные выше подойдут и тут, а для чтобы отправить джоб в работу достаточно было изменить hive на spark-sql в команде gcloud dataproc jobs submit hive. После создания таблицы, посчитал количество сообщений в месяц:


2000  3412                                                                    
2001  4900
2003  5854
2004  248704
2005  834114
2006  1319828
2007  1077894
2008  1071649
2009  1650880
2010  1704566
2011  1821790
2012  2041743
2013  1471078
2014  1218941
2015  834300
2016  726237
2017  529598
2018  11055
Time taken: 22.113 seconds, Fetched 18 row(s)

Итог — 22 секунды SparkSQL против 100 секунд Hive. Как и говорили на курсах, in-memory computation быстрее традиционного MapReduce.


На следующем шаге решил попробовать инструмент, который предлагал гугл для подобных целей — BigQuery. В моем понимании это такая надстройка над Google Cloud Storage, которая позволяет хранить большой объем данных и поддерживает Standard SQL запросы. Вы можете загрузить в BigQuery свой дата сет и использовать SQL запросы для анализа. Но это все не бесплатно — вам придется платить за хранение самих данных (если не ошибаюсь, то по ценам GCS) и также за непосредственный объем обработанных данных (читай за каждый выполненный запрос). Вроде бы есть лимит 1Тб в месяц на бесплатную обработку данных и 10Гб на бесплатное хранение — но надо уточнять.


Также хочу сказать, несмотря на то, что поддержка сложных типов (таких как Массив) существует, но BigQuery supports loading and exporting nested and repeated data in the form of JSON and Avro files. Т.е. в моем случае поля message_user_class, message_reply_to, message_external_links придется загружать как строки, а уже потом, в запросах парсить их и разбивать на элементы массива при необходимости. Загрузка 5Гб данных при помощи этого скрипта заняла меньше минуты:


#!/bin/bash

bq load \
--field_delimiter "\t" \
--quote '' \
--source_format CSV mistadataset.messages \
gs://mistabucket-west/grabbing_results_tsv/messages/part-* \
topic_id:INTEGER,\
page_number:INTEGER,\
link:STRING,\
message_id:INTEGER,\
message_date_time:TIMESTAMP,\
message_user_name:STRING,\
message_user_id:STRING,\
message_user_class:STRING,\
message_text:STRING,\
message_reply_to:STRING,\
message_external_links:STRING

В результате получаем следующую таблицу:


gomista@cluster-west-m:~$ bq show mistadataset.messages
Table new-mista-project:mistadataset.messages

   Last modified                 Schema                 Total Rows   Total Bytes
 ----------------- ----------------------------------- ------------ ------------
  20 Jan 06:31:57   |- topic_id: integer                16576543     6013007928 
                    |- page_number: integer                                     
                    |- link: string                                             
                    |- message_id: integer                                      
                    |- message_date_time: timestamp                             
                    |- message_user_name: string                                
                    |- message_user_id: string                                  
                    |- message_user_class: string                               
                    |- message_text: string                                     
                    |- message_reply_to: string                                 
                    |- message_external_links: string   

Запрос, который считает количество сообщений выполняется меньше чем за секунду:


gomista@cluster-west-m:~$ bq query 'SELECT COUNT(*) FROM mistadataset.messages'
Waiting on bqjob_r3390fd1a48d7adbf_000001611c99d989_1 ... (0s) Current status: D
+----------+
|   f0_    |
+----------+
| 16576543 |
+----------+

Запрос, который считает количество сообщений в год меньше чем за секунду:


gomista@cluster-west-m:~$ bq query 'SELECT YEAR(message_date_time) AS year, COUNT(message_id) AS total_messages FROM [new-mista-project:mistadataset.messages] GROUP BY year ORDER BY year, total_messages'
Waiting on bqjob_rbad1e81f2c9554d_000001611c9c09eb_1 ... (0s) Current status: DONE   
+------+----------------+
| year | total_messages |
+------+----------------+
| 2000 |           3412 |
| 2001 |           4900 |
| 2003 |           5854 |
| 2004 |         248704 |
| 2005 |         834114 |
| 2006 |        1319828 |
| 2007 |        1077894 |
| 2008 |        1071649 |
| 2009 |        1650880 |
| 2010 |        1704566 |
| 2011 |        1821790 |
| 2012 |        2041743 |
| 2013 |        1471078 |
| 2014 |        1218941 |
| 2015 |         834300 |
| 2016 |         726237 |
| 2017 |         529598 |
| 2018 |          11055 |
+------+----------------+              

Быстро. Очень быстро по сравнению с Hive и MapReduce на 20 машинах в кластере. Но надо учитывать, что за каждый запрос (и объем данных, который он выберет) придется платить.


