基础知识
爬虫发展史
爬虫去重
1. 存储到数据库中
存取速度慢
2. 存储到内存中的集合里,内存占用十分大
当爬取数据有1亿条时
1*10**8*2Byte*50str_len/1024/1024/1024 = 9
结果显示仅仅爬取1亿条url数据就占用了9个G的内存,显然是不合适的
3. 将url经过md5等哈希方法存储在集合中
一般一个md5占用128位,16Byte,结果大约为1.5G与上种方法相比,大大减少了内存占用
4. 使用bitmap位图法
将url经过哈希后的md5值通过hash函数映射到某一位上
一个url占据一位,同样的一个亿的数据,内存大约占据12M的内存大小。相比与hash方法又占用的内存又小了几个数量级
这种方法带来的冲突会导致,再寻址
虽然极大降低了内存占用,但是牺牲了运行时间
5. bloomfilter方法
对bitmap优化后的方法,减少了hash冲突的可能性
Scrapy入门
介绍
Scrapy,Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
github项目
https://github.com/scrapy/scrapy
scrapy架构
新建scrapy工程
在虚拟环境中,workon
scrapy startproject TestSpider
This will create a tutorial
directory with the following contents:
TestSpider/
scrapy.cfg # deploy configuration file TestSpider/ # project's Python module, you'll import your code from here __init__.py items.py # project items definition file middlewares.py # project middlewares file pipelines.py # project pipelines file settings.py # project settings file spiders/ # a directory where you'll later put your spiders __init__.py
cd TestSpider scrapy genspider example example.com
简单运行一下工程
# 创建一个main.py文件
from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy", "crawl", "jobbole"])
# 在虚拟环境中执行
scrapy crawl jobbole
# 或者直接运行我们的main.py文件
***
# 提示缺少模块
pip install pypiwin32
# 配置settings,不遵循OBEY协议
ROBOTSTXT_OBEY = False
# 快速调试工程,一次请求,多次测试
scrapy shell <url_path>
Scrapy内置settings
BOT_NAME
默认: 'scrapybot'
Scrapy项目实现的bot的名字。用来构造默认 User-Agent,同时也用来log。
当你使用 startproject 命令创建项目时其也被自动赋值。CONCURRENT_ITEMS
默认: 100
Item Processor(即 Item Pipeline) 同时处理(每个response的)item的最大值CONCURRENT_REQUESTS
默认: 16
Scrapy downloader 并发请求(concurrent requests)的最大值。CONCURRENT_REQUESTS_PER_DOMAIN
默认: 8
对单个网站进行并发请求的最大值。CONCURRENT_REQUESTS_PER_IP
默认: 0
对单个IP进行并发请求的最大值。如果非0,则忽略 CONCURRENT_REQUESTS_PER_DOMAIN 设定, 使用该设定。 也就是说,并发限制将针对IP,而不是网站。
该设定也影响 DOWNLOAD_DELAY: 如果 CONCURRENT_REQUESTS_PER_IP 非0,下载延迟应用在IP而不是网站上。DEFAULT_ITEM_CLASS
默认: 'scrapy.item.Item'
the Scrapy shell 中实例化item使用的默认类。DEFAULT_REQUEST_HEADERS
默认:{ 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en', }
Scrapy HTTP Request使用的默认header。由 DefaultHeadersMiddleware 产生。
DOWNLOADER
默认: 'scrapy.core.downloader.Downloader'
用于crawl的downloader.DOWNLOADER_MIDDLEWARES
默认:: {}
保存项目中启用的下载中间件及其顺序的字典。DOWNLOAD_DELAY
默认: 0
下载器在下载同一个网站下一个页面前需要等待的时间。该选项可以用来限制爬取速度, 减轻服务器压力。同时也支持小数:DOWNLOAD_HANDLERS
默认: {}
保存项目中启用的下载处理器(request downloader handler)的字典。DOWNLOAD_TIMEOUT
默认: 180
下载器超时时间(单位: 秒)。EXTENSIONS
默认:{}
保存项目中启用的插件及其顺序的字典。ITEM_PIPELINES
默认: {}
保存项目中启用的pipeline及其顺序的字典。该字典默认为空,值(value)任意。 不过值(value)习惯设定在0-1000范围内。ITEM_PIPELINES_BASE
默认: {}
保存项目中默认启用的pipeline的字典。 永远不要在项目中修改该设定,而是修改 ITEM_PIPELINES 。LOG_ENABLED
默认: True
是否启用logging。LOG_ENCODING
默认: 'utf-8'
logging使用的编码。LOG_FILE
默认: None
logging输出的文件名。如果为None,则使用标准错误输出(standard error)。LOG_FORMAT
默认: '%(asctime)s [%(name)s] %(levelname)s: %(message)s'
日志的数据格式LOG_DATEFORMAT
默认: '%Y-%m-%d %H:%M:%S'
日志的日期格式LOG_LEVEL
默认: 'DEBUG'
log的最低级别。可选的级别有: CRITICAL、 ERROR、WARNING、INFO、DEBUG。LOG_STDOUT
默认: False
如果为 True ,进程所有的标准输出(及错误)将会被重定向到log中。RANDOMIZE_DOWNLOAD_DELAY
默认: True
如果启用,当从相同的网站获取数据时,Scrapy将会等待一个随机的值 (0.5到1.5之间的一个随机值 * DOWNLOAD_DELAY)。
该随机值降低了crawler被检测到(接着被block)的机会。某些网站会分析请求, 查找请求之间时间的相似性。REDIRECT_MAX_TIMES
默认: 20
定义request允许重定向的最大次数。超过该限制后该request直接返回获取到的结果。 对某些任务我们使用Firefox默认值。ROBOTSTXT_OBEY
默认: False
是否遵循robots协议SCHEDULER
默认: 'scrapy.core.scheduler.Scheduler'
用于爬取的调度器。SPIDER_MIDDLEWARES
默认: {}
保存项目中启用的下载中间件及其顺序的字典。USER_AGENT
默认: "Scrapy/VERSION (+http://scrapy.org)"
爬取的默认User-Agent,除非被覆盖。