资讯专栏INFORMATION COLUMN

2016年,我对爬虫的总结

netmou / 3138人阅读

摘要:都说年末了,该给自己写写总结了。我现在做一些简单的爬虫都会用它。并且对数据的实时性要求较高,或者爬数据的时候封的太厉害了。对于这一类的爬虫。消息队列用于分发消息给某个爬虫节点。爬虫节点完成具体的爬虫,格式化爬虫数据。最后,感谢我的,谢谢

都说年末了,该给自己写写总结了。今天我想谈一谈的是我在公司这一年多里的负责的部分工作---爬虫。做了这么久的爬虫,是该写点什么,留下点什么。在我所负责的这一段时间了。我总结了一下大概有以下几类爬虫设计思想。

简单服务器定时爬虫

客户端爬虫

lua解析

javascript解析

服务器离线爬虫

下面在来细聊以下。

服务器-定时简单爬虫

在最开始的时候,我们做的就是这个。这应该是最简单的爬虫了。搜索引擎搜出来的大概就是这一类了。

这一类的爬虫特点是我只需要爬取一个网站的某一部分数据,发起http请求做html解析,然后存数据库,就完了。比如一些其他网站提供的一些公共数据,或者不要求实时性的数据。如汽车之家的汽车数据,如英雄联盟的英雄数据,如政府网站的某些展示数据。我用过scrapy来抓取dota2的一些数据,后来发现scrapy不一定完全在自己掌控中,我自己写了一个爬虫框架,叫Tspider。我现在做一些简单的爬虫都会用它。基于php的协程与curl_multi_*函数集实现的。单进程可到2000有效处理/min。

这一类的爬虫处理流程大概类似如下

网上宣传的诸如《xxx抓取淘宝MM照片》、《我从知乎偷取了多少数据》等等爬虫,大概如此。《21天精通xx语言》的既视感。

这一类的爬虫的优点大概就是简单吧。

客户端解析(lua、javascript)

我们公司是做移动端产品的,假如你也恰好是有(android/ios)客户端支持的。并且对数据的实时性要求较高,或者爬数据的时候ip封的太厉害了。可以试试我下面说的方式。我给他取名叫客户端解析

在这一类爬虫中,需要客户端嵌入脚本执行引擎。把http的请求与数据解析放到客户端去执行。最后把数据呈现出来或者上报给服务器。准确度、实时性较高。

脚本:脚本的作用不过是把对应网站的数据(json、jsonp,html等等)转换为我们需要的数据(格式化数据)。当对方做出改变,我们只需要改变脚本就行。

策略:策略的作用是告诉客户端,你们需要某部分时候,去执行脚本中的哪个方法? 是否需要缓冲?是否需要展示原始网站的内容?等等一些通过服务器控制客户端行为的东西。

离线爬虫:是否需要在服务器爬取,将请求丢给消息队列,离线爬虫系统自己一边玩去。

这种方式至少有两个优点:ip离散,实时性较高。

服务器-离线爬虫系统

对于绝大部分服务,数据的爬取需求,还是需要在服务器完成的。对于这一类的爬虫。架构的设计,需要有很好的扩展性。

爬取请求从后台控制、对外网关而来。

爬虫触发器,就是通过消息队列告诉爬虫节点啥时候爬,爬谁的数据。

后台控制,可以控制支持哪些网站的数据,告警,异常管理。

消息队列用于分发消息给某个爬虫节点。

爬虫节点:完成具体的爬虫,格式化爬虫数据。支持某个网站的爬取,通常修改此次就行了,这里也需要做好统计,做好告警。

去重:去重可以试试布隆过滤器simhash指纹算法和海明距离比较

思想或叫准则吧

总结一下:

只关心对的,不关心错的。错误的,你永远也枚举不完。

在分层结构中,应该是越往最内层,数据(请求)越小,有效数据(请求)占比越高。

备份思想很重要。如果一台机器挂断的概率是百分之一,两台机器同时挂掉的概率就是万分之一。

没有什么万能钥匙,具体问题,具体分析,具体解决。

没有什么完美的解决方案,有些时候需要根据业务做一些取舍。

最后,感谢我的leader——corey,谢谢!

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/38354.html

相关文章

  • 2017中国大学排名爬虫代码修改

    摘要:课程的第单元中嵩天老师给出的中国大学排名爬虫优化代码如果把中的改为就会出错,原因年各校排名数字的格式为而年各校排名数字的格式为,针对这个问题,我对嵩天老师的代码做了一点修改,可能不是很漂亮,但是实现了功能我很开心。 本文是学习http://www.icourse163.org/lea... 课程的代码实现和反思。 课程的第6单元中嵩天老师给出的中国大学排名爬虫优化代码如果把url中的2...

    Cruise_Chan 评论0 收藏0
  • 2017中国大学排名爬虫代码修改

    摘要:课程的第单元中嵩天老师给出的中国大学排名爬虫优化代码如果把中的改为就会出错,原因年各校排名数字的格式为而年各校排名数字的格式为,针对这个问题,我对嵩天老师的代码做了一点修改,可能不是很漂亮,但是实现了功能我很开心。 本文是学习http://www.icourse163.org/lea... 课程的代码实现和反思。 课程的第6单元中嵩天老师给出的中国大学排名爬虫优化代码如果把url中的2...

    figofuture 评论0 收藏0
  • 一个前端菜鸟成长记

    摘要:一个前端菜鸟的成长记现在才总结似乎有点晚,但聊胜于无,记录一下我的,毕业的第一年,对于人生意义重大的一年。感谢勇哥新哥,给予我机会去做更多的尝试。 一个前端菜鸟的成长记 现在才总结似乎有点晚,但聊胜于无,记录一下我的2016,毕业的第一年,对于人生意义重大的一年。 我的求职之路 打从进入了大四之后,便深深的意识到了就业的压力,并一直在做着迈向社会的准备。从2015年9月开始,便开始投简...

    Forelax 评论0 收藏0
  • </2016><2017>

    摘要:不觉间,已悄然离去恍然后,正慢慢袭来。已完成一期内容,只包含买家点餐功能,二期准备做卖家及支付功能。经过考虑和评估,我决定对这两个选择进行一个折中。项目部署,及代理转发等配置。发现最近,已经对非技术类书籍少了很多兴趣。 不觉间,2016已悄然离去;恍然后,2017正慢慢袭来。 又到了总结过去,展望未来的时候了,那就先总结16年的收获和经验教训,再展望17年对自己及行业的一些期望吧。 1...

    wangshijun 评论0 收藏0
  • </2016><2017>

    摘要:不觉间,已悄然离去恍然后,正慢慢袭来。已完成一期内容,只包含买家点餐功能,二期准备做卖家及支付功能。经过考虑和评估,我决定对这两个选择进行一个折中。项目部署,及代理转发等配置。发现最近,已经对非技术类书籍少了很多兴趣。 不觉间,2016已悄然离去;恍然后,2017正慢慢袭来。 又到了总结过去,展望未来的时候了,那就先总结16年的收获和经验教训,再展望17年对自己及行业的一些期望吧。 1...

    fxp 评论0 收藏0

发表评论

0条评论

netmou

|高级讲师

TA的文章

阅读更多
最新活动
阅读需要支付1元查看
<