python数据去重的一些方案

学习爬虫技术的主要作用就是能获取数据，很多爬虫小伙伴每天需要获取的数据量都不小，这也跟业务需求量有关系。我们在使用python采集大量数据的时候有一些方式，有需求的可以借鉴学习下。 1、先学习 Python 包并实现基本的爬虫过程，Python中爬虫的包很多，初学建议可以从requests包和Xpath包开始学习，requests包主要负责连接网站，返回网页，而Xpath用于解析网页，便于抽取数据。还有其他的一些功能强大的包可以去慢慢的了解下。 2、掌握反爬虫技术，我们在爬虫过程中一般会遇到网站封IP、动态加载或各种奇怪的验证码和userAgent访问限制等问题。这时我们就需要控制用访问频率、使用代理IP池、抓包、验证码的OCR等手段来解决。最简单的代理池的使用可以分享给大家参考下：

#! -- encoding:utf-8 --

代码语言：javascript复制

import requests
import random

# 要访问的目标页面
targetUrl = "http://httpbin.org/ip"

# 要访问的目标HTTPS页面
# targetUrl = "https://httpbin.org/ip"

# 代理服务器(产品官网 www.16yun.cn)
proxyHost = "t.16yun.cn"
proxyPort = "31111"

# 代理验证信息
proxyUser = "username"
proxyPass = "password"

proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
    "host" : proxyHost,
    "port" : proxyPort,
    "user" : proxyUser,
    "pass" : proxyPass,
}

# 设置 http和https访问都是用HTTP代理
proxies = {
    "http"  : proxyMeta,
    "https" : proxyMeta,
}


#  设置IP切换头
tunnel = random.randint(1,10000)
headers = {"Proxy-Tunnel": str(tunnel)}



resp = requests.get(targetUrl, proxies=proxies, headers=headers)

print resp.status_code
print resp.text

3、数据去重，爬虫可以根据不同的场景制定不同的去重方案。比如：（1）少量数据，只有几万或者十几万条的情况，可以使用Map或Set便可；（2）中量数据，如果是几百万或者上千万，使用BloomFilter可以解决；（3）大量数据，上亿或者几十亿，Redis可以解决。以上这些只是分享，大家如果有更好的方式可以留言交流学习下。

suger今天 15:4700

爬虫 代理 数据 数据去重 python

0 人点赞