前言
由于硬件等各种原因需要把大概170多万2t左右的微博图片数据存到Mysql中.之前存微博数据一直用的非关系型数据库mongodb，由于对Mysql的各种不熟悉，踩了无数坑，来来回回改了3天才完成。
PS:(本人长期出售超大量微博数据、旅游网站评论数据，并提供各种指定数据爬取服务，Message to YuboonaZhang@Yahoo.com。同时欢迎加入社交媒体数据交流群：99918768)
挖坑填坑之旅
建表
存数据的时候首先需要设计数据库,我准备设计了3个表
微博表：[id, userid, blog_text, lat, lng, created_time, reserve] pkey: id
图片表：[md5, pic_url, pic_bin, exif, reserve] pkey: md5
关系表：[id, md5, reserve] pkey: (id, md5) fkey: (id, 微博表id) (md5, 图片表md5)
建表的时候别的问题都还好，主要是 pic_bin 的类型和 blog_text 的类型有很大的问题，首先是pic_bin的类型，开始设置的为BLOB，但是运行之后发现BLOB最大只能存1M的数据，并不能满足微博图片的存储，后改成MEDIUMBLOB(16M)基本能够满足要求了。再后来就是blog_text，我遇到的第一个大坑
开始的时候很自然的设置blog_text的类型为TEXT，但跑起来发现有些数据存不进去，会报错，经筛查发现是有些微博文本中包含了emoji表情...随后找了很多资料发现是因为utf8下文字是三字节，但是emoji是四字节，需要将编码改成utf8mb4。然而我在mac上整mysql的配置文件报各种奇葩错误,一怒之下把TEXT改成了BLOB，就好了。因为本地是MAC，我要连接到远程的一台Windows上才能通过那个Windows连接到群晖的Mysql上...本地配置改了也白改。
存图片
然后这就是一个大坑！！！ 由于我使用的python3，所以读取图片得到的二进制的结果前面会有一个b', 表示bytes，正是由于这个b'导致sql语句拼接的时候这个b后面的单引号会和sql语句的引号结合，导致后面的二进制没有在引号里面出错！二进制编码又不像string可以对字符转义，试了好多方法都不行！最后没有办法使用base64 对二进制进行加密转化成字符串，存到数据库中，然后要用时的时候再解密。
pic_bin = str(base64.b64encode(pic_bin))[2:-1]改配置文件
由于使用Python多进程,一个小时8G数据量，图片数据比较大，发包的时候回超过mysql的默认限制，出现Mysql server has gone away, 这个时候要改配置文件，在配置文件中参数
max_allowed_packet = 600M
wait_timeout = 60000
Lost connection to Mysql server during query
程序跑着跑着总会出现这个错误，一直找原因，试了各种办法看了好多资料，一直都是错误。实在不知道什么原因了...后来一想，我管他什么原因，失去连接之后重新连接就行了。使用conn.Ping(True) 判断是否连接mysql成功。如果失去连接就重新连接就行了！最后解决了这个问题
代码实现
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Created by Baoyi on 2017/10/16
from multiprocessing.pool import Pool
import pymysql
import requests
import json
import exifread
from io import BytesIO
import configparser
import hashlib
import logging
import base64
# 配置logging
logging.basicConfig(level=logging.WARNING,
format='%(asctime)s %(filename)s[line:%(lineno)d] %(levelname)s %(message)s',
datefmt='%a, %d %b %Y %H:%M:%S',
filename='weibo.log',
filemode='w')
cf = configparser.ConfigParser()
cf.read("ConfigParser.conf")
# 读取配置mysql
db_host = cf.get("mysql", "db_host")
db_port = cf.getint("mysql", "db_port")
db_user = cf.get("mysql", "db_user")
db_pass = cf.get("mysql", "db_pass")
db = cf.get("mysql", "db")
# 创建连接
conn = pymysql.connect(host=db_host, user=db_user, passwd=db_pass, db=db, port=db_port, charset='utf8')
# 获取游标
cursor = conn.cursor()
# 创建insert_sql
insert_blog_sql = (
"INSERT IGNORE INTO blog(userid, id, blog_text, lat, lng, created_time) VALUES('{uid}', '{id}','{blog_text}','{lat}','{lng}','{created_time}')"
)
insert_pic_sql = (
"INSERT IGNORE INTO pics(pic_url, pic_bin, md5, exif) VALUES ('{pic_url}','{pic_bin}','{md5}','{exif}')"
)
insert_relationship_sql = (
"INSERT IGNORE INTO relationship(id, md5) VALUES ('{id}','{md5}')"
)
uid = []
with open('./data/final_id.txt', 'r') as f:
for i in f.readlines():
uid.append(i.strip('\r\n'))
# 处理图片数据
def handle_pic(pic_url):
large_pic_url = pic_url.replace('thumbnail', 'large')
large_bin = requests.get(large_pic_url)
