使用 shell 构建多进程的 CommandlineFu 爬虫
CommandlineFu 是一个记录脚本片段的网站，每个片段都有对应的功能说明和对应的标签。我想要做的就是尝试用 shell 写一个多进程的爬虫把这些代码片段记录在一个 org 文件中。
参数定义
这个脚本需要能够通过 -n 参数指定并发的爬虫数（默认为 CPU 核的数量），还要能通过 -f 指定保存的 org 文件路径（默认输出到 stdout）。
#!/usr/bin/env bash
proc_num=$(nproc)
store_file=/dev/stdout
while getopts :n:f: OPT; do
case $OPT in
n|+n)
proc_num="$OPTARG"
;;
f|+f)
store_file="$OPTARG"
;;
*)
echo "usage: ${0##*/} [+-n proc_num] [+-f org_file} [--]"
exit 2
esac
done
shift $(( OPTIND - 1 ))
OPTIND=1
解析命令浏览页面
我们需要一个进程从 CommandlineFu 的浏览列表中抽取各个脚本片段的 URL，这个进程将抽取出来的 URL 存放到一个队列中，再由各个爬虫进程从进程中读取 URL 并从中抽取出对应的代码片段、描述说明和标签信息写入 org 文件中。
这里就会遇到三个问题:
- 进程之间通讯的队列如何实现
- 如何从页面中抽取出 URL、代码片段、描述说明、标签等信息
- 多进程对同一文件进行读写时的乱序问题
实现进程之间的通讯队列
这个问题比较好解决，我们可以通过一个命名管道来实现：
queue=$(mktemp --dry-run)
mkfifo ${queue}
exec 99<>${queue}
trap "rm ${queue} 2>/dev/null" EXIT
从页面中抽取想要的信息
从页面中提取元素内容主要有两种方法：
- 对于简单的 HTML 页面，我们可以通过
sed、grep、awk等工具通过正则表达式匹配的方式来从 HTML 中抽取信息。 - 通过 html-xml-utils 工具集中的 hxselect 来根据 CSS 选择器提取相关元素。
这里我们使用 html-xml-utils 工具来提取：
function extract_views_from_browse_page()
{
if [[ $# -eq 0 ]];then
local html=$(cat -)
else
local html="$*"
fi
echo ${html} |hxclean |hxselect -c -s "\n" "li.list-group-item > div:nth-child(1) > div:nth-child(1) > a:nth-child(1)::attr(href)"|sed 's@^@https://www.commandlinefu.com/@'
}
function extract_nextpage_from_browse_page()
{
if [[ $# -eq 0 ]];then
local html=$(cat -)
else
local html="$*"
fi
echo ${html} |hxclean |hxselect -s "\n" "li.list-group-item:nth-child(26) > a"|grep '>'|hxselect -c "::attr(href)"|sed 's@^@https://www.commandlinefu.com/@'
}
这里需要注意的是：hxselect 对 HTML 解析时要求遵循严格的 XML 规范，因此在用 hxselect 解析之前需要先经过 hxclean 矫正。另外，为了防止 HTML 过大，超过参数列表长度，这里允许通过管道的形式将 HTML 内容传入。
循环读取下一页的浏览页面，不断抽取代码片段 URL 写入队列
这里要解决的是上面提到的第三个问题: 多进程对管道进行读写时如何保障不出现乱序? 为此，我们需要在写入文件时对文件加锁，然后在写完文件后对文件解锁，在 shell 中我们可以使用 flock 来对文件进行枷锁。 关于 flock 的使用方法和注意事项，请参见另一篇博文 Linux shell flock 文件锁的用法及注意事项。
由于需要在 flock 子进程中使用函数 extract_views_from_browse_page，因此需要先导出该函数：
export -f extract_views_from_browse_page
由于网络问题，使用 curl 获取内容可能失败，需要重复获取：
function fetch()
{
local url="$1"
while ! curl -L ${url} 2>/dev/null;do
:
done
}
collector 用来从种子 URL 中抓取待爬的 URL，写入管道文件中，写操作期间管道文件同时作为锁文件：
function collector()
{
url="$*"
while [[ -n ${url} ]];do
echo "从$url中抽取"
html=$(fetch "${url}")
echo "${html}"|flock ${queue} -c "extract_views_from_browse_page >${queue}"
url=$(echo "${html}"|extract_nextpage_from_browse_page)
