В этом материале вы узнаете, как создать Telegram-канал, который будет сам обновляться, получая данные из открытых источников:

• Код напишем на Python. 

• Запускаться он будет в AWS Lambda.

• Для парсинга (т. е. получения) данных будет использоваться библиотека BeautifulSoup. 

• Чтобы добавить нашему софту persistance layer будем использовать базу данных AWS DynamoDB.

• P. S. Все полностью бесплатно, Amazon ничего платить не нужно.

Цель статьи — объяснить работу с DynamoDB, BeautifulSoup и AWS Lambda. Если точнее — как связать все это в единый рабочий процесс для решения практической задачи.

Далее я опишу абсолютно синтетическую задачу, которая тем не менее отлично подходит в качестве простейшего примера для изучения вышеуказанных технологий.

Допустим вы фанат музыки жанра техно и хотите регулярно получать обновления о последнем поступившем музыкальном альбоме с вашего любимого сайта hardwax.com. Заходить на сайт вручную неудобно и вам бы хотелось иметь Telegram-канал, в котором каждые 15 минут публикуется последний музыкальный альбом. Задача осложняется тем, что вы не хотите видеть ни одну ссылку второй раз. Вы слушаете альбом единожды и полностью забываете про него. Таким образом, алгоритм должен запоминать, какие альбомы он уже публиковал в канале и не допускать повторной публикации. 

1. Создание телеграм-канала и бота

Итак, начнем. Для начала создадим Telegram-канал. Назовем его Hardwax techno:

Кто-то должен обновлять Telegram-канал, ведь сам по себе канал обновляться не может. Для этих целей создадим бота, который будет заниматься обновлением. В Telegram боты создаются через отца всех ботов — @BotFather:

• Здороваемся (/start)

• Создаем бота (/newbot)

• Даем имя боту (hardwax_techno_poster) 

• Даем ему username (hardwax_techno_poster_bot, должно заканчиваться на _bot)

• В конце получаем токен для управления ботом, его нужно сохранить.

Добавим созданного бота в администраторы, для этого переходим в настройки канала - > Administrators:

Далее Add Admin, выбираем нашего бота и проставляем все галочки: 

2. Регистрация на AWS и создание функции

Сетап в Telegram готов, пора переходить к AWS. Очевидно, первое, что необходимо сделать это зарегистрировать аккаунт. Здесь подробно описано, как это сделать и ничего при этом не заплатить.

Сделали аккаунт AWS, переходим к созданию функции. Набираем в строке поиска ‘lambda’ и переходим в соответствующий раздел:

Нажимаем ‘Create function’, выбираем имя функции. Runtime = ‘Python 3.9’ или более поздняя версия. 

3. Импортируем зависимости

Чтобы парсить веб и управлять Telegram-каналом нам понадобятся зависимости — библиотеки. Чтобы использовать их в AWS Lambda предусмотрены слои — своеобразные пакеты зависимостей, подключаемые к функции. Создадим такой слой.

Для этого нужно подготовить все необходимые библиотеки в .zip-архиве. Всего нам понадобятся 3 библиотеки: 

• requests — вездесущая библиотека Python для запросов. 

• bs4 или BeautifulSoup — набор инструментов для парсинга веб-страниц.

• python-telegram-bot — библиотека, упрощающая работу с ботами в Telegram. 

Чтобы подготовить архив, на машине Mac или Linux с установленным Python3 и менеджером пакетов pip выполним в командной строке следующие команды: 

• Создаем директорию для архива, куда положим наши зависимости. 

mkdir -p ~/python

• Переходим внутрь созданной директории.

cd ~/python

• Устанавливаем наши зависимости в текущую директорию, указывая подходящие версии. 

pip install --target=. bs4==0.0.1 python-telegram-bot==6.1.0 requests==2.24.0

• Возвращаемся обратно. 

cd ~

• Создаем архив с зависимостями.

zip -r hardwax_poster_layer.zip python

Загрузим получившийся .zip-архив с зависимостями в AWS. 

Для этого наберем в поиске Layers -> Create layer. Задаем имя слоя hardwax_poster_layer, выбираем Upload a .zip file, указываем путь до архива. Далее выбираем архитектуру x86_64 и Runtime = Python 3.9.

