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
  image

• ^ : 以什么字符开头 此处以J开头即可!
  image

• $ : 以什么字符结尾 此处以4结尾即可!
  image

• J开头,中间为任意字符,最后以4结尾
  image

? : 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
  image

• 欲取得字符串 boooooooob

  image

• 然而现实,却是
  image

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
  image

• 于是我们,更改匹配规则
  image

• 结果令人失望!居然还多了个小b!!!
  image
  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!
  image

• 终于......提取成功啦!
  image

限定出现次数

image

| : 表示或关系

image

• 下面更改源字符串
  image

• 规则
  image

• 结果
  image

• 想要提取完整的怎么做呢?
  image

• 结果
  image

[]

image

• 规则
  image

• 结果
  image

• 匹配电话号码
  image

• 规则
  image

• 其中有 ^
  image

\s

image

image

• \S只能匹配一个非空字符!!!
  image
  image

\w

image

image

image

image

汉字编码

image

• 源字符串
  image

• 想提取到底是什么大学
  image

• 这样也是不行的,又产生了贪婪匹配问题
  image

• 所以要加上 ?取消贪婪

  image
  完美提取XX大学

d D

image

• 源字符串
  image

• 想提取1997

• 这样是不够的,只能提取出7
  image

• 这样就ok啦!
  image

• 或者必须取消贪婪
  image

综合实战

• 源字符串
  image

• 可提取1,2,3,4
  image

• 以下为完美解决规则
  image

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
  image
  image

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
  image

• 广度优先
  image

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
  image

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
  image

• 在调用encode之前,必须把前面的变量转化为Unicode编码.
  image

• 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
  image

• 所以每次执行encode前必须先decode成Unicode编码
  image

• 正因为Python2存在编解码问题,所以老项目都需要一个文件头
  image

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!!!

image

参考

正则表达