Python分布式爬虫(三) - 爬虫基础知识

470 阅读8分钟

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!!!![](https://mmbiz.qpic.cn/mmbiz_png/PlhAddctCRXMWLbhBpkaUrP89DN8tKGCOMXf987rIvs54icvONnm2PlOWvurW4hq29DqLGnpQWKVra4ElXFFHXQ/640?wx_fmt=png)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

以下为 Python2 操作环境!!!

py字符串在内存中全是用Unicode进行编码的
在Mac下实际上默认是utf8编码

在调用encode之前,必须把前面的变量转化为Unicode编码.

原本是utf8编码的不能直接编码成utf8,因为Python中使用encode方法,前面的变量必须都是Unicode编码的

所以每次执行encode前必须先decode成Unicode编码![](https://mmbiz.qpic.cn/mmbiz_png/PlhAddctCRXMWLbhBpkaUrP89DN8tKGC8IazYJPdO0FoB7SJlTKbYJqw9DJD4N5DF5vicwKymqPdiaUGqwfJz9ibA/640?wx_fmt=png)
正因为Python2存在编解码问题,所以老项目都需要一个文件头

Python3则不存在此问题,内部全部使用Unicode编码!!!

以下为 Python3 操作环境!!!

参考

正则表达