Полученную информацию в кэше хранить нецелесообразно, необходимо использовать базу данных.
В статье рассмотрю:
- создание простой SQLite базы данных;
- запись информации с помощь Python;
- чтение данных и перевод в формат DataFrame;
- обновление парсинга с учетом данных БД.
Требования к базе данных
Основное требование к БД по проекту: хранить данные и иметь возможность их оперативно извлечь.
Нашей БД не требуется:
- разграничивать доступ к схемам, т.к. доступ будет только у пользователя парсингом;
- сохранять доступ 24/7, т.к. извлечение данных допустимо по мере необходимости проведения анализа;
- создание процедур, т.к. все вычисления будут проводится в python.
Поэтому для проекта возможно использовать простую базу данных в SQLite. Хранить её можно в виде файла либо на жестком диске, либо на флешке, либо на облачном диске для доступа с других устройств.
Особенности работы с SQLite через python
Для работы с SQLite через python используем библиотеку sqlite3.
Подключаемся к базе данных простой командой:
sqlite3.connect(путь к файлу)
Если файл отсутствует, будет создана новая база.
Запросы к базе выполняются следующим образом:
conn = sqlite3.connect(путь к файлу)cur = conn.cursor()cur.execute(запрос)df = cur.fetchall()
cur.fetchall() выполняется в том случае, когда в результате запроса мы хотим получить данные из БД.
В конце записи данных в БД не забывайте заканчивать транзакцию:
conn.commit()
а в конце работы с базой не забывайте её закрывать:
conn.close()
иначе база будет блокироваться на запись или на открытие.
Создание таблиц стандартное:
CREATE TABLE t1 (поле1 тип, поле2 тип...)
или более универсальный вариант, создающий таблицу в случае её отсутствия:
CREATE TABLE IF NOT EXISTS t1 (поле1 тип, поле2 тип...)
Записываем данные в таблицу, избегая повторов:
INSERT OR IGNORE INTO t1 (поле1, поле2, ...) VALUES(значение1, значение2, ...)
Обновляем данные:
UPDATE t1 SET поле1 = значение1 WHERE поле2 = значение2
Для более удобной работы с SQLite можно использовать SQLite Manager или DB Browser for SQLite.
Первая программа является расширением к браузеру и выглядит как чередование строки запроса и блока ответа:
Вторая программа полноценное desktop-приложение:
Структура базы данных
БД будет состоять из 4 таблиц: студии, залы, 2 таблицы бронирования.
В выгружаемых данных по бронированию есть информация о будущих периодах, которая с новым парсингом может измениться. Затирать данные нежелательно (их можно использовать, например, для вычисления дня/часа, когда была сделана бронь). Поэтому, одна таблица бронирования необходима для сырых данных парсинга, вторая для последних, актуальных.
Создаем таблицы:
def create_tables(conn, table = 'all'): cur = conn.cursor() if (table == 'all') or (table == 'uStudios'): cur.execute(''' CREATE TABLE IF NOT EXISTS uStudios (studio_id INT PRIMARY KEY UNIQUE, name TEXT UNIQUE, metro TEXT, address TEXT, phone TEXT, email TEXT, established_date DATE) ''') print('Table uStudios is created.') if (table == 'all') or (table == 'uHalls'): cur.execute(''' CREATE TABLE IF NOT EXISTS uHalls (hall_id INT PRIMARY KEY UNIQUE, studio_id INT, name TEXT, is_hall INT, square FLOAT, ceiling FLOAT, open_date DATE) ''') print('Table uHalls is created.') if (table == 'all') or (table == 'uBooking_parsing'): cur.execute(''' CREATE TABLE IF NOT EXISTS uBooking_parsing (hall_id INT, date DATE, hour INT, is_working_hour INT, min_hours INT, price INTEGER, is_booked INT, duration INT, parsing_date DATE) ''') print ('Table uBooking_parsing is created.') if (table == 'all') or (table == 'uBooking'): cur.execute(''' CREATE TABLE IF NOT EXISTS uBooking (hall_id INT, date DATE, hour INT, is_working_hour INT, min_hours INT, price INTEGER, is_booked INT, duration INT, parsing_date DATE) ''') print ('Table uBooking is created.')
