Quelques slides présentées lors du Quinzieme Apero Ruby de Paris.rb (12/11/2009).

1. Aggrégation de données
avec Ruby
Retour d’expérience Learnivore.com
thibaut.barrere@gmail.com
1

2. A quoi ressemble Learnivore ?
2

3. Briques techniques
• ThinkingSphinx + Sphinx
• TinyTL
• Hpricot
• TagCleaner
• Ramaze
• UrlRewriter
• ActiveRecord
• ActsAsTaggableOnSteroids
• Craken
• WillPaginate
• Thin
3

4. Le modèle
class Item < ActiveRecord::Base
acts_as_taggable
validates_presence_of :title, :url, :source, :summary, :thumbnail_img_tag, :pricing
validates_uniqueness_of :url # our key
define_index do
indexes title
indexes summary
indexes source, :facet => true
indexes tags.name, :as => :tag, :facet => true
indexes pricing, :facet => true
indexes language, :facet => true
has update_date
where "update_date <= curdate()"
set_property :delta => true
end
end
4

5. Processus d’import
• DSL (TinyTL)
• Tourne chaque heure
• Pour chaque source, récupère un feed ou une page html
• Normalise et conforme chaque item
• Ajoute et conforme les tags
• Upsert (update or insert) - clé = url cible
5

6. Déclaration d’une source
source(:peepcode) {
fresh_get(PEEPCODE_HOST + '/products').
at('ul.products').search('li a').
map { |e| PEEPCODE_HOST + e['href'] }
}
6

7. Traitement spécifique (1/2)
each_row(:bddcasts) { |row|
# resource from rss
row[:title] = grab(row[:content],'title')
row[:update_date] = Date.parse(grab(row[:content],'published'))
row[:url] = grab(row[:content], 'feedburner:origlink')
row[:summary] = SimpleSanitizer.sanitize( CGI.unescapeHTML(grab(row[:content], 'content')))
# resource from page
page = get(row[:url])
img_src = "http://bddcasts.com" + page.at("div.episode div.image img").attributes['src']
tags = grab_all(page, "div.episode div.details p.tags a", ', ')
episode_css_classes = page.at("div.episode").attributes['class']
pricing = case episode_css_classes
when /orange/; 'paid'
when /green/; 'free'
else raise "Bddcasts pricing guess failed: episode css class : '#{episode_css_classes}"
end
row[:thumbnail_img_tag] = "<img src='#{img_src}' height='90' style='border: 1px solid #aaa'/>"
row[:pricing] = pricing
row[:tag_list] = tags
}
7

8. Traitement spécifique (2/2)
each_row(:thinkcode_tv) { |row|
row[:title] = grab(row[:content],'title')
row[:url] = grab(row[:content],'guid').gsub('//catalogo','/catalogo')
row[:update_date] = Date.parse(grab(row[:content],'pubdate'))
row[:summary] = SimpleSanitizer.sanitize(CGI.unescapeHTML(grab(row[:content],'description')))
img_src = Hpricot(CGI.unescapeHTML(grab(row[:content],'description'))).
at('img').attributes['src']
row[:thumbnail_img_tag] = "<img height='90' src='#{THINKCODE_HOST}#{img_src}'/>"
row[:pricing] = 'paid'
row[:language] = 'italian'
}
8

9. Import / nettoyage des tags
• tags du partenaires
+
tags delicious
• conformation / nettoyage
9

10. Screens (= tests data)
assert_include %w(free paid), row[:pricing]
assert_match(/https{0,1}:///, row[:url], :url)
assert_not_nil row[:update_date]
assert row[:update_date].is_a?(Date)
...
10

11. Consommation
• via le web => facettes + full-text
• RSS => sort by fraîcheur desc (feedburner MyBrand)
• Twitter => semi-automatique via bit.ly
11

12. Conclusions
• Contacter les partenaires = bien
• ThinkingSphinx = bien
• Code = une petite portion du travail
• Toute data doit généralement être nettoyée avant
consommation
12