V mezičase jsem si napsal miniaplikaci, která natahala nějaká data z Heureky a pak jsem skriptem začal soubor dat duplikovat. Aktuálně mám v SQLite asi 3 milióny řádků vše běží, jen tedy vyhledat data s jedinou WHERE podmínkou a sortem je cca 10s (45000 výsledků), s limitem na 10 pak cca 6,5s. Zkusil jsem MySQL a tam jsou reakce lepší, ale hlavně pokud zapisuji do DB mohu z ní v pohodě číst. Což asi bude to hlavní důvod, proč SQLite nebude možné použít, neboť budu potřebovat umět současně zapisovat i číst. Robot pořízující nová data může běžet taky 15-30 minut a nemohu po tuto dobu aplikaci odstavit či házet errory.
Nevíte o nějakém prakticky pojatém článku o tom jak si v MySQL či PSQL ušetřit čas a nervy využitím nějakých robotů/automatiky pro zpracování dat do mezitabulek, virtuálních dat apod.? Myslím, že využití a vytahání dat z miliónů řádek pro dashboard apod. by měl robot v DB umět určitě lépe než cokoliv co spáchám já :) Díky! On Thursday, 29 November 2018 22:17:08 UTC+1, Vítek Pliska wrote: > > Určitě scrapy může i v tomto případě pomoct např. s tím jak pracuje s > concurrent requests a třebas autothrottle - to záleží na pravidlech toho > API které se bude konzumovat, co je dovoleno/jaké jsou limity. Pokud není > dovoleno dělat víc požadavků najednou tak bych tam asi scrapy ani netahal… > > Vítek > > 29. 11. 2018 v 22:09, Honza Javorek <ma...@honzajavorek.cz <javascript:>>: > > Já bych řekl, že se specializuje na těžení a že má dost věci, které ti to > těžení usnadní, pokud jde o HTML. Pokud jde o JSON, nic usnadňovat > nepotrebujes, mas json.loads(), a pak ale pořad stavis na tom těžení. > > HJ > > On Thu, 29 Nov 2018 at 21:05, Petr Messner <petr.m...@gmail.com > <javascript:>> wrote: > >> Ahoj, >> >> myslel jsem, že scrapy se specializuje na těžení dat z HTML. Říkáš, že se >> hodí i na JSON API? >> >> Petr >> >> čt 29. 11. 2018 v 20:47 odesílatel Honza Javorek <ma...@honzajavorek.cz >> <javascript:>> napsal: >> >>> Ahoj, >>> >>> mirne offtopic, ale pokud muzu komentovat tu cast kde budes bombardovat >>> to API, tak bych zvazil https://scrapy.org/ On si clovek casto nemysli >>> ze neco takovyho potrebuje, az kdyz do toho zabredne a trva to misto tri >>> dnu mesic, tak si uvedomi, ze misto requests mohl pouzit nejaky framework. >>> >>> Honza >>> >>> On Thu, Nov 29, 2018 at 8:19 PM Stanislav Vasko <stanisl...@gmail.com >>> <javascript:>> wrote: >>> >>>> Díky za info. Jen zopakuji, že počet dotazů je pro Heureku skoro nic, >>>> proti jiným partnerům. Současné scrapování mám nejen povolené, ale hlavně >>>> tuto novou aplikaci budu napojovat (základní skripty jsou už hotové) přes >>>> API, které Heureka nedávno uvolnila, zpoplatnila přístup a je na toto >>>> přímo >>>> postaveno. >>>> >>>> JSON soubory mně také napadly, vlastně bych mohl ukládat přímo odpovědi >>>> z API (je to JSON RPC), ale nevím jak praktické to je pro další >>>> zpracování. >>>> Musel bych pravidelně robotem tahat aktuální data denně vypočítat pak >>>> dlouhodobé statistiky, ale něco takového mně u DB řešení čeká asi také. >>>> Ještě mně napadlo, zda by nebylo efektivnější pro tyto účely využít nějaký >>>> skripty přímo v DB, tuším, že některé mají přímo "udělátka" na vypočítání >>>> dat, virtuálních tabulek apod. To by mi možná ušetřilo práci a vyřešilo >>>> nutnost neustále o data nějak pečovat. >>>> >>>> Kibana vypadá zajímavě, ale přiznám se, že o ní slyším poprvé a vůbec >>>> nevím jak to v tomto pojetí uchopit. Zkusím si něco nastudovat, ale raději >>>> bych se držel něčeho co zná každý a kdokoliv případně i