首页手记 Python分布式爬虫实战(三) - 爬虫基础知识

Python分布式爬虫实战(三) - 爬虫基础知识

标签：

Python 爬虫

0 相关源码

1 技术选型爬虫能做什么

1.1 scrapy VS requests + beautifulsoup

做爬虫的时候，经常都会听到scrapy VS requests + beautifulsoup的组合
在本次分布式爬虫实现中只用scrapy而不用后者的原因是：

requests 和 beautifulsoup 都是库，scrapy是一个框架
框架中可以应用requests等，可以集合很多第三方库
基于twisted(异步IO框架)
性能是最大的优势
方便扩展
提供了很多内置的功能，提高开发速度
内置css和xpath selector
对html或者xml进行分析,非常方便,beautifulsoup缺点就是慢

实践中还是会用到requests，但是不会用到beautifulsoup，因为它的功能可以直接使用scrapy的select完成.

1.2 网页分类

常见类型的服务

静态网页
事先在服务器端生成好的页面，内容固定
动态网页
从服务器端取数据返回
webservice（REST API）
也是属于动态网页的一种，只是通过ajax方式和后台交互的一种技术

1.3 爬虫能做什么

搜索引擎-百度，google，垂直领域搜索引擎（有一个目标，知道自己到底爬什么数据）
推荐引擎-今日头条（根据浏览习惯猜测感兴趣的内容进行推送）
机器学习的数据样本
数据分析-金融数据分析，舆情分析

2 正则表达式

2.1 为何需要

为什么有css或者xpath selector还要学正则表达式，有时候根据selector获得了整个标签内的内容，但是还要进行进一步的筛选，比如里面的数字信息等

2.2 作用

可以帮我们判断某个字符串是否符合某一个模式
提取整个字符串里面的重要的部分信息

2.3 常用字符的用法

^ : 以什么字符开头
$ : 以什么字符结尾
. : 任意字符
* ：出现任意次数，0次或者更多次
()：还提取按模式取出来的子串。例如，".*(b.*b).*"表示不管前后是什么的两个b之间的子串
? ：下面详解
+ ：字符至少出现一次
{1}：前面的字符出现一次
{3，}: 要求前面的字符必须出现3次以上
{2,5}：前面的字符至少出现2次，最少出现5次
| ： 或的关系
[] : 中括号里面的内容只要满足任何一个即可，也可以是一个区间，中括号里面的^表示不等于，中括号里面的符号就是符号，不是特殊符号的含义
\s ：表示空格符
\S : 刚好与小s的意思相反，只要不是空格都可以
\w : 表示[A-Za-z0-9_]其中的任意一个字符
\W : 与w的意思刚好相反
[\u4E00-\u9FA5] : unicode编码，含义是汉字，意思是只要出现汉字就可以。
\d : 表示数字

2.4 coding 演示

新建项目
^ : 以什么字符开头
此处以J开头即可!
$ : 以什么字符结尾
此处以4结尾即可!
J开头,中间为任意字符,最后以4结尾

? : 非贪婪匹配模式

默认的情况下，匹配是贪婪模式，匹配最大长度
比如对于 “bobby123"这个待匹配的，结果就是bb，而不是bobb，所以这就是贪婪，反向匹配（或者理解成直到结束符合的最后一个结果）
非贪婪匹配就是从左边开始，只需要出现一个结果就可以了,”.?(b.?b).“表示对两个b从左到右只要出现一次就可
”.?(b.b)."第二个b不要问好，那么第二个b就是贪婪模式，会持续匹配到最后一个b

现在源数据变更为
欲取得字符串boooooooob
然而现实,却是

非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串“oooo”，“o+?”将匹配单个“o”，而“o+”将匹配所有“o”。

此处贪婪匹配最开始时反向匹配,从右向左,所以得到bb结果串!就无法提取目标串!何解?