Посмотрим топ20 флудеров? Запрос поможет:


WITH
  top_flooders AS (
  SELECT
    message_user_id,
    COUNT(1) AS num
  FROM
    mistadataset.messages
  WHERE
    message_user_id <> ''
  GROUP BY
    message_user_id
  ORDER BY
    num DESC
  LIMIT
    20)
SELECT
  users.user_name,
  top.num
FROM
  top_flooders AS top
INNER JOIN
  mistadataset.users AS users
ON
  CAST(top.message_user_id AS INT64) = users.user_id
ORDER BY
  num DESC

Первое место уходит за 170 тысяч сообщений уходит владельцу форума с (мой взгляд ни разу не пацанским) ником Волшебник.


Waiting on bqjob_r37d1101a64142e8e_000001612d891e10_1 ... (2s) Current status: DONE   
+-------------------+--------+
|     user_name     |  num   |
+-------------------+--------+
| Волшебник         | 170049 |
| ДенисЧ            | 116586 |
| zak555            | 115577 |
| Guk               | 101166 |
| IamAlexy          |  99148 |
| mishaPH           |  94991 |
| Mikeware          |  89538 |
| Господин ПЖ       |  84311 |
| skunk             |  82373 |
| Джинн             |  80978 |
| Aleksey           |  71176 |
| Сержант 1С        |  71161 |
| mikecool          |  70260 |
| Ёпрст             |  69461 |
| NS                |  69360 |
| Эльниньо          |  69062 |
| Старуха Юзергиль  |  64987 |
| Fragster          |  64890 |
| Скользящий        |  63229 |
| H A D G E H O G s |  60784 |
+-------------------+--------+

Дальше попробуем посмотреть что-нибудь относительно пользователей — а именно взаимодействия между ними, кто кому пишет, кто с кем общается.


На Мисте как такового механизма обращения к пользователю или упоминание (выделение) его в своем посте нет. Единственная возможность как-либо адресовать сообщение — это указать в сообщении номер поста, к которому обращаешься. Это означает что ты обращаешься к автору этого поста.

Для этого у нас есть вся необходимая информаци:


gomista@cluster-west-m:~$ bq query 'SELECT topic_id, message_id, message_user_id, message_reply_to FROM [new-mista-project:mistadataset.messages] WHERE message_user_id <> "" LIMIT 10' 
Waiting on bqjob_r58c79111c4f526bd_000001612d23cda6_1 ... (0s) Current status: DONE
+----------+------------+-----------------+------------------+
| topic_id | message_id | message_user_id | message_reply_to |
+----------+------------+-----------------+------------------+
|   415686 |        154 | 4810            | 151              |
|   420305 |         53 | 16570           | 51               |
|   422260 |        164 | 22278           | 160 159 161 163  |
|   424934 |        106 | 1906            | 103              |
|   628534 |         61 | 66521           | 56               |
|   628735 |         21 | 85082           | NULL             |
|   629695 |        704 | 39974           | 702              |
|   415376 |         23 | 3467            | 19               |
|   385506 |         95 | 12832           | NULL             |
|   392876 |         95 | 12204           | 94               |
+----------+------------+-----------------+------------------+              

Где в колонке message_id указан номер сообщения, message_user_id указан ID пользователя, отправившего сообщение, message_reply_to номера постов, которым данное сообщение адресовано. Однако для анализа нам понадобится разложить message_reply_to и найти авторов этих постов. В целом это можно было выполнить и SQL запросами, но я решил снова потренироваться в Hadoop Streaming (так как ценовая политика BigQuery для меня еще не ясна, да и скилы в MapReduce требовали больше внимания).


Скрипт, который создавал кластер, сабмитил джоб и после его выполнения удалял кластер:


#!/bin/bash

# CREATE CLUSTER
bash ../dataproc/create_cluster.sh

# SUBMIT JOB
BUCKET="gs://mistabucket-west/"

MAPPER_FILE="mapper.py"
REDUCER_FILE="reducer.py"

IN_DIR=${BUCKET}"grabbing_results_tsv/messages"
OUT_DIR=${BUCKET}"grabbing_results_tsv/users_to_users"
OUT_LOG=out.$(date +"%s%6N").log

gsutil rm -r ${OUT_DIR} > /dev/null
gsutil cp ${MAPPER_FILE} ${BUCKET}${MAPPER_FILE}
gsutil cp ${REDUCER_FILE} ${BUCKET}${REDUCER_FILE}

gcloud dataproc jobs submit hadoop \
--cluster cluster-west \
--region europe-west1 \
--jar file:///usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-- \
-D mapred.jab.name="Users to users job" \
-files ${BUCKET}${MAPPER_FILE},${BUCKET}${REDUCER_FILE} \
-mapper ${MAPPER_FILE} \
-reducer ${REDUCER_FILE} \
-input ${IN_DIR} \
-output ${OUT_DIR} > /dev/null 2>${OUT_LOG}

gsutil cp ${OUT_LOG} ${BUCKET}"logs/"${OUT_LOG}
gsutil rm ${BUCKET}${MAPPER_FILE}
gsutil rm ${BUCKET}${REDUCER_FILE}