poradí. >>>> >>>> Díky! >>>> >>>> On Thursday, 29 November 2018 20:05:21 UTC+1, Messa wrote: >>>>> >>>>> Ahoj, >>>>> >>>>> tohle scrapování určitě vidí Heureka strašně ráda. Ale to je tvůj boj >>>>> :) >>>>> >>>>> 60 tisíc záznamů denně? Hm, na to by stačil i JSON soubor. Paradoxně >>>>> by jeho zpracování mohlo být i rychlejší, než ze špatně navržené databáze. >>>>> >>>>> Což ostatně není špatný nápad, si ta data vylít a zpracovávat mimo. Je >>>>> to celkem častý postup (oddělení analytické db od transakční). Koneckonců >>>>> i >>>>> ten Dashboard může být generovaná statická webovka. >>>>> >>>>> Honzovo tip s Kibanou se mi taky líbí. >>>>> >>>>> Zkratka, podle mě tento objem ještě nijak neomezuje výběr technologie >>>>> :) (Doufám teda, že sqlite zvládá paralelní read.) >>>>> >>>>> Petr Messner >>>>> >>>>> 29. 11. 2018 v 12:59, Stanislav Vasko <stanisl...@gmail.com>: >>>>> >>>>> Zdravím, >>>>> >>>>> pár let si v Django píšu menší aplikace pro svou práci a napsal jsem >>>>> pár řešení pro své klienty. Pro tyto účely používám SQLite a nikdy jsem >>>>> nenarazil na problém, navíc si mohu DB se zdrojákem snadno verzovat v >>>>> GITu. >>>>> Nyní ale chci jeden ze svých projektů (analýza produktů na Heureka.cz >>>>> <http://heureka.cz/>) zásadně rozšířit a rád bych si od začátku >>>>> zvolil vhodný DB podvozek. Budu 3x denně stahovat údaje o produktech (je >>>>> jich asi 10 tisíc) přes Heureka API. Kromě aktuální ceny produktu ještě >>>>> budu potřebovat uložit data o nabídkách jednotlivých e-shopů (cca 20 >>>>> e-shopů na produkt, ukládat se bude aktuální cena, pozice, skladovost a >>>>> několik dalších parametrů). Tedy denně 10.000 (produktů) x 3 (denně >>>>> stahovat nabídky) x 20 (údajů o nabídce konkrétního eshopu) záznamů. K >>>>> tomu >>>>> se určitě ještě něco přidá. Tato data potřebuji dále zpracovávat. Typicky >>>>> Dashboard s reportem aktuálně produktů prodávaných pod určitou cenou, >>>>> report firem prodávajících pod cenou nebo náhled detailu produktu s >>>>> historií průměrné a minimální ceny apod. >>>>> >>>>> Chtěl bych se zeptat zkušenějších programátorů na čem (případně navést >>>>> i detailněji) postavit DB podvozek. Problém asi není ani tak v tom data >>>>> uložit, ale hlavně abych z nich byl schopen v reálném čase něco sestavit. >>>>> Asi bude třeba vytvořit i nějaké roboty, kteří z dat za daný den/měsíc >>>>> připraví nějaká mezidata, vypočtou dashboard, protože přímé realtime >>>>> zpracování by bylo příliš pomalé. Nebo se mýlím? >>>>> >>>>> Díky za každý tip na DB, případně budu rád i za navedení na nějaký >>>>> relevantní zdroj informací o tom jakou a proč DB zvolit, případně kde >>>>> mají >>>>> limity. Osobně studuji a váhám mezi SQLite, MySQL a PostgreSQL. >>>>> >>>>> Díky, Standa >>>>> >>>>> -- >>>>> -- >>>>> E-mailová skupina djan...@googlegroups.com >>>>> Správa: http://groups.google.cz/group/django-cs >>>>> --- >>>>> Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny >>>>> „django-cs“ ve Skupinách Google. >>>>> Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, >>>>> zašlete e-mail na adresu django-cs+...@googlegroups.com. >>>>> Chcete-li tuto diskusi zobrazit na webu, navštivte >>>>> https://groups.google.com/d/msgid/django-cs/7c78faf6-54b8-4130-95bb-293f6199f14e%40googlegroups.com >>>>> >>>>> <https://groups.google.com/d/msgid/django-cs/7c78faf6-54b8-4130-95bb-293f6199f14e%40googlegroups.com?utm_medium=email&utm_source=footer> >>>>> . >>>>> Další možnosti najdete na https://groups.google.com/d/optout. >>>>> >>>>> >>>> -- >>>> -- >>>> E-mailová skupina djan...