Мы успешно создали слой. Копируем и сохраняем его ARN (ID слоя или Amazon Resource Name), он пригодится нам дальше: 

Добавим слой к нашей функции. Для этого переходим на страницу управления нашей функцией, скроллим вглубь страницы и выбираем Add layer:

Кликаем Specify an ARN, вводим в поле ранее полученный ARN слоя. Нажимаем Verify, чтобы убедиться, что все корректно. Наконец жмем Add, чтобы прикрепить слой к функции. 

Протестируем, что в окружении AWS теперь действительно есть наши зависимости. Для этого прямо в браузере модифицируем код, чтобы функция в ответ печатала версию библиотеки для работы с Telegram из наших зависимостей. Нажимаем Deploy, чтобы изменения вступили в силу.

import json
import telegram

def lambda_handler(event, context):
    # TODO implement
    return {
        'statusCode': 200,
        'body': json.dumps(f'Telegram version is {telegram.__version__}')
    }

Прежде чем AWS даст протестировать наш код, нужно создать тестовое событие. Для этого нажимаем на большую оранжевую кнопку Test. В нашем случае нам не нужно делать ничего, кроме как дать событию имя вроде my_test_event. В других случаях в функцию можно передавать различные JSON - объекты и удобно смотреть, как она их обрабатывает. 

Снова нажимаем большую оранжевую кнопку Test и AWS запускает наш код. Переходим во вкладку Execution result и видим, что функция вернула корректную строку Telegram library version is 6.1.0. Это значит, что наши зависимости в окружении и можно идти дальше.

4. Задаем переменные среды

Мы собираемся обновлять Telegram-канал с помощью нашей функции. Для этого в код необходимо передать токен для бота, который будет публиковать новые посты в канале в качестве администратора. Лучший способ сделать это — создать Environment variable или переменную среды для токена. Просто вписать токен в тело кода небезопасно. Чтобы создать переменную среды переходим в Configuration -> Environment variables -> Edit.

Добавляем переменную с названием telegram_token и значением токена, который мы ранее получили от бота: 

5. Выставляем таймаут

Также поменяем таймаут функции или максимальное время ее работы. По умолчанию у AWS Lambda функций он выставлен на 3 секунды, что слишком мало для нашего случая. Для этого перейдем General configuration -> Edit.

Для нас больше подходит таймаут в 15 минут: 

6. Настраиваем роли

По умолчанию AWS не разрешает использовать DynamoDB из AWS Lambda. Это сделано из соображений безопасности, поэтому сперва нам нужно настроить права. Для этого наберем в строке поиска Roles. Здесь мы видим список всех ролей, которые есть в нашем аккаунте AWS. Отдельная роль автоматически создается под каждую Lambda-функцию. Мы можем найти роль, которая была создана для нашей ф-и с помощью поиска, как показано на скриншоте: 

Прикрепим к роли ф-и права для управления DynamoDB. Для этого нажимаем Attach policies:

Находим с помощью поиска нужные нам права AmazonDynamoDBFullAccess, выбираем Attach policies:

Перед запуском скрипта посмотрим, что в DynamoDB нет таблиц. Для этого наберем в поиске DynamoDB: 

7. Код

Права настроены, переменные среды инициализированы, зависимости подтянуты. Теперь можно перейти к коду. Используем следующий код: 

import requests
import boto3
from boto3.dynamodb.conditions import Key
from bs4 import BeautifulSoup
from botocore.exceptions import ClientError
import telegram
import os

def lambda_handler(event, context):

    # Create table if necessary
    dynamodb = boto3.resource('dynamodb', region_name='us-east-2')
    table_name = 'HardwaxLinks' 
    try:
        params = {
            'TableName': table_name,
            'KeySchema': [
                {'AttributeName': 'Link', 'KeyType': 'HASH'},
            ],
            'AttributeDefinitions': [
                {'AttributeName': 'Link', 'AttributeType': 'S'}
            ],
            'ProvisionedThroughput': {
                'ReadCapacityUnits': 10,
                'WriteCapacityUnits': 10
            }
        }
        table = dynamodb.create_table(**params)
        table.wait_until_exists()
    except ClientError: 
        table = dynamodb.Table(table_name)

    page_number = 1
    keep_going = True

    while keep_going:
        
        page_url = f'https://hardwax.com/techno/?page={page_number}'
        print(f'Getting albums from {page_url}')