# DELETE CLUSTER
bash ../dataproc/delete_cluster.sh

Кстати для в этом месте я немного изменил подход к написанию streaming скриптов и воспользовался мини-фрейворком одного из своих преподавателей Benjamin Bengfort:


import os
import sys

from itertools import groupby
from operator import itemgetter

SEPARATOR = "\t"

class Streaming(object):

    @staticmethod
    def get_job_conf(name):
        name = name.replace(".", "_").upper()
        return os.environ.get(name)

    def __init__(self, infile=sys.stdin, separator=SEPARATOR):
        self.infile = infile
        self.sep    = separator

    def status(self, message):
        sys.stderr.write("reporter:status:{0}\n".format(message))

    def counter(self, counter, amount=1, group="Python Streaming"):
        sys.stderr.write("reporter:counter:{0},{1},{2}\n".format(group, counter, amount))

    def emit(self, key, value):
        sys.stdout.write("{0}{1}{2}\n".format(key, self.sep, value))

    def read(self):
        for line in self.infile:
            yield line.rstrip('\n')

    def __iter__(self):
        for line in self.read():
            yield line

class Mapper(Streaming):

    def map(self):
        raise NotImplementedError("Mappers must implement a map method")

class Reducer(Streaming):

    def reduce(self):
        raise NotImplementedError("Reducers must implement a reduce method")

    def __iter__(self):
        generator = (line.split(self.sep, 1) for line in self.read())
        for item in groupby(generator, itemgetter(0)):
            yield item

А вот и сами скрипты. Mapper:


#!/usr/bin/env python

import re
import os
import sys

from itertools import groupby
from operator import itemgetter

from framework import Streaming

class Mapper(Streaming):

  def map(self):  
    for line in self:
      line = line.split(self.sep)
      for reply_to_id in line[9].split(' '): 
        if line[6] <> '':
          # topic_id, message_id, user_id, reply_to
          self.emit(line[0], '\t'.join((line[3], line[6], reply_to_id)))

if __name__ == '__main__':
  mapper = Mapper(sys.stdin)
  mapper.map()

Reducer:


#!/usr/bin/env python

import re
import os
import sys

from itertools import groupby
from operator import itemgetter

from framework import Streaming

class Reducer(Streaming):

  def reduce(self):
    for line in self:
      try:
        for key, group in self:
          message_user = {}
          for item in group:
            # extract message_id, user_id, reply_to
            user_line = item[1].split(self.sep)
            # put topic_id, user_id, reply_to in dict with message_id
            message_user[user_line[0]] = (item[0], user_line[1], user_line[2])
          iterator = sorted(message_user.iteritems(), key=lambda t: int(t[0]))
          for message_id, user_line in iterator:
            # emit topic_id, message_id, user_id, reply_to, user_id_to
            # (message_id, user_line[1], user_line[2], message_user[user_line[2]])
            reply_to = user_line[2]
            if reply_to <> '' and reply_to in message_user.keys():
              user_id = user_line[1]
              user_id_to = message_user[reply_to][1]
              if int(user_id) <= int(user_id_to):
                self.emit(user_line[0], '\t'.join((user_id, user_id_to, 
                                                   message_id, reply_to, 
                                                   '1', '0')))
              else:
                self.emit(user_line[0], '\t'.join((user_id_to, user_id, 
                                                   message_id, reply_to, 
                                                   '0', '1')))
      except Exception as e:
        self.emit("ERROR", str(e))

  def __iter__(self):
    generator = (line.split(self.sep, 1) for line in self.read())
    for item in groupby(generator, itemgetter(0)):
      yield item

if __name__ == '__main__':
  reducer = Reducer(sys.stdin)
  reducer.reduce()

Для quick-review опять же закинул получившуюся таблицу в BigQuery:


gomista@cluster-west-m:~$ bq query 'SELECT topic_id, user1, user2, mes1, mes2, sender1, sender2 FROM [new-mista-project:mistadataset.users_to_users] LIMIT 10' 
Waiting on bqjob_r62adcfd4b0bc4e83_000001612d362bc9_1 ... (0s) Current status: DONE   
+----------+-------+-------+------+------+---------+---------+
| topic_id | user1 | user2 | mes1 | mes2 | sender1 | sender2 |
+----------+-------+-------+------+------+---------+---------+
|   102028 |  4810 |  5948 |  110 |  101 |       1 |       0 |
|   119073 |  2811 |  4530 |   81 |   78 |       1 |       0 |
|   128776 |  5561 |  6398 |   58 |   49 |       1 |       0 |
|   131529 |  3566 |  4810 |   42 |   39 |       1 |       0 |
|   133787 |  2126 | 10705 |   46 |   38 |       1 |       0 |
|   103025 |  3312 |  6101 |   92 |   90 |       0 |       1 |
|   116500 |    69 |  8311 |   53 |   52 |       0 |       1 |
|   117521 |    69 |  6789 |   52 |   50 |       0 |       1 |
|   119073 |  4530 |  4810 |  123 |  121 |       0 |       1 |
|   133787 |  2035 |  5985 |  209 |  208 |       0 |       1 |
+----------+-------+-------+------+------+---------+---------+            

Как видно из кода редюсера и из результирующей таблицы, для того чтобы сообщения пользователя 69 пользователю 6789 и пользователя 6789 пользователю 69 считалось как равное взаимодействие, связка 69->6789 и 6789->69 кодировалась как 69 6789 1 0 и 69 6789 0 1. В таблице ниже — пользователь написал сообщение пользователю 5948, а пользователь 6789 написал сообщение 69.


