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 <yourvenvname> scrapy startproject TestSpider
This will create atutorialdirectory 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', } - 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。