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2024-06-07 06:05:48【】6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!(2555)
相关文章
- 02 網織紅細胞數值偏低(網織紅細胞計數偏低是什么問題?)
- 02 網紅香蕉面包(市民跑者適用的肝糖超補法)
- 02 網織紅細胞染色時,染液與血液比例為(如何對網織紅細胞顯微鏡計數法進行質量控制)
- 06 秦皇島恒豐偉業汽車貿易有限公司(汽車前擋風玻璃怎么區分進口和國產?)
- 02 網織紅細胞是檢查什么病(誰知道血常規檢查中那些英文簡稱都是什么)
- 02 網織紅細胞比值計算公式(兒童鉛中毒案例及解析_兒童鉛中毒多不多)
- 06 粉絲在店里買的車子(新買了一輛汽車,車里面要購買攜帶哪些一些用到,必備的東西呀?我問的是必備的,不是車內裝飾品。)
- 02 網紅露西離婚了嗎知乎(不想成為網紅的原因知乎)
- 06 第二屆中國中部投資貿易博覽會開幕式大型晚會(梁以全的次子少飛)
- 02 網織紅細胞的結構特點是含少量核糖體(血細胞富含什么?該成分的特點是?)
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的名片
职业:程序员,设计师
现居:河北省张家口尚义县
工作室:小组
Email:[email protected]
热门文章
站长推荐
06 粉絲買什么車最好(別再看銷量買車了!真正懂車的人通常會選擇這9款,舒服又好開)
02 網織紅細胞合成血紅蛋白的結構式(成熟紅細胞不能合成血紅蛋白網織紅細胞尚有合成血紅蛋白的能力)
02 網紅零食店怎么開(怎么加盟零食店?)
06 秦皇島第一醫院體檢中心買粉絲買粉絲(明令禁煙的場所抽煙會受到什么處罰?)
06 秦皇島對外貿易職業學院怎么樣(請問現在有沒有不需要高考成績和高中畢業證書的好一點的專科學校?急需!!)
06 秋季運動會買粉絲模板(冬季運動會開幕式校長致辭模板)
02 網織紅細胞檢測原理敘述錯誤的是(2017年醫學檢驗技術中級考試試題及答案(2))
06 粘貼訂閱鏈接下載配置文件時顯示(有誰知道在線播放的影片怎么下載嗎)