Параметром table задаю название таблицы, которую необходимо создать. По умолчанию создает все.
В полях таблиц видны данные, которые не парсили (дата открытия студии, дата открытия зала). Вычисление этих полей опишу позже.
Взаимодействие с базой данных
Создадим 6 процедур для взаимодействия с базой данных:
- Запись списка фотостудий в базу данных;
- Выгрузка списка фотостудий из базы данных;
- Запись списка залов;
- Выгрузка списка залов;
- Выгрузка данных по бронированию;
- Запись данных по бронированию.
1. Запись списка фотостудий в базу данных
На входе в процедуру передаем параметры соединения с БД и таблицу в виде DataFrame. Записываем данные построчно, перебирая все строчки циклом. Полезным для этой операции свойством строковых данных в python является замена символов "?" элементами кортежа, указанным после.
Процедура записи списка фотостудий выглядит
следующим образом:
def studios_to_db(conn, studio_list): cur = conn.cursor() for i in studio_list.index: cur.execute('INSERT OR IGNORE INTO uStudios (studio_id, name, metro, address, phone, email) VALUES(?, ?, ?, ?, ?, ?)', (i, studio_list.loc[i, 'name'], studio_list.loc[i, 'metro'], studio_list.loc[i, 'address'], studio_list.loc[i, 'phone'], studio_list.loc[i, 'email']))
2. Выгрузка списка фотостудий из базы данных
На вход в процедуру передаем параметры соединения с БД. Выполняем select-запрос, перехватываем выгружаемые данные и записываем в DataFrame. Переводим дату основания фотостудии в формат даты.
Полностью процедура выглядит следующим образом:
def db_to_studios(conn): cur = conn.cursor() cur.execute('SELECT * FROM uStudios') studios = pd.DataFrame(cur.fetchall() , columns=['studio_id', 'name', 'metro', 'address', 'phone', 'email', 'established_date'] ).set_index('studio_id') studios['established_date'] = pd.to_datetime(studios['established_date']) return studios
3. Запись списка залов в базу данных
Процедура аналогична записи списка фотостудий: передаем параметры подключения и таблицу залов, построчно записываем данные в базу.
Процедура записи списка залов в БД
def halls_to_db(conn, halls): cur = conn.cursor() for i in halls.index: cur.execute('INSERT OR IGNORE INTO uHalls (hall_id, studio_id, name, is_hall, square, ceiling) VALUES(?, ?, ?, ?, ?, ?)', (i, halls.loc[i, 'studio_id'], halls.loc[i, 'name'], halls.loc[i, 'is_hall'], halls.loc[i, 'square'], halls.loc[i, 'ceiling']))
4. Выгрузка списка залов из базы данных
Процедура аналогична выгрузки списка фотостудий: передача параметров подключения, select-запрос, перехват, запись в DataFrame, перевод даты открытия зала в формат даты.
Единственное отличие: id студии и признак зала записались в байтовом виде. Возвращаем значение функцией:
int.from_bytes(число, 'little')
Процедура выгрузки списка залов выглядит следующим
образом:
def db_to_halls(conn): cur = conn.cursor() cur.execute('SELECT * FROM uHalls') halls = pd.DataFrame(cur.fetchall(), columns=['hall_id', 'studio_id', 'name', 'is_hall', 'square', 'ceiling', 'open_date']).set_index('hall_id') for i in halls.index: halls.loc[i, 'studio_id'] = int.from_bytes(halls.loc[i, 'studio_id'], 'little') halls.loc[i, 'is_hall'] = int.from_bytes(halls.loc[i, 'is_hall'], 'little') halls['open_date'] = pd.to_datetime(halls['open_date']) return halls
5. Выгрузка информации по бронированию из базы данных
В процедуру передаем параметры подключения к БД и параметр parsing, показывающий из какой таблицы по бронированию запрашиваем информацию: 0 из актуальной (по умолчанию), 1 из таблицы парсинга. Далее выполняем select-запрос, перехватываем его, переводим в DataFrame. Даты переводим в формат дат, числа из байтового формата в формат чисел.
