如何使用Shell构建多进程的CommandlineFu爬虫(shell,编程语言)

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。

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）。

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:

鸿蒙官方战略合作共建——HarmonyOS技术社区

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

这个问题比较好解决，我们可以通过一个命名管道来实现：

从页面中提取元素内容主要有两种方法：

鸿蒙官方战略合作共建——HarmonyOS技术社区

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：

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。

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：

由于网络问题，使用 curl 获取内容可能失败，需要重复获取：

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：

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。

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。

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***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：

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。

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。

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：