1 全站爬取cnblogs
# 1 scrapy startproject cnblogs_crawl
# 2 scrapy genspider cnblogs www.cnblogs.com
2 scarpy请求传参
# 1 放 ：yield Request(url,callback=self.parser_detail,meta={'item':item})
# 2 取：response.meta.get('item')
3 提高爬取效率
- 在配置文件中进行相关的配置即可:(默认还有一套setting)
#1 增加并发：
默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改CONCURRENT_REQUESTS = 100值为100,并发设置成了为100。
#2 提高日志级别：
在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。在配置文件中编写：LOG_LEVEL = ‘INFO’
# 3 禁止cookie：
如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。在配置文件中编写：COOKIES_ENABLED = False
# 4禁止重试：
对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。在配置文件中编写：RETRY_ENABLED = False
# 5 减少下载超时：
如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。在配置文件中进行编写：DOWNLOAD_TIMEOUT = 10 超时时间为10s
4 下载中间件
# 2大中间件：下载中间件，爬虫中间件
# 1 写在middlewares.py中（名字随便命名）
# 2 配置生效（）
SPIDER_MIDDLEWARES = {
'cnblogs_crawl.middlewares.CnblogsCrawlSpiderMiddleware': 543,
}
DOWNLOADER_MIDDLEWARES = {
'cnblogs_crawl.middlewares.CnblogsCrawlDownloaderMiddleware': 543,
}
# 2 下载中间件
-process_request：（请求去，走）
# - return None: 继续处理当次请求，进入下一个中间件
# - return Response： 当次请求结束，把Response丢给引擎处理（可以自己爬，包装成Response）
# - return Request ： 相当于把Request重新给了引擎，引擎再去做调度
# - 抛异常：执行process_exception
-process_response：（请求回来，走）
# - return a Response object ：继续处理当次Response，继续走后续的中间件
# - return a Request object：重新给引擎做调度
# - or raise IgnoreRequest ：process_exception
-process_exception：（出异常，走）
# - return None: continue processing this exception
# - return a Response object: stops process_exception() chain ：停止异常处理链，给引擎（给爬虫）
# - return a Request object: stops process_exception() chain ：停止异常处理链，给引擎（重新调度）
5 集成selenium
# 在爬虫已启动，就打开一个chrom浏览器，以后都用这一个浏览器来爬数据
# 1 在爬虫中创建bro对象
bro = webdriver.Chrome(executable_path='/Users/liuqingzheng/Desktop/crawl/cnblogs_crawl/cnblogs_crawl/chromedriver')
# 2 中间件中使用：
spider.bro.get(request.url)
text=spider.bro.page_source
response=HtmlResponse(url=request.url,status=200,body=text.encode('utf-8'))
return response
# 3 关闭，在爬虫中
def close(self, reason):
self.bro.close()
6 fake-useragent
# 请求头中的user-agent
list=['','']
# pip3 install fake-useragent
# https://github.com/hellysmile/fake-useragent
from fake_useragent import UserAgent
ua=UserAgent(verify_ssl=False)
print(ua.random)
7 去重源码分析
# 去重源码分析
# from scrapy.core.scheduler import Scheduler
# Scheduler下：def enqueue_request(self, request)方法判断是否去重
if not request.dont_filter and self.df.request_seen(request):
Requests对象，RFPDupeFilter对象
# 如果要自己写一个去重类
-写一个类，继承BaseDupeFilter类
-重写def request_seen(self, request):
-在setting中配置：DUPEFILTER_CLASS = '项目名.dup.UrlFilter'
# scrapy起始爬取的地址
def start_requests(self):
for url in self.start_urls:
yield Request(url)
-增量爬取（100链接，150个链接）
-已经爬过的，放到某个位置（mysql，redis中：集合）
-如果用默认的，爬过的地址，放在内存中，只要项目一重启，就没了，它也不知道我爬过那个了，所以要自己重写去重方案