@googlegroups.com <javascript:> >>>> Správa: http://groups.google.cz/group/django-cs >>>> --- >>>> Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny >>>> „django-cs“ ve Skupinách Google. >>>> Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, >>>> zašlete e-mail na adresu django-cs+...@googlegroups.com <javascript:>. >>>> Chcete-li tuto diskusi zobrazit na webu, navštivte >>>> https://groups.google.com/d/msgid/django-cs/d47d668b-4d47-4964-9f61-a96a6f0c9ef0%40googlegroups.com >>>> >>>> <https://groups.google.com/d/msgid/django-cs/d47d668b-4d47-4964-9f61-a96a6f0c9ef0%40googlegroups.com?utm_medium=email&utm_source=footer> >>>> . >>>> Další možnosti najdete na https://groups.google.com/d/optout. >>>> >>> >>> -- >>> -- >>> E-mailová skupina djan...@googlegroups.com <javascript:> >>> Správa: http://groups.google.cz/group/django-cs >>> --- >>> Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny >>> „django-cs“ ve Skupinách Google. >>> Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, >>> zašlete e-mail na adresu django-cs+...@googlegroups.com <javascript:>. >>> >> Chcete-li tuto diskusi zobrazit na webu, navštivte >>> https://groups.google.com/d/msgid/django-cs/CAPAmg-c%3DumEvwD9ozq%3DcDCTWu%2BPOngV7%2BFiNE4sjwWiV8gqJ0A%40mail.gmail.com >>> >>> <https://groups.google.com/d/msgid/django-cs/CAPAmg-c%3DumEvwD9ozq%3DcDCTWu%2BPOngV7%2BFiNE4sjwWiV8gqJ0A%40mail.gmail.com?utm_medium=email&utm_source=footer> >>> . >>> Další možnosti najdete na https://groups.google.com/d/optout. >>> >> >> -- >> -- >> E-mailová skupina djan...@googlegroups.com <javascript:> >> Správa: http://groups.google.cz/group/django-cs >> --- >> Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny >> „django-cs“ ve Skupinách Google. >> Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, >> zašlete e-mail na adresu django-cs+...@googlegroups.com <javascript:>. >> Chcete-li tuto diskusi zobrazit na webu, navštivte >> https://groups.google.com/d/msgid/django-cs/CAK9Q5BRGZccXsW%3DsnaHSq6OwWkeW1amHPO5NWgMohdPJ5%2Bx-eg%40mail.gmail.com >> >> <https://groups.google.com/d/msgid/django-cs/CAK9Q5BRGZccXsW%3DsnaHSq6OwWkeW1amHPO5NWgMohdPJ5%2Bx-eg%40mail.gmail.com?utm_medium=email&utm_source=footer> >> . >> Další možnosti najdete na https://groups.google.com/d/optout. >> > > -- > -- > E-mailová skupina djan...@googlegroups.com <javascript:> > Správa: http://groups.google.cz/group/django-cs > --- > Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny > „django-cs“ ve Skupinách Google. > Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, > zašlete e-mail na adresu django-cs+...@googlegroups.com <javascript:>. > Chcete-li tuto diskusi zobrazit na webu, navštivte > https://groups.google.com/d/msgid/django-cs/CAPAmg-fWaeJW9GvNEQAD8szkRWs%3DSpa4oqg3QcHdZxyXcx-TOg%40mail.gmail.com > > <https://groups.google.com/d/msgid/django-cs/CAPAmg-fWaeJW9GvNEQAD8szkRWs%3DSpa4oqg3QcHdZxyXcx-TOg%40mail.gmail.com?utm_medium=email&utm_source=footer> > . > Další možnosti najdete na https://groups.google.com/d/optout. > > > -- -- E-mailová skupina django-cs@googlegroups.com Správa: http://groups.google.cz/group/django-cs --- Tuto zprávu jste obdrželi, protože jste přihlášeni k odběru skupiny django-cs ve Skupinách Google. Chcete-li zrušit odběr skupiny a přestat dostávat e-maily ze skupiny, zašlete e-mail na adresu django-cs+unsubscr...@googlegroups.com. Chcete-li zobrazit tuto diskusi na webu, navštivte https://groups.google.com/d/msgid/django-cs/1e06b101-65d4-4c5f-8934-49ce0cdc5f90%40googlegroups.com. Další možnosti najdete na adrese https://groups.google.com/d/optout.