done
# 让后面解析代码片段的爬虫进程能够正常退出，而不至于被阻塞.
for ((i=0;i<${proc_num};i++))
do
echo >${queue}
done
}
这里要注意的是， 在找不到下一页 URL 后，我们用一个 for 循环往队列里写入了 =proc_num= 个空行，这一步的目的是让后面解析代码片段的爬虫进程能够正常退出，而不至于被阻塞。
解析脚本片段页面
我们需要从脚本片段的页面中抽取标题、代码片段、描述说明以及标签信息，同时将这些内容按 org 模式的格式写入存储文件中。
function view_page_handler()
{
local url="$1"
local html="$(fetch "${url}")"
# headline
local headline="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 > h1:nth-child(1)")"
# command
local command="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 > div:nth-child(2) > span:nth-child(2)"|pandoc -f html -t org)"
# description
local description="$(echo ${html} |hxclean |hxselect -c -s "\n" ".col-md-8 > div.description"|pandoc -f html -t org)"
# tags
local tags="$(echo ${html} |hxclean |hxselect -c -s ":" ".functions > a")"
if [[ -n "${tags}" ]];then
tags=":${tags}"
fi
# build org content
cat <这里抽取信息的方法跟上面的类似，不过代码片段和描述说明中可能有一些 HTML 代码，因此通过 pandoc 将之转换为 org 格式的内容。
注意最后输出 org 模式的格式并写入存储文件中的代码不要写成下面这样：
flock -x ${store_file} cat <${store_file}
* ${headline}\t\t ${tags}
${description}
#+begin_src shell
${command}
#+end_src
EOF
它的意思是使用 flock 对 cat 命令进行加锁，再把 flock 整个命令的结果通过重定向输出到存储文件中，而重定向输出的这个过程是没有加锁的。
spider 从管道文件中读取待抓取的 URL，然后实施真正的抓取动作。
function spider()
{
while :
do
if ! url=$(flock ${queue} -c 'read -t 1 -u 99 url && echo $url')
then
sleep 1
continue
fi
if [[ -z "$url" ]];then
break
fi
view_page_handler ${url}
done
}
这里要注意的是，为了防止发生死锁，从管道中读取 URL 时设置了超时，当出现超时就意味着生产进程赶不上消费进程的消费速度,因此消费进程休眠一秒后再次检查队列中的 URL。
组合起来
collector "https://www.commandlinefu.com/commands/browse" &
for ((i=0;i<${proc_num};i++))
do
spider &
done
wait
抓取其他网站
通过重新定义 extract_views_from_browse_page、 extract_nextpage_from-browse_page、 view_page_handler 这几个函数， 以及提供一个新的种子 URL，我们可以很容易将其改造成抓取其他网站的多进程爬虫。
例如通过下面这段代码，就可以用来爬取 xkcd 上的漫画：
function extract_views_from_browse_page()
{
if [[ $# -eq 0 ]];then
local html=$(cat -)
else
local html="$*"
fi
max=$(echo "${html}"|hxclean |hxselect -c -s "\n" "#middleContainer"|grep "Permanent link to this comic" |awk -F "/" '{print $4}')
seq 1 ${max}|sed 's@^@https://xkcd.com/@'
}
function extract_nextpage_from_browse_page()
{
echo ""
}
function view_page_handler()
{
local url="$1"
local html="$(fetch "${url}/")"
local image="https:$(echo ${html} |hxclean |hxselect -c -s "\n" "#comic > img:nth-child(1)::attr(src)")"
echo ${image}
wget ${image}
}
collector "https://xkcd.com/" &