那就需要我们的 ?了!变成一种非贪婪模式
于是我们,更改匹配规则
结果令人失望!居然还多了个小b!!!

虽然左部分正常匹配左边的b了,但是规则的右部分依旧贪婪匹配!必须让规则右边的b不要那么贪婪!给他也加个?修饰~即可!
终于…提取成功啦!

限定出现次数

| : 表示或关系

下面更改源字符串
规则
结果
想要提取完整的怎么做呢?
结果

[]

规则
结果
匹配电话号码
规则
其中有^

\s

\S只能匹配一个非空字符!!!

\w

w不满足的空格,W满足!

汉字编码

源字符串
想提取到底是什么大学
这样也是不行的,又产生了贪婪匹配问题
所以要加上?取消贪婪

完美提取XX大学

d D

源字符串
想提取1997
这样是不够的,只能提取出7
这样就ok啦!
或者必须取消贪婪

综合实战

源字符串
可提取1,2,3,4
以下为完美解决规则

3 深度优先和广度优先原理

爬虫的基本原理，一个网站的url设计是分层的，树形结构，能够让我们爬取网站的时候更加有策略。
在设计网站url时候是不会有环路的，但是在真实网站url链接的结构中，是有环路的。
比如，从首页到达某个页面，这个页面上会有返回首页的链接。如果一直进入这个死循环，那么其他页面就爬取不到内容了。所以需要用到网页的去重。
伯乐在线网站的文章爬取其中获取到的文章url是不会重复的，就不需要去重。但大多数文章都需要去重。

树形结构的URL设计

scrapy默认使用深度优先实现的，深度优先使用递归实现的，广度优先是采用队列来实现的

深度优先
广度优先

4 爬虫去重策略

将访问过的url保存到数据库中
获取url时查询一下是否爬过了.虽然数据库中有缓存,但是每次都查询效率很低.
将url保存到set中
只需要O(1)的代价就可以查询到url，但是内存占用会越来越大
假设有1亿条url，那么就需要1亿 x 2byte x 50字符/1024/1024/1024=8G
url经过md5等方法后保存到set中
将url压缩到固定长度而且不重复，scrapy实际上就是应用这种方法
用bitmap方法
将访问过的url通过hash函数映射到某一位，对内存压缩更大，缺点是冲突比较高
bloomfilter方法对bitmap进行改进
多重hash函数降低冲突可能性。即减少内存，又减少冲突。

5 字符串编码

字符串编码，写文件以及网络传输过程中，调用某些函数，经常碰到提示编码错误.

计算机只能处理数字,文本转换为数字才能处理.
计算机中8个bit作为一个字节，所以一个字节能表示最大的数字就是255
计算机是美国人发明的
一个字节可以表示所有字符了,所以ASCII(一个字节)编码就成为美国人的标准编码
但是ASCII处理中文明显是不够的
中文不止255个汉字，所以中国制定了GB2312编码，用两个字节表示一个汉字.
GB2312还把ASCII包含进去了，同理，日文，韩文等等上百个国家为了解决这个问题就都发展了一套字节的编码，标准就越来越多，如果出现多种语言混合显示就一定会出现乱码.
于是unicode出现了,将所有语言统一到一套编码里

看一下ASCII和unicode编码:

字母A用ASCII编码十进制是65，二进制 0100 0001
汉字"中" 已近超出ASCII编码的范围，用unicode编码是20013二进制是01001110 00101101
A用unicode编码只需要前面补0二进制是 00000000 0100 0001
乱码问题解决了，但是如果内容全是英文，unicode编码比ASCII编码需要多一倍的存储空间，传输也会变慢
所以此时出现了可变长的编码utf-8
把英文：1字节，汉字3字节，特别生僻的变成4-6字节，如果传输大量的英文，utf8作用就很明显。Unicode编码虽然占用空间但是因为占用空间大小等额，在内存中处理会简单一些。
关于Mac(Linux同理)下编码格式问题