python 爬蟲算法、技巧

http://www.cnblogs.com/mafeng/p/5651323.html
技巧:https://sanwen8.cn/p/40f652M.html

開發(fā)筆記:

爬蟲原理:
分為數(shù)據(jù)采集抱完、處理蔚舀、存儲
傳統(tǒng)爬蟲是拿幾個頁面當(dāng)初始頁面,獲取頁面的url吃粒,當(dāng)url到達指定數(shù)量潦俺,開始爬去
爬蟲架構(gòu):
啟動程序(提供需要分析的初始頁面):
負責(zé)把初始信息交由控制器處理
控制器(爬蟲、多線程徐勃、爬去網(wǎng)頁內(nèi)容):
爬取所有url頁面事示。
算法:廣度優(yōu)先算法,深度優(yōu)先算法
解析器(過濾空格僻肖、CSS肖爵、js、HTML標(biāo)簽):
解析爬取下來的頁面
資源庫(數(shù)據(jù)存儲:elasticsearch檐涝、redis遏匆、mysql) :
保存解析后的數(shù)據(jù)

小貼士:

關(guān)于為什么要使用DNS先解析URL:
在用戶請求一個網(wǎng)頁時輸入域名,域名服務(wù)器會自動轉(zhuǎn)換為IP地址谁榜,如果爬蟲每次爬去的網(wǎng)頁都在同一個域名下幅聘,那么每次解析的開銷會非常大,浪費時間窃植。
什么是深度優(yōu)先算法帝蒿,優(yōu)點挖得深,缺點:
根據(jù)起始頁獲取來的一個鏈接一直跟下去巷怜,直到處理完當(dāng)前這條線路葛超,在專向下一個起始頁的鏈接。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末延塑,一起剝皮案震驚了整個濱河市绣张,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌关带,老刑警劉巖侥涵,帶你破解...
    沈念sama閱讀 217,277評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡芜飘,警方通過查閱死者的電腦和手機务豺,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,689評論 3 393
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來嗦明,“玉大人笼沥,你說我怎么就攤上這事∪⑴疲” “怎么了奔浅?”我有些...
    開封第一講書人閱讀 163,624評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長裙戏。 經(jīng)常有香客問我乘凸,道長,這世上最難降的妖魔是什么累榜? 我笑而不...
    開封第一講書人閱讀 58,356評論 1 293
  • 正文 為了忘掉前任营勤,我火速辦了婚禮,結(jié)果婚禮上壹罚,老公的妹妹穿的比我還像新娘葛作。我一直安慰自己,他們只是感情好猖凛,可當(dāng)我...
    茶點故事閱讀 67,402評論 6 392
  • 文/花漫 我一把揭開白布赂蠢。 她就那樣靜靜地躺著,像睡著了一般辨泳。 火紅的嫁衣襯著肌膚如雪虱岂。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,292評論 1 301
  • 那天菠红,我揣著相機與錄音第岖,去河邊找鬼。 笑死试溯,一個胖子當(dāng)著我的面吹牛蔑滓,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播遇绞,決...
    沈念sama閱讀 40,135評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼键袱,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了摹闽?” 一聲冷哼從身側(cè)響起蹄咖,我...
    開封第一講書人閱讀 38,992評論 0 275
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎付鹿,沒想到半個月后澜汤,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體铝量,經(jīng)...
    沈念sama閱讀 45,429評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,636評論 3 334
  • 正文 我和宋清朗相戀三年银亲,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片纽匙。...
    茶點故事閱讀 39,785評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡务蝠,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出烛缔,到底是詐尸還是另有隱情馏段,我是刑警寧澤,帶...
    沈念sama閱讀 35,492評論 5 345
  • 正文 年R本政府宣布践瓷,位于F島的核電站院喜,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏晕翠。R本人自食惡果不足惜喷舀,卻給世界環(huán)境...
    茶點故事閱讀 41,092評論 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望淋肾。 院中可真熱鬧硫麻,春花似錦、人聲如沸樊卓。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,723評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽碌尔。三九已至浇辜,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間唾戚,已是汗流浹背柳洋。 一陣腳步聲響...
    開封第一講書人閱讀 32,858評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留颈走,地道東北人膳灶。 一個月前我還...
    沈念sama閱讀 47,891評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像立由,于是被迫代替她去往敵國和親轧钓。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,713評論 2 354

推薦閱讀更多精彩內(nèi)容

  • Spring Cloud為開發(fā)人員提供了快速構(gòu)建分布式系統(tǒng)中一些常見模式的工具(例如配置管理锐膜,服務(wù)發(fā)現(xiàn)毕箍,斷路器,智...
    卡卡羅2017閱讀 134,654評論 18 139
  • 要玩大數(shù)據(jù)文捶,沒有數(shù)據(jù)怎么玩?這里推薦一些33款開源爬蟲軟件給大家媒咳。 爬蟲粹排,即網(wǎng)絡(luò)爬蟲,是一種自動獲取網(wǎng)頁內(nèi)容的程序...
    評評分分閱讀 7,994評論 2 121
  • 視頻課程涩澡,大家可以點擊 選擇合適的關(guān)鍵字以吸引客戶 為了讓您的廣告能夠在用戶搜索您的同類產(chǎn)品或服務(wù)時獲得展示顽耳,您選...
    amygoogle閱讀 423評論 0 0
  • 是你自己教會了別人以什么方式對待你!
    鮑鮑愛吃魚閱讀 254評論 0 0
  • 多年以前妙同,多人以后射富,我們大多還在這個城市踽踽獨行,不做作粥帚,不將就胰耗,有一些落寞,有一點孤寂芒涡,青春檔的...
    高清清閱讀 348評論 0 1