etlpy: 并行爬虫和数据清洗工具（开源）详解大数据

etlpy是python编写的网页数据抓取和清洗工具，核心文件etl.py不超过500行，具备如下特点

• 爬虫和清洗逻辑基于xml定义，不需手工编写
• 基于python生成器，流式处理，对内存无要求
• 内置线程池，支持串行和并行处理
• 内置正则解析，html转义，json转换等数据清洗功能，直接输出可用文件
• 插件式设计，能够非常方便地增加其他文件和数据库格式
• 能够支持几乎一切网站，能自动填入cookie

github地址： https://github.com/ferventdesert/etlpy， 欢迎star！

运行需要python3和lxml, 使用pip3 install lxml即可安装。内置的工程project.xml，包含了链家和大众点评两个爬虫的配置示例。

etlpy具有鲜明的函数式风格特征，使用了大量的动态类型，惰性求值，生成器和流式计算。

另外，github上有一个项目，里面有各种500行左右的代码实现的系统，看了几个非常赞https://github.com/aosabook/500lines

二.如何使用

当从网页和文件中抓取和处理数据时，我们总会被复杂的细节，比如编码，奇怪的Html和异步ajax请求所困扰。etlpy能够方便地处理这些问题。

etlpy的使用非常简单，先加载工程，之后即可返回一个生成器，返回所需数量即可。下面的代码，能够在20分钟内，获取大众点评网站上海的全部美食列表，总共16万条，30MB.

import etl; 
etl.LoadProject('project.xml'); 
tool = etl.modules['大众点评门店']; 
datas = tool.QueryDatas() 
for r in datas: 
    print(r)

结果如下：

{'区域': '川沙', '标题': '胖哥俩肉蟹煲(川沙店)', '区县': '', '地址': '川沙镇川沙路5558弄绿地广场三号楼', '环境': '9.0', '介绍': '', '类型': '其他', '总店': '胖哥俩肉蟹煲', 'ID': '/shop/19815141', '口味': '9.1', '星级': '五星商户', '总店id': '19815141', '点评': '2205', '其他': '订座：本店支持在线订座', '均价': 67, '服务': '8.9'} 
{'区域': '金杨地区', '标题': '上海小南国(金桥店)', '区县': '', '地址': '张杨路3611弄金桥国际商业广场6座2楼', '环境': '8.8', '类型': '本帮江浙菜', 'ID': '/shop/3525763', '口味': '8.6', '星级': '准五星商户', '点评': '1973', '其他': '', '均价': 190, '服务': '8.5'} 
{'区域': '临沂/南码头', '标题': '新弘声酒家(临沂路店)', '区县': '', '地址': '临沂路8弄42号', '环境': '8.7', '介绍': '新弘声酒家!仅售85元！价值100元的午市代金券1份，全场通用，可叠加使用。', '类型': '本帮江浙菜', '总店': '新弘声酒家', 'ID': '/shop/19128637', '口味': '9.0', '星级': '五星商户', '总店id': '19128637', '点评': '621', '其他': '团购：新弘声酒家!仅售85元！价值100元的午市代金券1份，全场通用，可叠加使用。', '均价': 87, '服务': '8.8'} 
{'区域': '张江', '标题': '阿拉人家上海菜(浦东长泰广场店)', '区县': '', '地址': '祖冲之路1239弄1号长泰广场10号楼203', '环境': '8.9', '介绍': '仅售42元，价值50元代金券', '类型': '本帮江浙菜', '总店': '阿拉人家上海菜', 'ID': '/shop/21994899', '口味': '8.8', '星级': '准五星商户', '总店id': '21994899', '点评': '1165', '其他': '团购：仅售42元，价值50元代金券', '均价': 113, '服务': '8.8'}

当然，以上方法是串行执行，你也可以选择并行执行以获取更快的速度：

tool.mThreadExecute(threadcount=20,execute=False,callback=lambda d:print(d))