-你写的去重方案，占得内存空间更小
-bitmap方案
-BloomFilter布隆过滤器
from scrapy.http import Request
from scrapy.utils.request import request_fingerprint
# 这种网址是一个
requests1=Request(url='https://www.baidu.com?name=lqz&age=19')
requests2=Request(url='https://www.baidu.com?age=18&name=lqz')
ret1=request_fingerprint(requests1)
ret2=request_fingerprint(requests2)
print(ret1)
print(ret2)
# bitmap去重 一个小格表示一个连接地址 32个连接，一个比特位来存一个地址
# https://www.baidu.com?age=18&name=lqz ---》44
# https://www.baidu.com?age=19&name=lqz ---》89
# c2c73dfccf73bf175b903c82b06a31bc7831b545假设它占4个bytes，4*8=32个比特位
# 存一个地址，占32个比特位
# 10个地址，占320个比特位
#计算机计量单位
# 比特位：只能存0和1
# 8个比特位是一个bytes
# 1024bytes=1kb
# 1024kb=1m
# 1024m=1g
# 布隆过滤器：原理和python中如何使用
def request_seen(self, request):
# 把request对象传入request_fingerprint得到一个值：aefasdfeasd
# 把request对象，唯一生成一个字符串
fp = self.request_fingerprint(request)
#判断fp，是否在集合中，在集合中，表示已经爬过，return True，他就不会再爬了
if fp in self.fingerprints:
return True
# 如果不在集合中，放到集合中
self.fingerprints.add(fp)
if self.file:
self.file.write(fp + os.linesep)
8 分布式爬虫
# 1 安装pip3 install scrapy-redis
# 源码部分，不到1000行，
# 1 原来的爬虫继承
from scrapy_redis.spiders import RedisSpider
class CnblogsSpider(RedisSpider):
#start_urls = ['http://www.cnblogs.com/']
redis_key = 'myspider:start_urls'
# 2 在setting中配置
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 300
}
# 3 多台机器上启动scrapy
# 4 向reids中发送起始url
lpush myspider:start_urls https://www.cnblogs.com
补充
# 编译型语言和解释型语言
# python，js，php 解释型： 一定要有个解释器 （全都夸平台，在不同平台装不通平台的解释器即可）
# 编译型语言：c，c++ java（有人说是编译型，有人说是解释型）
-java：jdk，jre，jvm（三个分别是啥）
-jdk：java开发环境（开发人员要装）
-jre：java运行环境（要运行java程序，必须装）
-jvm:java虚拟机，所有的java程序必须运行在虚拟机之上
-java对外发布：跨平台，一处编码，处处运行（1990年）
-java编译----》字节码文件（.class文件）----》字节码文件在jvm上运行---》在不同平台装不通java虚拟---》实现了跨平台
-java：1.5---》古老 1.6 1.7 ---》java 8（用的还比较多）---》java9 ---》java13
-c语言：写完了，想在windwos下运行----》跑到windows机器下编译成可执行文件
-想在linux下运行----》跑到linux机器下编译成可执行文件
-linux上装python环境（源码安装，make，make install）
-go编译型：跨平台编译（在windows上可以编译出linux下可执行文件）---》2009年--》微服务
-所有代码都编译成一个可执行文件（web项目---》编译之后---》可执行文件---》丢到服务器就能执行，不需要安装任何依赖）
-java要运行---》最低最低要跑在java虚拟机之上（光jvm要跑起来，就占好几百m内存）---》
-安卓手机app--java开发的---》你的安卓手机在上面跑了个jvm
-go：就是个可执行文件（go的性能比java高，他俩不相上下），阿里：自己写了jvm
-安卓：谷歌，---->当时那个年代，java程序员多---》java可以快速转过去---》
-谷歌：Kotlin：---》用来取代java---》写安卓---》在国际上排名比go高
-同年ios/mac软件：object-c-----》swift（苹果的一个工程师，没事的时候，写的一个语言）---》过了没几年，跳槽去了facebook----》
-java：sun公司出的，后来被甲骨文收购了，开始恶心人---》把java做成收费---》一门收费
-c#：微软的：一开始收费，比java要好，没人用，免费，开源了，也没人用
-java se java ee java me
-python写的代码，用打包工具，打包成exe----》把代码和解释器统统打包到exe中了
-垃圾回收机制:挺高端
1 全站爬取cnblogs，做成分布式爬虫
# 1 代码发布系统 +cmdb+监控+日志---》devops平台、自动化运维平台
# 2 go挺高级（并发）前端，mysql，redis，mongodb，es 缺了个go的web框架，orm
-beego：中国人写的（跟django很像。orm，中间件。。。。。）https://beego.me/docs/intro/
-gin：老外写的（flask，没有orm ），gorm https://github.com/gin-gonic/gin
-Iris：