Процедура выгрузки информации по бронированию:
def db_to_booking(conn, parsing = 0): cur = conn.cursor() if parsing == 1: cur.execute('SELECT * FROM uBooking_parsing') else: cur.execute('SELECT * FROM uBooking') booking = pd.DataFrame(cur.fetchall(), columns=['hall_id', 'date', 'hour', 'is_working_hour', 'min_hours', 'price', 'is_booked', 'duration', 'parsing_date']) booking['hall_id'] = [int.from_bytes(x, 'little') if not isinstance(x, int) else x for x in booking['hall_id']] booking['is_booked'] = [int.from_bytes(x, 'little') if not isinstance(x, int) else x for x in booking['is_booked']] booking['date'] = pd.DataFrame(booking['date']) booking['parsing_date'] = pd.DataFrame(booking['parsing_date']) return booking
6. Запись информации по бронированию в базу данных
Самая сложная функция взаимодействия с БД, т.к. она инициирует парсинг данных по бронированию. На входе передаем процедуре параметры подключения к базе данных и список id залов, который необходимо актуализировать.
Чтобы определить последнюю дату актуальных данных,
запросим из базы последнюю дату парсинга по каждому
id зала:
parsing_date = db_to_booking(conn, parsing = 1).groupby('hall_id').agg(np.max)['parsing_date']
Перебираем каждый id зала с помощью цикла.
В каждом id зала первом делом определяем
количество недель, которые необходимо парсить в
прошлом:
try: last_day_str = parsing_date[id] last_day = datetime.datetime.strptime(last_day_str, '%Y-%m-%d') delta_days = (datetime.datetime.now() - last_day).days weeks_ago = delta_days // 7 except: last_day_str = '2010-01-01' last_day = datetime.datetime.strptime(last_day_str, '%Y-%m-%d') weeks_ago = 500
Если id зала есть в базе, то вычисляем. Если нет, то парсим 500 недель в прошлое или останавливаемся, когда 2 месяца не было броней (ограничение описано в предыдущей статье).
Дальше выполняем процедуры парсинга:
d = get_past_booking(id, weeks_ago = weeks_ago) d.update(get_future_booking(id)) book = hall_booking(d)
Вначале парсим информацию по бронированию из прошлого до актуальных данных, потом из будущего (до 2 месяцев, когда записей не было) и в конце переводим данные из формата json в DataFrame.
Завершающим этапом записываем данные по бронированию зала в базу и закрываем транзакцию.
Процедура записи информации по бронированию в базу
данных выглядит следующим образом:
def booking_to_db(conn, halls_id): cur = conn.cursor() cur_date = pd.Timestamp(datetime.date.today()) parsing_date = db_to_booking(conn, parsing = 1).groupby('hall_id').agg(np.max)['parsing_date'] for id in halls_id: #download last parsing_date from DataBase try: last_day_str = parsing_date[id] last_day = datetime.datetime.strptime(last_day_str, '%Y-%m-%d') delta_days = (datetime.datetime.now() - last_day).days weeks_ago = delta_days // 7 except: last_day_str = '2010-01-01' last_day = datetime.datetime.strptime(last_day_str, '%Y-%m-%d') weeks_ago = 500 d = get_past_booking(id, weeks_ago = weeks_ago) d.update(get_future_booking(id)) book = hall_booking(d) for i in list(range(len(book))):#book.index: cur.execute('INSERT OR IGNORE INTO uBooking_parsing (hall_id, date, hour, is_working_hour, min_hours, price, is_booked, duration, parsing_date) VALUES(?,?,?,?,?,?,?,?,?)', (book.iloc[i]['hall_id'], book.iloc[i]['date'].date().isoformat(), book.iloc[i]['hour'], book.iloc[i]['is_working_hour'], book.iloc[i]['min_hours'], book.iloc[i]['price'], book.iloc[i]['is_booked'], book.iloc[i]['duration'], cur_date.date().isoformat())) conn.commit() print('hall_id ' + str(id) + ' added. ' + str(list(halls_id).index(id) + 1) + ' from ' + str(len(halls_id)))
Обновление дней открытия студии и залов
Дата открытия зала это самая ранняя дата бронирования зала.
Дата открытия фотостудии это самая ранняя дата открытия зала этой студии.