可设置线程数，对获取的每个数据的回调方法，以及是否执行其中的执行器（下文有解释）。

etlpy的执行逻辑基于xml文件,不建议手工编写xml,而是使用笔者开发的另一款图形化爬虫工具，可以通过图形拖拽的方式设计并生成工程文件,这套工具也即将开源，因为暂时还没想到较好的名字。基于C#/WPF开发，通过这套工具，十分钟内就能完成大众点评的采集程序的编写，如果手工编码，一个熟练的python程序员可能得写一天。该工具生成的xml，即可被etlpy解析，生成跨平台的多线程爬虫。

你可以选择手工修改xml,或是在代码中直接修改，来采集不同城市，或是输出到不同的文件：

tool.AllETLTools[0].arglists=['1']  #修改城市，1为上海，2为北京，参考大众点评的网页定义 
tool.AllETLTools[-1].NewTableName= 'D:/大众点评.txt'  #修改导出的文件

三.原理

我们将每一步骤定义为独立的模块，将其串成一条链条（我们称之为流）。如下图所示：

C#版本原理

鉴于博客园不少读者熟悉C#,我们不妨先用C#的例子来讲解：

其本质是动态组装Linq, 其数据链为IEnumerable<IFreeDocument>。 IFreeDocument是 IDictionary<string, object>接口的扩展。Linq的Select函数能够对流进行变换，在本例中，就是对字典不同列的操作（增删改），不同的模块定义了一个完整的Linq流：

result= source.Take(mount).where(d=>module0.func(d)).select(d=>Module1.func(d)).select(d=>Module2.func(d))….

Python版本原理

python的生成器类似于C#的Linq，是一种流式迭代。etlpy对生成器做了扩展，实现了生成器级联，并联和交叉（笛卡尔积）

def Append(a, b): 
    for r in a: 
        yield r; 
    for r in b: 
        yield r; 
 
def Cross(a, genefunc, tool): 
    for r1 in a: 
        for r2 in genefunc(tool, r1): 
            for key in r1: 
                r2[key] = r1[key] 
            yield r2;

那么，生成器生成的是什么呢？我们选用了Python的字典，这种键值对的结构很好用。可以将所有的模块分为四种类型：

生成器（GE）:如生成100个字典，键为1-100，值为‘1’到‘100’

转换器（TF）:如将地址列中的数字提取到电话列中

过滤器（FT）:如过滤所有某一列的值为空的的字典

执行器（GE）:如将所有的字典存储到MongoDB中。

我们如何将这些模块组合成完整链条呢？由于Python没有Linq，我们通过组合生成器来获取新的生成器，这个函数定义如下：

def __generate__(self, tools, generator=None, execute=False): 
        for tool in tools: 
            if tool.Group == 'Generator': 
                if generator is None: 
                    generator = tool.Func(tool, None); 
                else: 
                    if tool.MergeType == 'Append': 
                        generator = extends.Append(generator, tool.Func(tool, None)); 
                    elif tool.MergeType == 'Merge': 
                        generator = extends.MergeAll(generator, tool.Func(tool, None)); 
                    elif tool.MergeType == 'Cross': 
                        generator = extends.Cross(generator, tool.Func, tool) 
            elif tool.Group == 'Transformer': 
                generator = transform(tool, generator); 
            elif tool.Group == 'Filter': 
                generator = filter(tool, generator); 
            elif tool.Group == 'Executor' and execute: 
                generator = tool.Func(tool, generator); 
        return generator;

如何定义模块呢？如果是先定义基类，然后从基类继承，这种方式依然要写大量的代码，而且不够Pythonic(我C#版本的代码就是这样写的)。

以清除字符串中前后空白的字符为例（C#中的trim, Python中的strip）,我们能够定义这样的函数：

def TrimTF(etl, data):     
    return data.strip();

之后，通过读取配置文件，运行时动态地为一个基础对象添加属性和方法，从一个简单的TrimTF函数，生成一个具备同样功能的类。 整个etlpy的编写思路，就是从函数生成类，再最后将类的对象（模块）组合成流。

至于爬虫获取HTML正文的信息，则使用了XPath，而非正则表达式，当然你也可以使用正则。XPath也是自动生成的，具体的原理将在之后的博文中讲解。etlpy本质上是重新定义了抓取和清洗的原语，是一种新的语言(DSL)，从而大大降低了编写这类应用的成本和复杂度。