+----------+-------+-------+------+------+---------+---------+
| topic_id | user1 | user2 | mes1 | mes2 | sender1 | sender2 |
+----------+-------+-------+------+------+---------+---------+
|   102028 |  4810 |  5948 |  110 |  101 |       1 |       0 |
|   117521 |    69 |  6789 |   52 |   50 |       0 |       1 |
+----------+-------+-------+------+------+---------+---------+            

Имея такую таблицу, можно легко получить топ 20 тех, кто любит разговаривать сам с собой. А точнее пишет сообщения сами себе. А еще точнее в своих сообщениях делают ссылки на свои же сообщения. Запрос чуть усложнен, чтобы исключить случаи типа (77) баян, смотри мой пост (43):


WITH
  self_messaging AS (
  SELECT
    topic_id,
    user1,
    mes1,
    SUM(CASE
        WHEN user1=user2 THEN 1
        ELSE -1 END) AS num
  FROM
    `mistadataset.users_to_users`
  GROUP BY
    topic_id,
    user1,
    mes1
  HAVING
    SUM(CASE
        WHEN user1=user2 THEN 1
        ELSE -1 END) >= 1),
  top_fools AS(
  SELECT
    user1,
    SUM(num) AS num
  FROM
    self_messaging
  GROUP BY
    user1
  ORDER BY
    num DESC
  LIMIT
    20)
SELECT
  users.user_name,
  top.num
FROM
  top_fools AS top
INNER JOIN
  mistadataset.users AS users
ON
  top.user1 = users.user_id
ORDER BY
  num DESC

Результат:


Waiting on bqjob_r22370ed3190e5fd8_000001612d7d126a_1 ... (16s) Current status: DONE   
+-------------------+------+
|     user_name     | num  |
+-------------------+------+
| Garykom           | 6066 |
| bushd             | 4080 |
| IamAlexy          | 3883 |
| Fragster          | 3565 |
| Guk               | 3237 |
| Rie               | 3219 |
| wPa               | 3139 |
| Волшебник         | 2594 |
| smaharbA          | 2544 |
| trdm              | 2321 |
| Wobland           | 2245 |
| opty              | 2230 |
| Looking           | 2120 |
| Дядя Васька       | 2044 |
| zak555            | 1955 |
| Лефмихалыч        | 1936 |
| ado               | 1925 |
| Мистадонт         | 1899 |
| Fish              | 1818 |
| vde69             | 1809 |
+-------------------+------+

Теперь посмотри топ20 оппонентов. Пользователи, которые чаще всего адресуют сообщения друг другу. Запрос:


WITH
  top_opponents AS(
  SELECT
    user1,
    user2,
    SUM( sender1) AS sent_by_1,
    SUM( sender2) AS sent_by_2,
    SUM( sender1) + SUM( sender2) AS sent_total
  FROM
    `mistadataset.users_to_users`
  WHERE
    user1 <> user2
  GROUP BY
    user1,
    user2
  ORDER BY
    sent_total DESC
  LIMIT
    20)
SELECT
  users1.user_name AS user1,
  users2.user_name AS user2,
  top.sent_by_1,
  top.sent_by_2
FROM
  top_opponents AS top
INNER JOIN
  mistadataset.users AS users1
ON
  top.user1 = users1.user_id
INNER JOIN
  mistadataset.users AS users2
ON
  top.user2 = users2.user_id
ORDER BY
  top.sent_total DESC

Результат:


Waiting on bqjob_r6ead7fb755f1ff06_000001612d98c243_1 ... (16s) Current status: DONE   
+------------------+------------------+-----------+-----------+
|      user1       |      user2       | sent_by_1 | sent_by_2 |
+------------------+------------------+-----------+-----------+
| mikecool         | Vinianel         |      2775 |      2972 |
| Старуха Юзергиль | Мистадонт        |      2870 |      2366 |
| Маркетолог       | Vinianel         |      1921 |      2787 |
| Mikeware         | Джинн            |      2614 |      1561 |
| Старуха Юзергиль | Эльниньо         |      2272 |      1743 |
| Oftan_Idy        | opty             |      2003 |      1841 |
| NS               | opty             |      1832 |      1977 |
| Старуха Юзергиль | Trigg            |      1943 |      1791 |
| Amra             | rphosts          |      1593 |      1614 |
| Sakura           | Amra             |      1487 |      1712 |
| Волшебник        | Asmody           |      1511 |      1665 |
| Wobland          | Любопытная       |      1627 |      1500 |
| mishaPH          | zak555           |      1531 |      1516 |
| IamAlexy         | zak555           |      1361 |      1622 |
| romix            | opty             |      1381 |      1565 |
| Джинн            | Mikk             |      1246 |      1663 |
| insider          | Стрелок          |      1687 |      1138 |
| Волшебник        | gr13             |      1111 |      1697 |
| АЛьФ             | Mikk             |      1448 |      1289 |
| Guk              | Старуха Юзергиль |      1220 |      1509 |
+------------------+------------------+-----------+-----------+