Исходя из этой логики,
выгружаем самые ранние даты бронирования каждого
зала из базы
halls = db_to_booking(conn).groupby('hall_id').agg(min)['date']
Затем построчно обновляем данные открытия
залов:
for i in list(range(len(halls))): cur.execute('''UPDATE uHalls SET open_date = '{1}' WHERE hall_id = {0}''' .format(halls.index[i], str(halls.iloc[i])))
Данные открытия фотостудий обновляем аналогично: выгружаем данные по датам открытия залов из базы данных, вычисляем наименьшую дату для каждой студии, переписываем дату открытия фотостудии.
Процедура обновления дат открытия:
def update_open_dates(conn): cur = conn.cursor() #update open date in uHalls halls = db_to_booking(conn).groupby('hall_id').agg(min)['date'] for i in list(range(len(halls))): cur.execute('''UPDATE uHalls SET open_date = '{1}' WHERE hall_id = {0}''' .format(halls.index[i], str(halls.iloc[i]))) #update open date in uStudios studios = db_to_halls(conn) studios['open_date'] = pd.to_datetime(studios['open_date']) studios = studios.groupby('studio_id').agg(min)['open_date'] for i in list(range(len(studios))): cur.execute('''UPDATE uStudios SET established_date = '{1}' WHERE studio_id = {0}''' .format(studios.index[i], str(studios.iloc[i]))) conn.commit()
Обновление парсинга
Все процедуры в этой и предыдущей статьях мы объединим в данной процедуре. Её можно запускать как при первом парсинге, так и при обновлении данных.
Процедура выглядит следующим образом:
def update_parsing(directory = './/', is_manual = 0): start_time = time.time() #is DataBase exists? if not os.path.exists(directory + 'photostudios_moscow1.sqlite'): if is_manual == 1: print('Data base is not exists. Do you want to create DataBase (y/n)? ') answer = input().lower() else: answer == 'y' if answer == 'y': conn = sqlite3.connect(directory + 'photostudios_moscow1.sqlite') conn.close() print('DataBase is created') elif answer != 'n': print('Error in input!') return list() print('DataBase is exists') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() #connect to DataBase conn = sqlite3.connect(directory + 'photostudios_moscow1.sqlite') cur = conn.cursor() #has DataBase 4 tables? tables = [x[0] for x in list(cur.execute('SELECT name FROM sqlite_master WHERE type="table"'))] if not ('uStudios' in tables) & ('uHalls' in tables) & ('uBooking_parsing' in tables) & ('uBooking' in tables): if is_manual == 1: print('Do you want to create missing tables (y/n)? ') answer = input().lower() else: answer = 'y' if anwer == 'y': if not ('uStudios' in tables): create_tables(conn, table = 'uStudios') if not ('uHalls' in tables): create_tables(conn, table = 'uHalls') if not ('uBooking_parsing' in tables): create_tables(conn, table = 'uBooking_parsing') if not ('uBooking' in tables): create_tables(conn, table = 'uBooking') elif answer != 'n': print('Error in input!') return list() conn.commit() print(str(tables) + ' are exist in DataBase') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() #update uStudios studios = studio_list() new_studios = studios[[x not in list(db_to_studios(conn).index) for x in list(studios.index)]] if len(new_studios) > 0: print(str(len(new_studios)) + ' new studios detected: \n' + str(list(new_studios['name']))) studios_to_db(conn, new_studios) conn.commit() print('Studio list update was successful') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() #update uHalls halls = hall_list(list(studios.index)).sort_index() new_halls = halls[[x not in list(db_to_halls(conn).index) for x in list(halls.index)]] if len(new_halls) > 0: halls_to_db(conn, new_halls) conn.commit() print('Halls list update was successful') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() #update uBooking_parsing booking_to_db(conn, halls.index) conn.commit() print('Booking_parsing update was successful') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() #update uBooking from uBooking_parsing cur.execute('DELETE FROM uBooking') cur.execute(''' insert into uBooking (hall_id, date, hour, is_working_hour, min_hours, price, is_booked, duration, parsing_date) select hall_id, date, hour, is_working_hour, min_hours, price, is_booked, duration, parsing_date from ( select *, row_number() over(partition by hall_id, date, hour order by parsing_date desc) rn from uBooking_parsing ) t where rn = 1 ''') conn.commit() print('Booking update was successful') print("--- %s seconds ---" % (time.time() - start_time)) start_time = time.time() update_open_dates(conn) conn.commit() print('Open date update was successful') print("--- %s seconds ---" % (time.time() - start_time)) conn.close()
Разберем ее работу по порядку.