（串行模式的QueryDatas函数，有一个etlcount的可选参数，你可以分别将其值设为从1到n，观察数据是如何被一步步地组合出来的）

三.例子

采集链家

先以抓取链家地产为例，我们来讲解这种流的强大：如何采集所有二手房数据呢？这涉及到翻页。

翻页时，我们会看到页面是这样变换的：

http://bj.lianjia.com/ershoufang/pg2/

http://bj.lianjia.com/ershoufang/pg3/

…

因此，需要构造一串上面的url. 聪明的你肯定会想到，应当先生成一组序列，从1到100（假设我们只抓取前100页）。

再通过MergeTF函数，从1-100生成上面的url列表。现在总共是100个url.

再通过爬虫转换器CrawlerTF,每个页面能够生成30个二手房信息，因此能够生成100*30个页面，但由于是基于流的，所以这3000个信息是不断yield出来的，每生成一个，后续的流程，如去除乱码，提取数字，保存到文件，都会执行。这样我们就获取了所有的信息。

不同的流，可以组合为更高级的流。例如，想要获取所有房地产的数据，可以分别定义链家，我爱我家等地产公司的流，再通过流将多个流拼接起来。

采集大众点评

大众点评的采集难度更大，每种门类只能翻到第50页，因此想要获取全部数据就必须想办法。

以北京美食为例，如果按不同美食的门类（咖啡厅，火锅，小吃…）和区域（海淀，西城，东城…）区分，美食页面就没有五十页了。所以，首先生成北京所有区域的流（project中“大众点评区域”，感兴趣的读者可以试着获取这个流看看），再生成所有美食门类的流（大众点评门类）。然后再将这两个流做交叉(m*n)，再组合获取了每个种类的url, 通过url获取页面，再通过XPath获取对应门类的门店数量：

上文中的1238，也就是朝阳区的北京菜总共有1238家。

再通过python脚本计算要翻的页数，因为每页15个，那么有int(1238/15.0)+1页，记作q。 总共要抓取的页面数量，是一个(m,n,q)的异构立方体，不同的(m,n)都对应不同的q。 之后，就可以用类似于链家的方法，抓取所有页面了。

四.优化和细节

为了保证讲解的简单，我省略了大量实现的细节，其实在其中做了很多的优化。

1. 修改流，获取不同城市的信息

还以大众点评为例，我们希望只修改一个模块，就能切换北京，上海等美食的信息。

北京和上海的美食门类和区域列表都不一样，所以两个子流的队首的生成器，定义了城市的id。如果想修改城市，需要修改三个生成器。这太麻烦了，因此，etlpy采用了动态替换的方法。 如果主流中定义了与子流中同名的模块，只要修改了主流，主流就可以对子流完成修改。

2. 并行优化

最简单的并行化，应该从流的源头开始：

但如果队首只有一个元素，那么这种方法就非常低下了：

一种非常简单的思路，是将其切成两个流，并行在流中完成。

以大众点评为例， 北京有14个区县，有30种美食类型，那么先通过流1,获取420个元素，再以420个元素的基础上，进行并行，这样速度就快很多了。你也可以在14个区县之后插入并行化，那么就有14个子任务。etlpy通过一个ToListTF模块（它什么都不干）作为标识，作为流1和流2的分割符。

4.一些参数的说明

OneInput=True说明函数只需要字典中的一个值，此时传到函数里的只有dict[key],否则传递整个dict

OneOutput=True说明函数可能输出多个值，因此函数直接修改dict并返回null， 否则返回一个value,etlpy在函数外部修改dict.

IsMultiYield=True说明函数会返回生成器。

其他参数可具体参考python代码。

五.展望

使用xml作为工程的配置文件有显然的好处，因为能够被各种语言方便地读取，但是噪音太多，不易手工编写，如果能设计一个专用的数据清洗语言，那么应该会好很多。其实用图形化编程，效率会特别高。

etlpy的思想，来自于讲解Lisp的一本书《计算机程序的构造与解释》（SICP），书评在此：Lisp和SICP

可视化软件会在一个月内全部开源，解放程序员的大脑和双手，号称爬虫的终极武器。敬请期待。

有任何问题，欢迎留言交流，或在Github中讨论。