您现在的位置是:Instagram刷粉絲, Ins買粉絲自助下單平台, Ins買贊網站可微信支付寶付款 >
03 買粉絲爬蟲工具(如何利用爬蟲爬買粉絲買粉絲的內容?)
Instagram刷粉絲, Ins買粉絲自助下單平台, Ins買贊網站可微信支付寶付款2024-05-29 04:58:26【】0人已围观
简介網有N個網站,那么分析一下判重的復雜度就是N*log(N),因為所有網頁要遍歷一次,而每次判重用set的話需要log(N)的復雜度。OK,OK,我知道python的set實現是hash——不過這樣還是
通常的判重做法是怎樣呢?Bloom Filter. 簡單講它仍然是一種hash的方法,但是它的特點是,它可以使用固定的內存(不隨url的數量而增長)以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐,它的唯一問題在于,如果這個url不在set中,BF可以100%確定這個url沒有看過。但是如果這個url在set中,它會告訴你:這個url應該已經出現過,不過我有2%的不確定性。注意這里的不確定性在你分配的內存足夠大的時候,可以變得很小很少。一個簡單的教程:Bloom Filters by Example
注意到這個特點,url如果被看過,那么可能以小概率重復看一看(沒關系,多看看不會累死)。但是如果沒被看過,一定會被看一下(這個很重要,不然我們就要漏掉一些網頁了!)。 [IMPORTANT: 此段有問題,請暫時略過]
好,現在已經接近處理判重最快的方法了。另外一個瓶頸——你只有一臺機器。不管你的帶寬有多大,只要你的機器下載網頁的速度是瓶頸的話,那么你只有加快這個速度。用一臺機子不夠的話——用很多臺吧!當然,我們假設每臺機子都已經進了最大的效率——使用多線程(python的話,多進程吧)。
3)集群化抓取
爬取豆瓣的時候,我總共用了100多臺機器晝夜不停地運行了一個月。想象如果只用一臺機子你就得運行100個月了...
那么,假設你現在有100臺機器可以用,怎么用python實現一個分布式的爬取算法呢?
我們把這100臺中的99臺運算能力較小的機器叫作slave,另外一臺較大的機器叫作master,那么回顧上面代碼中的url_queue,如果我們能把這個queue放到這臺master機器上,所有的slave都可以通過網絡跟master聯通,每當一個slave完成下載一個網頁,就向master請求一個新的網頁來抓取。而每次slave新抓到一個網頁,就把這個網頁上所有的鏈接送到master的queue里去。同樣,bloom filter也放到master上,但是現在master只發送確定沒有被訪問過的url給slave。Bloom Filter放到master的內存里,而被訪問過的url放到運行在master上的Redis里,這樣保證所有操作都是O(1)。(至少平攤是O(1),Redis的訪問效率見:LINSERT – Redis)
考慮如何用python實現:
在各臺slave上裝好scrapy,那么各臺機子就變成了一臺有抓取能力的slave,在master上裝好Redis和rq用作分布式隊列。
代碼于是寫成
#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = "買粉絲.renmingribao.買粉絲"
while(True):
if request == 'GET':
if distributed_queue.size()>0:
send(distributed_queue.get())
else:
break
elif request == 'POST':
bf.put(request.url)
好的,其實你能想到,有人已經給你寫好了你需要的:darkrho/scrapy-redis · GitHub
4)展望及后處理
雖然上面用很多“簡單”,但是真正要實現一個商業規模可用的爬蟲并不是一件容易的事。上面的代碼用來爬一個整體的網站幾乎沒有太大的問題。
但是如果附加上你需要這些后續處理,比如
有效地存儲(數據庫應該怎樣安排)
有效地判重(這里指網頁判重,咱可不想把人民日報和抄襲它的大民日報都爬一遍)
有效地信息抽取(比如怎么樣抽取出網頁上所有的地址抽取出來,“朝陽區奮進路中華道”),搜索引擎通常不需要存儲所有的信息,比如圖片我存來干嘛...
及時更新(預測這個網頁多久會更新一次)
如你所想,這里每一個點都可以供很多研究者十數年的研究。雖然如此,
“路漫漫其修遠兮,吾將上下而求索”。
所以,不要問怎么入門,直接上路就好了:)關注買粉絲買粉絲“Python基礎教程”,學python更輕松!
很赞哦!(8922)
相关文章
- 01 國際貿易結算單證制作(簡述不同結算方式下制單的主要依據)
- 01 國際貿易磋商模板(國際貿易磋商英文談判對話內容)
- 01 國際貿易論文參考文獻2021(2021幼兒園入學準備教育指導要點在論文里引用了,參考文獻怎么寫?)
- 01 我國對外貿易發展歷程(談談中國對外貿易迅速發展的原因)
- 01 我國文化貿易現狀與對策分析(我國貿易保護理論發展的現狀)
- 01 我國在國際貿易中常用的貿易術語是(國際貿易的主要貿易術語有哪些?)
- 01 國際貿易簡稱英文縮寫(世界貿易組織的英文縮寫是什么?)
- 01 國際貿易證書含金量高(國貿含金量高的證書有哪些)
- 01 國際貿易融資產品 英語(國際貿易融資的定義以及類型)
- 01 我國紡織品出口貿易現狀圖文并茂(對當今女裝市場的分析)
热门文章
站长推荐
01 國際貿易考研分數線(對外經濟貿易大學2022分數線)
01 國際貿易綜合實訓實驗報告目的(財務會計實訓學生自我總結)
01 我國煤炭行業的貿易情況(煤炭行業發展現狀及趨勢怎么寫?)
01 國際貿易類書籍讀后感(【《國富論》讀后感3000字】國富論讀后感3000字)
01 我國海外倉分布(什么是海外倉)
01 國際貿易規范包括哪些類型(國際貿易規則有哪些)
01 我國對外貿易中品牌營銷的現狀與策略探討(我國出口企業品牌戰略的實施和研究現狀存在的問題應采取的措施(越詳細越好,最好附出處)急用!謝謝!)
01 我國海外利益安全事例(詟虄葌涓嬫垜瀹跺疂瀹濓紝鏍規嵁鎴戜滑淇╁拰浠栨墍鐢熺殑鏈堜喚鐢熷埌7鏈堝ソ榪樻槸8鏈堝ソ閭o紝楹葷...)