Вот тут у меня появилась теория. Во время срачей на форумах, пользователи чаще всего отвечают своим оппонентам и довольно редко пишут в ответ на сообщения представителей своего лагеря. Следовательно, пользователей можно разбить на группы. Например:


Петя пишет Васе, Диме, Славе, Коле в среднем по 1000 сообщений 
Женя пишет Васе, Диме, Славе, Коле в среднем по 1000 сообщений
Петя пишет Жене в среднем по 50 сообщений
Женя пишет Пете в среднем по 50 сообщений

Можно сделать вывод, раз Петя и Женя срутся с Васей, Димой, Славой, Колей и не срутся между собой, следовательно Петя и Женя единомышленники (как и те четверо). Однако нужно учитывать, что реальных оппонентов (по крайней мере) по политическим вопросам на форуме не осталось. И сейчас если срачи и есть, то вокруг того, сколько конницы полегло под Сталинградом или почему наши ракетные двигатели лучше всех. Есть правда еще идея попробовать проверить эту гипотезу в период 2011-2012 (когда репрессии только начались)… Но это в другой раз. А пока идем дальше.


Теперь попробуем поиграть со словами. Для приведения всех слов к нормальному решил воспользовался проверенным инструментом от Яндекса MyStem и столкнулся с проблемой — а именно запуском его распределенном режиме. Библиотека-обертка pymystem3, которая отлично работала локально — отказывалась работать в кластере. В момент первого создания экземпляра класса происходила скачка самой программы и установка ее в каталог пользователя для дальнейшего использования. Подозреваю, что именно это и было причиной того, что код mystem = Mystem() вызывал ошибку, выполняясь при помощи Spark или MapReduce. Убив кучу времени на танцы с бубном (попытки запустить код mystem = Mystem() предварительно на каждой машине в кластере, попытки подсунуть сам mystem в каталоги пользователей на машинах в кластере), решил просто попробовать использовать mystem в качестве непосредственного маппера в MapReduce. И в принципе все получилось красиво.


Скрипт, который запускает два джоба (один для подготовки данных, второй для непосредственного стемминга):


#!/bin/bash

# SUBMIT JOB
BUCKET="gs://mistabucket-west/"

MAPPER_FILE="mapper.py"
REDUCER_STEM_FILE="reducer_stem.py"

IN_DIR=${BUCKET}"grabbing_results_tsv/messages"
OUT_DIR=${BUCKET}"grabbing_results_tsv/messages_stemed_pre"

gsutil rm -r ${OUT_DIR} > /dev/null
gsutil cp ${MAPPER_FILE} ${BUCKET}${MAPPER_FILE}
gsutil cp ${REDUCER_STEM_FILE} ${BUCKET}${REDUCER_STEM_FILE}

gcloud dataproc jobs submit hadoop \
--cluster cluster-west \
--region europe-west1 \
--jar file:///usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-- \
-D mapred.jab.name="Stem job 1" \
-files ${BUCKET}${MAPPER_FILE},${BUCKET}${REDUCER_FILE} \
-mapper ${MAPPER_FILE} \
-reducer 'cat' \
-input ${IN_DIR} \
-output ${OUT_DIR}

gsutil rm ${BUCKET}${MAPPER_FILE}

IN_DIR=${BUCKET}"grabbing_results_tsv/messages_stemed_pre"
OUT_DIR=${BUCKET}"grabbing_results_tsv/messages_stemed"

gsutil rm -r ${OUT_DIR} > /dev/null

gcloud dataproc jobs submit hadoop \
--cluster cluster-west \
--region europe-west1 \
--jar file:///usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-- \
-D mapred.jab.name="Stem job 2" \
-files ${BUCKET}${REDUCER_STEM_FILE} \
-mapper '/tmp/mystem -lc' \
-reducer ${REDUCER_STEM_FILE} \
-input ${IN_DIR} \
-output ${OUT_DIR}

gsutil rm -r ${IN_DIR} > /dev/null
gsutil rm ${BUCKET}${REDUCER_STEM_FILE}

Код маппера, который подготавливает данные для стемминга:


class Mapper(Streaming):

  def map(self):  
    for line in self:
      line = line.split(self.sep)
      # topic_id, message_id, user_id, is link, text
      self.emit(line[0], '\t'.join((line[3], line[6], str(len(line[10])), 
                                    line[8])))

if __name__ == '__main__':
  mapper = Mapper(sys.stdin)
  mapper.map()

