rollun-com/rollun-parser

Foundation for parsers

3.1.0 2024-10-23 07:31 UTC

README

rollun-parser - библиотека, которая предоставляет базовые возможности для написание парсинга сайтов. На основе какркаса данной библиотеки можно пострить вполне ефективную систему парсинга.

Схема каркаса:

alt text

Основные компоненты:
  • Task source - это модуль системы парсинга с которого все начинается. Задача этого модуля поставить в очередь для загрузчика всю информацию, которая может быть понадобиться для того чтобы загрузить и обработать страницу. Зачастую это будут объекты, которые после парсинга некой страницы хотят узнать больше информации о объекте парсинга.
  • Task queue - это очередь, которая передает сообщения от Task source к Loader
  • Worker manager - это объект, который управляет процессами, запущенными под руководством этим же объектом.
  • Process - подробнее тут, єто единица управления для Worker manager. Если процессу указать максимальное время жизни, то процессом будет теперь заботиться Pid killer и убьет процесс с истечением указаного времени.
  • Worker - это объект, который берет сообщение с очереди Task queue и запускает Loader с данными из очереди. Немаловажный факт: если попытка загрузки страницы потерпела неудачи - Worker не будет удалять сообщение из очереди, таким образом, оно появиться через некоторое время (time-in-flight) снова в очереди и буде отправлено на обработку Loader снова. Если загрузка прошла успешно - сообщение будет удалено из очереди. В системе Worker есть частью Process и поэтому можно настраивать в
  • Worker manager какое макчимальное количество воркеров может работать одновременно.
  • Loader - загружает страницу з сайта и валидирует ее с помощью указанных валидаторов. Если страница валидна, то она буде записана в Document storage, а информация о ней записана в очередь Document queue для подальшего парсинга.
  • Parser - подсистема Worker manager -> Process -> Worker -> Parser работает аналогично с Worker manager -> Process -> Worker -> Loader. Parser после успешного парсинга страницы запишет данные в указанное хранилище Parser Result Storage.
  • Proxy manager - подсистема которая управляет выдачей прокси. Прокси выдаются всегда случайные, но частота зависит от того насколько у прокси хорошая оценка и как давно он не был использован. Клиент который работает с прокси (в нашем случае это Loader) должен вернуть фидбек про прокси (поставить эму оценку от 1 до 10). Proxy manager гарантирует что у него всегда найдутся для тебя свеженькие прокси.
  • Parser Result Storage - как уже было выше сказано, это хранилище, куда Parser сохраняет данные после парсинга.
Загрузчики

Библиотека предусматривает несколько базовых объектов для использования. Одним из таких есть AbstractLoader. Этот объект предназначен для того чтобы загружать страницы з сайта, валидировать их, сохранять документы в персистентном хранилище (в данном случае это файл) и записывать задание на парсинг в очередь. Для того чтобы написать свои загрузчики отнаследуйтесь от этого объекта и реализуйте/переопределите методы если это требуется. В очередь передается сообщение в виде массива. Под ключом filepath в этом массиве будет имя файла, где сохранился скачанный документ.

Парсера

Подобным объектом для парсинга есть AbstractParser. Обязаности этого объекта это распарсить файл, путь к которому указан в массиве (сообщение из очереди документов) и сохранить результат в соответствующие хранилище.

TaskResource

TaskResource - этот объект наследует QueueFiller из библиотеки rollun-com/rollun-callback. Его задача взять нужные конфиги и создать объект ServerRequestInterface, который будет описывать запрос для загрузчика.

Пример конфигов:

[
    [
        'uri' => 'site://example.com',
        'method' => 'POST' // optional, default - 'GET'
    ]
]