        # Get all album links from page 
        response = requests.get(page_url).content
        soup = BeautifulSoup(response, "html.parser")
        page_album_links = ['https://hardwax.com' + x.get('href')\
                            for x in soup.findAll('a', {'class': 'an'})]

        n_albums = len(page_album_links)
        
        if n_albums > 0:
            
            page_number += 1
            print(f'Got {n_albums} albums...')

            for link in page_album_links:
              
                already_processed =\
                len(table.query(KeyConditionExpression=Key('Link').eq(link))\
                    ['Items']) > 0 # check if a link is in the table
                
                if not already_processed:
                  
                    bot = telegram.Bot(token=os.environ['telegram_token'])
                    bot.send_message(chat_id="@hardwax_techno",\
                           text=f'{link}', parse_mode=telegram.ParseMode.HTML)
                    table.put_item(Item={'Link': link}) # update table
                    print(f'Posted {link}')
                    return 
                else:
                    print(f'Already processed {link}')

        else:
            keep_going = False

Что делает код?

• Создаем таблицу на DynamoDB с одним полем Link. В таблице будет храниться все опубликованные в канале ссылки. Если таблица уже создана, то пропускаем этот шаг. Для этого добавляем try/except блок.

• Переходим по ссылке https://hardwax.com/techno и листаем страницы. На каждой новой странице делаем следующее:

  • Получаем список ссылок на альбомы с этой страницы, используя библиотеку BeautifulSoup. Перестаем листать, если количество таких альбомов 0, т. е. мы дошли до конца. 

  • Для каждой ссылки проверяем, есть ли она в таблице DynamoDB. Это можно делать за константное время, в этом прелесть этой базы данных. Таблица представляет из себя нечто вроде огромного словаря и по хэшу получает значения для ключа (нашей ссылки). В данном случае значением является простое наличие ссылки в таблице.

  • Если ссылка есть в таблице, то пропускаем ее. Это значит, что мы уже публиковали ее в канале. 

  • Если ссылки нет в таблице, то публикуем ее в канал и добавляем в таблицу новую запись. В следующий раз она будет присутствовать в таблице и мы сможем пропустить ее. Как только ссылка опубликована и запись в таблицу добавлена, завершаем выполнение функции. В противном случае продолжаем, пока не найдем ссылку для публикации.

Обновляем файл lambda_function.py из браузера. Не забываем нажать на Deploy, чтобы изменения вступили в силу. Код обновлен, давайте протестируем, нажав Test:

Выполнение завершилось, посмотрим результаты. Из логов видно, что ф-я получила 45 альбомов на первой странице и запостила первый же из них. 

В канале видим опубликованную ссылку на альбом:

Переходим на web-страницу и видим, что это первый альбом в категории. 

Проверим, как изменилась таблица в DynamoDB. Для этого переходим DynamoDB -> Tables -> HardwaxLinks -> Explore table items. Видим, что в таблице появилась наша ссылка.

Проверим, что функция не постит одну и ту же ссылку повторно. Для этого снова запустим ее и посмотрим на логи. Видим, что ф-я пропустила предыдущую ссылку, потому что она уже была опубликована и находится в таблице. 

8. Расписание

Чтобы завершить автоматизацию Telegram-канала настроим расписание. Для этого наберем в поиске Amazon EventBridge -> Schedules:

Выбираем Recurring schedule -> Rate-based schedule. Rate expression = 15 minutes.

Target = AWS Lambda:

Выбираем нашу функцию:

Готово! Посты в канале публикуются с интервалом в 15 минут, без повторений.

9. Что можно улучшить? 

В этом туториале мы многое делали руками. Например, вручную обновляли код в браузере, формировали архив с зависимости и загружали его в AWS. Гораздо удобнее использовать CI/CD пайплайн для кода и зависимостей. Идея такая: вы обновляете репозиторий на GitHub, а функция и слой обновляются автоматически. Подробная инструкция описана в моем предыдущем материале — CI/CD для AWS Lambda через GitHub Actions.