return large_bin.content
def get_poiid_info(uid):
try:
url = 'https://api.weibo.com/2/statuses/user_timeline.json'
load = {
'access_token': 'xxxxxxxxxx',
'uid': uid,
'count': 100,
'feature': 2,
'trim_user': 1
}
get_info = requests.get(url=url, params=load, timeout=(10, 10))
if get_info.status_code != 200:
logging.warning(ConnectionError)
pass
info_json = json.loads(get_info.content)
info_json['uid'] = uid
statuses = info_json['statuses']
# 处理筛选微博数据
for status in statuses:
id = status['idstr']
if status['geo'] is not None:
lat = status['geo']['coordinates'][0]
lng = status['geo']['coordinates'][1]
pic_urls = status['pic_urls']
# 判断是否在北京
if (115.7 < lng < 117.4) and (39.4 < lat < 41.6):
# 若在北京,插入blog数据进库
blog_text = status['text'].replace('\'', '\'\'')
created_time = status['created_at']
try:
cursor.execute(
insert_blog_sql.format(uid=uid, id=id, blog_text=blog_text, lat=lat, lng=lng,
created_time=created_time))
except pymysql.err.OperationalError as e_blog:
logging.warning(e_blog.args[1])
pass
# conn.commit()
# 处理图片
for pic_url in pic_urls:
# 获取原图片二进制数据
pic_bin = handle_pic(pic_url['thumbnail_pic'])
# 读取exif 数据
pic_file = BytesIO(pic_bin) # 将二进制数据转化成文件对象便于读取exif数据信息和生成MD5
tag1 = exifread.process_file(pic_file, details=False, strict=True)
tag = {}
for key, value in tag1.items():
if key not in (
'JPEGThumbnail', 'TIFFThumbnail', 'Filename',
'EXIF MakerNote'): # 去除四个不必要的exif属性，简化信息量
tag[key] = str(value)
tags = json.dumps(tag) # dumps为json类型 此tag即为exif的json数据
# 生成MD5
MD5 = hashlib.md5(pic_file.read()).hexdigest()
# 首先把二进制图片用base64 转成字符串之后再存
try:
cursor.execute(
insert_pic_sql.format(pic_url=pic_url['thumbnail_pic'].replace('thumbnail', 'large'),
pic_bin=str(base64.b64encode(pic_bin))[2:-1], md5=MD5,
exif=tags))
except pymysql.err.OperationalError as e_pic:
logging.warning(e_pic.args[1])
pass
try:
cursor.execute(insert_relationship_sql.format(id=id, md5=MD5))
except pymysql.err.OperationalError as e_relation:
logging.warning(e_relation)
pass
conn.commit()
else:
logging.info(id + " is Not in Beijing")
pass
else:
logging.info(id + ' Geo is null')
pass
except pymysql.err.OperationalError as e:
logging.error(e.args[1])
pass
def judge_conn(i):
global conn
try:
conn.ping(True)
get_poiid_info(i)
except pymysql.err.OperationalError as e:
logging.error('Reconnect')
conn = pymysql.connect(host=db_host, user=db_user, passwd=db_pass, db=db, charset='utf8')
get_poiid_info(i)
def handle_tuple(a_tuple):
read_uid_set = []
for i in a_tuple:
read_uid_set.append(i[0])
return set(read_uid_set)
if __name__ == '__main__':
sql_find_uid = (
"SELECT userid FROM blog"
)
cursor.execute(sql_find_uid)
read_uid_tuple = cursor.fetchall()
read_list = handle_tuple(read_uid_tuple)
print(len(read_list))
new_uid = set(uid).difference(read_list)
print(len(new_uid))
pool = Pool()
pool.map(judge_conn, list(new_uid))
撒一波广告
本人长期出售抓取超大量微博数据的代码，并提供微博数据打包出售，Message to YuboonaZhang@Yahoo.com
