Haskell爬虫中日志记录：监控HTTP请求与响应

原创

小白学大数据

发布于 2024-08-16 15:53:35

1010

发布于 2024-08-16 15:53:35

在当今信息爆炸的时代，数据抓取成为了获取信息的重要手段。Haskell，以其强大的类型系统和函数式编程特性，成为了编写高效、可靠爬虫的理想选择。然而，随着爬虫的运行，监控其行为变得尤为重要。本文将探讨如何在Haskell编写的爬虫中实现日志记录，以监控HTTP请求与响应。

爬虫与日志记录

爬虫是一种自动浏览网络资源的程序，它可以访问网页、下载内容、提取信息，并将其存储起来。然而，爬虫在运行过程中可能会遇到各种问题，如网络错误、服务器拒绝连接、内容格式变化等。有效的日志记录可以帮助开发者：

监控爬虫状态：了解爬虫何时运行，以及其运行状态。
调试问题：快速定位运行中的错误和异常。
遵守政策：记录遵守robots.txt协议的情况，确保爬虫行为合规。
分析效率：评估爬虫的性能和资源消耗。

Haskell日志记录工具

Haskell社区提供了多种日志记录解决方案，其中log包是一个流行的选择。它基于monad-logger库，支持多种日志级别和灵活的日志处理。

代码实现

以下是本文中提到的Haskell爬虫日志记录的完整实现代码：

{-# LANGUAGE OverloadedStrings #-}
import Control.Monad.Logger
import Network.HTTP.Conduit
import Data.ByteString.Lazy.Char8 (ByteString)
import System.Log.Handler.Simple
import System.Log.Formatter

-- 定义日志记录器
logHttpInfo :: (MonadLogger m) => String -> m ()
logHttpInfo msg = liftLoc (loc "HTTP" "Info") $ logInfo msg

-- 代理设置
proxyInfo :: Proxy
proxyInfo = Proxy
    { proxyHost = "deferfr"
    , proxyPort = fromIntegral $ read "5445"  -- 确保端口号是整数
    , proxyUser = "16QMSOML"
    , proxyPass = "280651"
    }

-- 记录HTTP请求
logHttpRequest :: (MonadLogger m) => String -> m ByteString
logHttpRequest url = do
    logHttpInfo $ "Requesting URL: " ++ url
    response <- httpLbs (fromJust $ parseRequest_ url) { managerProxy = Just proxyInfo } manager
    logHttpResponse $ responseStatus response
    return $ responseBody response
  where
    manager = newManager defaultManagerSettings

-- 记录HTTP响应
logHttpResponse :: (MonadLogger m) => Status -> m ()
logHttpResponse status = do
    case status of
        (Status 200 _) -> logHttpInfo "Success"
        _               -> logHttpInfo $ "Error status: " ++ show status

-- 创建日志处理器
createLogger :: IO Logger
createLogger = newLogger >>= \lgr -> return $ setLevel lgr DEBUG

-- 设置日志格式
setLogFormatter :: Logger -> IO Logger
setLogFormatter logger = do
    let fmt = simpleLogFormatter "$time $msg"
    return $ setFormatter logger fmt

-- 爬虫主函数
main :: IO ()
main = do
    logger <- liftIO createLogger
    runLoggingT (mapM logHttpRequest urls) (setLogFormatter logger)
  where
    urls = ["http://www.example.com", "http://www.example.org"]