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2024-07-24 11:27:55【】3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!(6583)
相关文章
- 02 國外經濟貿易專業(國際貿易專業屬于經濟學類嗎?)
- 04 滴滴出行海外版好用嗎(滴滴在海外用什么地圖軟件)
- 04 溶血性貧血網織紅細胞增多的原因(溶血性輸血反應簡介)
- 04 熊出沒之年貨有人砍樹(熊出沒的觀后感)
- 04 瑞衣瑪貿易(北京)有限公司上海分公司(誰有在瑞典的中國朋友)
- 04 煉化及貿易板塊龍頭(十大鋰礦龍頭股一覽表)
- 04 湖南達百越貿易有限公司(深圳市鳳崗鎮美達玩具廠怎么樣)
- 02 國家地理雜志英文版訂閱分享是什么(美國的國家地理雜志是什么,專門提供那方面的知識?)
- 02 國安部買粉絲是哪個(有什么好看的穿越小說 一對一的)
- 02 國家電網海外投資公司(華潤電力和國家電網的關系)
热门文章
站长推荐
04 澳大利亞對華貿易占比(澳大利亞對華貿易暴跌40%,是什么原因導致的?)
02 國軒高科海外事業部 康(比亞迪宋pro的電池誰給他代工)
04 湖南臻潤壹貿易有限公司(請問湖南牲豬養殖合作社221年還審過了怎么今天發現怎么不知道怎么自動注銷了+?)
02 國家為什么要大力支持海外倉(有了英國VAT英國海外倉,可以使用其他歐盟國家海外倉和FBA嗎?)
04 煤炭貿易商現狀(俄羅斯煤炭開發利用現狀)
04 湖南能德貿易有限公司(500 萬元/集,騰訊 2 個億拿下陳道明、靳東主演新劇《無間》,唐德影視能否借此翻身?)
02 國外網紅經濟研究現狀英文標題(網紅經濟下“電商+直播”模式發展研究的選題意義)
02 國外的貿易平臺(國外外貿平臺有哪些?)