Python分布式爬虫实战(三) - 爬虫基础知识

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

代码语言：javascript复制

^ : 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