Код редусера, который очищает данные после стемминга:


class Reducer(Streaming):

  def reduce(self):
    for key, group in self:
      for item in group:
        message_id, user_id, islink, words = item[1].split('\t')
        words = re.sub("[{}]", "", words)
        words = re.sub("(\\|[^ ]+)", "", words)
        words = re.sub("\\?", "", words)
        words = re.sub("\xc2\xa0+", " ", words)
        words = words.translate(None, string.punctuation)
        words = re.sub("\\s+", " ", words)
        self.emit(item[0], '\t'.join((message_id, user_id, islink, words)))

  def __iter__(self):
    generator = (line.split(self.sep, 1) for line in self.read())
    for item in groupby(generator, itemgetter(0)):
      yield item

if __name__ == '__main__':
  reducer = Reducer(sys.stdin)
  reducer.reduce()

Результат был готов через 10 мин:


igab@new-mista-project:~$ gsutil cat gs://mistabucket-west/grabbing_results_tsv/messages_stemed/* | head -n 10
119048  4       8519    0        ну ну купить для ноут переходник кто Гы хоро...
119048  5       2358    0       просто покупать некогда
119048  8       8487    18      драйвер сканер штрихкод
119048  6       8487    0       атол ты помогать
119048  7       2358    0       атол это что извинять мой невежество
119073  36      482     0       пора черт оседлость вводить проходить она дол...
119073  113             0       сова секрктный срочно перекрывать доступ элек...
119073  112     4530    0       ток я седний перед поезд оч занятый ток в апт...
119073  111     4810    0       пешком
119073  110     4530    0       минута 5 на машина

Банальный wordcount:


from collections import namedtuple
from pyspark import SparkContext, SparkConf

import codecs

sc =SparkContext()

stopwords_list = sc.textFile('gs://mistabucket-west/stopwords-ru.txt') \
  .map(lambda line: line.encode('utf-8')) \
  .collect()
stopwords_list = [elem.strip() for elem in stopwords_list]
stopwords_list = sc.broadcast(stopwords_list)

def split_messages(row):
  words = list()
  for word in row[4].split(' '):
    if not word in stopwords_list.value and not word.isdigit() and word != '':
      word_lower = codecs.encode(codecs.decode(word, 'utf-8').lower(), 'utf-8')
      words.append((row[0], row[1], row[2], row[3], word_lower))
  return words

rdd = sc.textFile("gs://mistabucket-west/grabbing_results_tsv/messages_stemed/part-*") \
  .map(lambda line: str(line.encode('utf-8')).split("\t")) \
  .flatMap(split_messages) \
  .map(lambda x:(x[4],1)) \
  .reduceByKey(lambda x,y: x+y) \
  .map(lambda x: (x[1], x[0])) \
  .sortByKey(False) \
  .cache()

lines = rdd.top(20)

for i in lines:
  print ("{0},{1}".format(i[0], i[1]))

Топ 20 слов (проблема на 4 месте))):


731312,документ                                                                 
560621,1с
486599,база
398495,проблема
374898,данные
372843,форма
367060,тип
353019,получать
330404,находить
325460,запрос
283849,строка
283676,счет
277181,ошибка
273841,написать
266892,становиться
265753,код
265676,отчет
259497,например
257067,чтото
254932,получаться
251058,значение

А теперь посмотрим на моральный облик "администрации" форума. А именно на то, какое у них отношение к нецензурной лексике. Для этого решил просто посчитать количество нецензурных слов в сообщениях пользователей. Казалось бы, чего проще. Но — нигде нет словаря матерных/бранных слов. После довольного продолжительного поиска в яндексе и гугле получилось собрать файл из 4500 слов, не то чтобы все маты, но на мой взгляд для моей цели набор был подходящий. И так, запрос показывающий культурную сторону форума:


WITH
  top_fuckers AS(
  SELECT
    user_id,
    ARRAY_AGG(DISTINCT(word)) AS word,
    COUNT(1) AS num
  FROM
    mistadataset.words
  WHERE
    (word IN (
      SELECT
        word
      FROM
        mistadataset.mat))
    AND user_id <> ''
  GROUP BY
    user_id
  ORDER BY
    num DESC
  LIMIT
    100)
SELECT
  ROW_NUMBER() OVER(ORDER BY num DESC) AS tt,
  users.user_name,
  CASE
    WHEN users.user_forum_role = 'Зарегистрированный участник' THEN ''
    ELSE SUBSTR(users.user_forum_role,1,14)
  END AS forum_role,
  top.num,
  SUBSTR(ARRAY_TO_STRING(top.word, " "), 1, 50) AS words
FROM
  top_fuckers AS top
INNER JOIN
  mistadataset.users AS users
ON
  CAST(top.user_id AS INT64) = users.user_id
ORDER BY
  num DESC
LIMIT
  20