На входе в процедуру передаем 2 параметра: адрес папки, откуда брать базу данных или куда ее установить (по умолчанию берем папку с python-документов), и необязательный параметр is_manual, который при значении 1 будет запрашивать необходимость создания базы данных или таблиц в случае их отсутствия.
Вначале проверяем есть ли база данных. Если нет,
создаём:
if not os.path.exists(directory + 'photostudios_moscow1.sqlite'): if is_manual == 1: print('Data base is not exists. Do you want to create DataBase (y/n)? ') answer = input().lower() else: answer == 'y' if answer == 'y': conn = sqlite3.connect(directory + 'photostudios_moscow1.sqlite') conn.close() print('DataBase is created') elif answer != 'n': print('Error in input!') return list()
Присоединяемся к БД и сохраняем функцию курсок
отдельной переменной:
conn = sqlite3.connect(directory + 'photostudios_moscow1.sqlite') cur = conn.cursor()
Следующим действием проверяем, все ли таблицы
созданы. Если нет, создаем недостающие. В конце изменений завершаем
транзакцию:
tables = [x[0] for x in list(cur.execute('SELECT name FROM sqlite_master WHERE type="table"'))] if not ('uStudios' in tables) & ('uHalls' in tables) & ('uBooking_parsing' in tables) & ('uBooking' in tables): if is_manual == 1: print('Do you want to create missing tables (y/n)? ') answer = input().lower() else: answer = 'y' if anwer == 'y': if not ('uStudios' in tables): create_tables(conn, table = 'uStudios') if not ('uHalls' in tables): create_tables(conn, table = 'uHalls') if not ('uBooking_parsing' in tables): create_tables(conn, table = 'uBooking_parsing') if not ('uBooking' in tables): create_tables(conn, table = 'uBooking') elif answer != 'n': print('Error in input!') return list() conn.commit()
Обновляем список фотостудий. Сравниваем с данными
БД и выводим количество и список новых фотостудий:
conn.commit()
studios = studio_list() new_studios = studios[[x not in list(db_to_studios(conn).index) for x in list(studios.index)]] if len(new_studios) > 0: print(str(len(new_studios)) + ' new studios detected: \n' + str(list(new_studios['name']))) studios_to_db(conn, new_studios)
conn.commit()
Обновляем список залов и выводим название
новых:
halls = hall_list(list(studios.index)).sort_index() new_halls = halls[[x not in list(db_to_halls(conn).index) for x in list(halls.index)]] if len(new_halls) > 0: halls_to_db(conn, new_halls) conn.commit()
Обновляем информацию по бронированию в таблице
uBooking_parsing. Скрипт получился простым, т.к. всю сложную работу
мы сделали в самой процедуре booking_to_db
booking_to_db(conn, halls.index) conn.commit()
Обновляем актуальную информацию по бронированию в
таблице uBooking. Для этого удаляем старую версию uBooking и
записываем данные из таблицы uBooking_parsing с последними (для
каждого зала, даты и часа брони) датами парсинга:
cur.execute('DELETE FROM uBooking') cur.execute(''' insert into uBooking (hall_id, date, hour, is_working_hour, min_hours, price, is_booked, duration, parsing_date) select hall_id, date, hour, is_working_hour, min_hours, price, is_booked, duration, parsing_date from ( select *, row_number() over(partition by hall_id, date, hour order by parsing_date desc) rn from uBooking_parsing ) t where rn = 1 ''') conn.commit()
Обновляем даты открытия студий и залов:
update_open_dates(conn) conn.commit()
И закрываем базу
conn.close()
Парсинг с сохранением данных в БД настроен успешно!
Инициируем парсинг/обновление следующей
процедурой:
update_parsing()
Итог
В данной и предыдущей статьях мы рассмотрели алгоритм работы парсинга открытой информацией по фотостудиям. Полученные данные собрали в базу данных.
В следующей статье рассмотрим примеры анализа полученных данных.
Готовый проект вы можете найти на моей странице в github.
