python爬取微博图片数据存到Mysql中遇到的各种坑

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。

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))