А вот и топ 20 (особо выделяющиеся примеры слов пришлось запикать):


igab@new-mista-project:~/mista/bigquery$ cat top_fuckers.q | bq query --use_legacy_sql=false
Waiting on bqjob_r72bb841a2e6c91dd_000001613ad70b72_1 ... (5s) Current status: DONE   
+----+-------------------+----------------+------+------------------------------+
| tt |     user_name     |   forum_role   | num  |            words             |
+----+-------------------+----------------+------+------------------------------+
|  1 | IamAlexy          |                | 5218 | пялить уссываться вздрачив...|
|  2 | Сержант 1С        |                | 4305 | дрючить ##### нафига перес...|
|  3 | Джинн             | хард-модератор | 3969 | помочиться ####### трахнут...|
|  4 | Mikeware          |                | 3931 | понос задница ######### на...|
|  5 | Злопчинский       | ведущий секции | 3785 | хреновина мудить трах ####...|
|  6 | mishaPH           | хард-модератор | 3439 | хер ##### мудак ##########...|
|  7 | Guk               | хард-модератор | 3333 | сявка пердение хренотень з...|
|  8 | Господин ПЖ       |                | 3122 | дрочить конча оргия ######...|
|  9 | Скользящий        |                | 3071 | ##### пукать вздрочить пут...|
| 10 | Волшебник         | хард-модератор | 2967 | елда ######## чмошник зооф...|
| 11 | Oftan_Idy         |                | 2883 | ссать херовый ###### пукат...|
| 12 | КапЛей            |                | 2724 | ##### проституция затрахат...|
| 13 | skunk             |                | 2124 | затрахивать урюк сип уд пр...|
| 14 | Фигня             |                | 2114 | ########## ######## ######...|
| 15 | Maniac            |                | 2091 | пипец отсос трахаться кака...|
| 16 | Эльниньо          |                | 2057 | ####### трахаться ########...|
| 17 | Нуф-Нуф           |                | 2042 | кастрат ### обоссаться мох...|
| 18 | Fragster          | хард-модератор | 2016 | заколебаться ##### нахер о...|
| 19 | Лефмихалыч        | хард-модератор | 1985 | ########### ##### ссать за...|
| 20 | Defender aka LINN |                | 1929 | ######### заколебаться пук...|
+----+-------------------+----------------+------+------------------------------+

Как видно, в первой десятке отморозков половина — модераторы (причем Сержант 1С и Mikeware тоже в свое время были хард-модераторами), ну а десятку замыкает сам владелец форума. Да. Адинесники грубы.


Для простоты дальнейших вычислений, решил к словам добавить колонку ismat, показывающую является ли конкретное слово матом или нет. Запрос:


SELECT
  words.topic_id,
  words.message_id,
  words.user_id,
  words.word,
  mat.word IS NULL AS ismat
FROM
  mistadataset.words AS words
LEFT JOIN
  mistadataset.mat AS mat
ON
  words.word = mat.word

Отказался работать по причине:


Query Failed
Error: Response too large to return. Consider setting destinationTable or (for legacy SQL queries) setting allowLargeResults to true in your job configuration. For more details, see https://cloud.google.com/bigquery/troubleshooting-errors

Возможно соединение двух таблиц размерами 152107955 и 4766 строк было не самой лучшей идеей. Поэтому PySpark job нас спас:


sc =SparkContext()

mat_list = sc.textFile('gs://mistabucket-west/mat.txt') \
  .map(lambda line: line.encode('utf-8')) \
  .collect()
mat_list = [elem.strip() for elem in mat_list]
mat_list = sc.broadcast(mat_list)

def check_word(row):
  if row[4] in mat_list.value:
    return (row[0], row[1], row[2], row[3], row[4], '1')
  else:
    return (row[0], row[1], row[2], row[3], row[4], '0')

rdd = sc.textFile("gs://mistabucket-west/grabbing_results_tsv/words/part-*") \
  .map(lambda line: str(line.encode('utf-8')).split("\t")) \
  .map(check_word) \
  .map(lambda line: '\t'.join(line)) \
  .saveAsTextFile("gs://mistabucket-west/grabbing_results_tsv/words_with_mats")

Результат загрузим в бигквери:


bq load \
--field_delimiter "\t" \
--quote '' \
--source_format CSV mistadataset.words_with_mats \
gs://mistabucket-west/grabbing_results_tsv/words_with_mats/part-* \
topic_id:INTEGER,\
message_id:STRING,\
user_id:STRING,\
islink:STRING,\
word:STRING,\
ismat:INTEGER

Теперь можно посмотреть, кто и как часто употребляет в одном сообщении слово путин и какое нибудь нехорошее слово:


WITH
  mes AS (
  SELECT
    topic_id,
    message_id,
    user_id,
    ARRAY_AGG(word) words,
    ARRAY_AGG(DISTINCT(word)) words_distinct
  FROM
    mistadataset.words_with_mats
  WHERE
    ismat = 1
    OR word = 'путин'
  GROUP BY
    topic_id,
    message_id,
    user_id
  HAVING
    ARRAY_LENGTH(words_distinct) > 1
    AND EXISTS (
    SELECT
      *
    FROM
      UNNEST(words) AS x
    WHERE
      x = 'путин')),
  mats_words AS (
  SELECT
    mes.topic_id AS topic_id,
    mes.message_id AS message_id,
    mes.user_id AS user_id,
    flattened_words AS word,
    1 AS num
  FROM
    mes
  CROSS JOIN
    UNNEST(mes.words) AS flattened_words),
  results AS (
  SELECT
    mats_words.user_id AS user_id,
    SUM(mats_words.num) AS num,
    ARRAY_TO_STRING(ARRAY_AGG(DISTINCT(mats_words.word)), " ") AS words
  FROM
    mats_words
  WHERE
    mats_words.word <> 'путин'
  GROUP BY
    user_id
  ORDER BY
    num DESC)
SELECT
  ROW_NUMBER() OVER(ORDER BY num DESC) AS tt,
  users.user_name,
  CASE
    WHEN users.user_forum_role = 'Зарегистрированный участник' THEN ''
    ELSE SUBSTR(users.user_forum_role,1,14)
  END AS forum_role,
  top.num,
  SUBSTR(top.words, 1, 50) AS words
FROM
  results AS top
INNER JOIN
  mistadataset.users AS users
ON
  CAST(top.user_id AS INT64) = users.user_id
ORDER BY
  num DESC
LIMIT
  20

Топ 20 пользователей, которые в одном сообщении используют имя государя и неприличные слова:


igab@new-mista-project:~/mista/bigquery$ cat top_fuckers_putin.q | bq query --use_legacy_sql=false
Waiting on bqjob_r45a530f3ec9955b5_000001613b5f9437_1 ... (0s) Current status: DONE
+----+------------------+----------------+-----+--------------------------------+
| tt |    user_name     |   forum_role   | num |             words              |
+----+------------------+----------------+-----+--------------------------------+
|  1 | Mikeware         |                | 143 | хер заколебаться пипец #####...|
|  2 | Мистадонт        |                | 116 | ссыкун задница нафиг дерьмо ...|
|  3 | Волшебник        | хард-модератор | 100 | захерачить ###### ## ### сво...|
|  4 | Джинн            | хард-модератор |  85 | проститутка фиг кака поц охр...|
|  5 | Oftan_Idy        |                |  71 | лох мразь ссать ######### де...|
|  6 | Сержант 1С       |                |  67 | нафига накласть ###### #####...|
|  7 | Эльниньо         |                |  58 | чмо нахрен сволочь нафига мр...|
|  8 | Guk              | хард-модератор |  56 | ########### хер анус писька ...|
|  9 | Композитор       |                |  49 | нифига дерьмо ###### скурвит...|
| 11 | bushd            |                |  45 | сволочь гомосек #### пописат...|
| 10 | IamAlexy         |                |  45 | писька зассать лох нафига св...|
| 12 | Старуха Юзергиль |                |  43 | медвед придурок трахнуть нах...|
| 14 | dimoff           |                |  28 | испражнение ######## понос с...|
| 13 | КапЛей           |                |  28 | лох какашка ########## ## от...|
| 15 | kot_bcc          | хард-модератор |  27 | пипец ублюдок #### мудак про...|
| 18 | Trigg            |                |  26 | гавно трахать ## ######## пр...|
| 17 | Mikk             |                |  26 | сволота ссать уссаться медве...|
| 16 | Фигня            |                |  26 | сношать придурок нифига фуфл...|
| 19 | Скользящий       |                |  25 | проституция потрахаться нафи...|
| 20 | trdm             |                |  21 | какашка нафига нифига задниц...|
+----+------------------+----------------+-----+--------------------------------+

К слову должен сказать, не все это относится к солнцеликому. А с учетом аудитории, я бы заявил, что и вовсе не относится. Все эти бранные слова относятся "инакомыслящим", как например "как * вы *** ** не понимаете, что он ** снова сделал ** Россию Великой etc". Наверно это также можно будет использовать в задаче по разделению пользователей на группы.


Share


Уверен, люди, которые занимались биг датой еще когда это не было мейнстримом, поулыбаются, а кое-кто даже кинет какашку, гляда на попытки и код выше. Но свою цель я достигнул. Применил на практике то, чему учился. А в дополнение к полученному опыту у меня остался интересный дата сет, которым могу поделиться с другими. Очень надеюсь, что спецы по биг дате и машинному обучению вытащат что-нибудь интересное из него.


А вот и ссылки:


messages_html — исходные html файлы тем с сообщениями.
messages — распарсенные страницы тем с сообщениями (tsv).
users_html — исходные html файлы профилей пользователей.
users — распарсенные страницы профилей пользователей (tsv).
topics — распарсенные страницы c заголовками тем (tsv).
user_bans — распарсенные страницы c банами пользователей (tsv).
words — слова в сообщениях приведенные к нормальному виду (tsv).
mats — список плохих слов (txt).
stopwords — список использованных стоп-слов(txt).


+28
11.9k 88
Comments 39