位置: 编程技术 - 正文

深入理解Python分布式爬虫原理(python的理解)

编辑:rootadmin

推荐整理分享深入理解Python分布式爬虫原理(python的理解),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:怎么理解python,深入理解python特性 pdf,python总结与分析,深入理解python特性 pdf,深入理解python特性 pdf,python总结与分析,python的理解,深入理解python特性 pdf,内容如对您有帮助,希望把文章链接给更多的朋友!

首先,我们先来看看,如果是人正常的行为,是如何获取网页内容的。

(1)打开浏览器,输入URL,打开源网页

(2)选取我们想要的内容,包括标题,作者,摘要,正文等信息

(3)存储到硬盘中

上面的三个过程,映射到技术层面上,其实就是:网络请求,抓取结构化数据,数据存储。

我们使用Python写一个简单的程序,实现上面的简单抓取功能。

看着很简单,是的,它就是一个爬虫入门的基础程序。当然,在实现一个采集过程,无非就是上面的几个基础步骤。但是实现一个强大的采集过程,你会遇到下面的问题:

(1)需要带着cookie信息访问,比如大多数的社交化软件,基本上都是需要用户登录之后,才能看到有价值的东西,其实很简单,我们可以使用Python提供的cookielib模块,实现每次访问都带着源网站给的cookie信息去访问,这样只要我们成功模拟了登录,爬虫处于登录状态,那么我们就可以采集到登录用户看到的一切信息了。下面是使用cookie对httpRequest()方法的修改:

(2)编码问题。网站目前最多的两种编码:utf-8,或者gbk,当我们采集回来源网站编码和我们数据库存储的编码不一致时,比如,.com的编码使用的是gbk,而我们需要存储的是utf-8编码的数据,那么我们可以使用Python中提供的encode()和decode()方法进行转换,比如:

深入理解Python分布式爬虫原理(python的理解)

中间出现了unicode编码,我们需要转为中间编码unicode,才能向gbk或者utf-8转换。

(3)网页中标签不完整,比如有些源代码中出现了起始标签,但没有结束标签,HTML标签不完整,就会影响我们抓取结构化数据,我们可以通过Python的BeautifulSoup模块,先对源代码进行清洗,再分析获取内容。

(4)某些网站使用JS来生存网页内容。当我们直接查看源代码的时候,发现是一堆让人头疼的JS代码。可以使用mozilla、webkit等可以解析浏览器的工具包解析js、ajax,虽然速度会稍微慢点。

(5)图片是flash形式存在的。当图片中的内容是文字或者数字组成的字符,那这个就比较好办,我们只要利用ocr技术,就能实现自动识别了,但是如果是flash链接,我们将整个URL存储起来了。

(6)一个网页出现多个网页结构的情况,这样我们如果只是一套抓取规则,那肯定不行,所以需要配置多套模拟进行协助配合抓取。

(7)应对源网站的监控。抓取别人的东西,毕竟是不太好的事情,所以一般网站都会有针对爬虫禁止访问的限制。一个好的采集系统,应该是,不管我们的目标数据在何处,只要是用户能够看到的,我们都能采集回来。所见即所得的无阻拦式采集,无论是否需要登录的数据都能够顺利采集。大部分有价值的信息,一般都需要登录才能看到,比如社交网站,为了应对登录的网站要有模拟用户登录的爬虫系统,才能正常获取数据。不过社会化网站都希望自己形成一个闭环,不愿意把数据放到站外,这种系统也不会像新闻等内容那么开放的让人获取。这些社会化网站大部分会采取一些限制防止机器人爬虫系统爬取数据,一般一个账号爬取不了多久就会被检测出来被禁止访问了。那是不是我们就不能爬取这些网站的数据呢?肯定不是这样的,只要社会化网站不关闭网页访问,正常人能够访问的数据,我们也能访问。说到底就是模拟人的正常行为操作,专业一点叫“反监控”。

源网站一般会有下面几种限制:

1、一定时间内单个IP访问次数,一个正常用户访问网站,除非是随意的点着玩,否则不会在一段持续时间内过快访问一个网站,持续时间也不会太长。这个问题好办,我们可以采用大量不规则代理IP形成一个代理池,随机从代理池中选择代理,模拟访问。代理IP有两种,透明代理和匿名代理。

2、一定时间内单个账号访问次数,如果一个人一天小时都在访问一个数据接口,而且速度非常快,那就有可能是机器人了。我们可以采用大量行为正常的账号,行为正常就是普通人怎么在社交网站上操作,并且单位时间内,访问URL数目尽量减少,可以在每次访问中间间隔一段时间,这个时间间隔可以是一个随机值,即每次访问完一个URL,随机随眠一段时间,再接着访问下一个URL。

如果能把账号和IP的访问策略控制好了,基本就没什么问题了。当然对方网站也会有运维会调整策略,敌我双方的一场较量,爬虫必须要能感知到对方的反监控将会对我们有影响,通知管理员及时处理。其实最理想的是能够通过机器学习,智能的实现反监控对抗,实现不间断地抓取。

下面是本人近期正在设计的一个分布式爬虫架构图,如图1所示:

纯属拙作,初步思路正在实现,正在搭建服务器和客户端之间的通信,主要使用了Python的Socket模块实现服务器端和客户端的通信。如果有兴趣,可以单独和我联系,共同探讨完成更优的方案。

标签: python的理解

本文链接地址:https://www.jiuchutong.com/biancheng/375421.html 转载请保留说明!

上一篇:Python实现希尔排序算法的原理与用法实例分析(希尔排序数据结构的代码)

下一篇:Python 和 JS 有哪些相同之处(python和js哪个好)

  • 实际退税额怎么算
  • 合伙事务执行的办法有哪些?
  • 养殖合作社属于什么行业
  • 固定资产报废需要哪些人签字
  • 无销项税额
  • 建筑行业异地工资怎么算
  • 进口转卖业务
  • 公司注销后专利还能转让吗
  • 材料成本差异月初贷方余额表示什么
  • 汇票的票据行为有贴现吗
  • 收到总公司投资款怎么做账务处理
  • 创业就业带动补贴
  • 收到客户用房抵货款怎么办
  • 金税盘提示离线开票时间超限深圳
  • 企业爱心捐赠可以抵相应的税吗
  • 作废发票如何管理
  • 打款给个体户
  • 小规模免税增值税申报表怎么填
  • 销售商品货款已预收
  • 城市维护建设税属于什么税种
  • 专家费1000元个人所得税到底是税前还是税后
  • 房地产开发企业预缴增值税
  • 城建税上月少计提本月怎么做账
  • win11windows键没反应
  • 电脑连接网线但没有网络
  • win10锁屏壁纸模糊怎么回事
  • win10电源图标灰色无法打开
  • 一般纳税人企业注销流程
  • memory tester
  • elements vue
  • 火灾烧毁物品如何取证
  • 即征即退增值税属于政府补助吗
  • php读取json数组中指定内容
  • 退款会退货吗
  • 制作个性化的奖杯或者奖状
  • html+javascript
  • vscode插件大全
  • 资产减值损失科目性质
  • web前端性能响应时间
  • yolox改进
  • uniapp dom操作
  • js匿名函数和命名函数
  • 人工费没有发票咋入帐
  • 哪种银行贷款利息最低
  • python用途
  • 建筑业委托加工合同范本
  • 投资公司和控股公司关系
  • 增值税专用发票上注明的价款含税吗
  • 加盟费摊销会计分录
  • 购销合同上没有金额,怎么写比较好
  • 子公司注销母公司收回现金流
  • 会计凭证保管期限30年是哪一年开始的
  • 暂估有几种处理方法
  • 销售折扣怎么制定
  • 间接持股比例如何分析
  • 现销和赊销加一起等于销售收入吗
  • 个税返还申请流程
  • 销售佣金 会计科目
  • 采购付款的会计控制内容有哪些
  • linux防御
  • win8分盘怎么分
  • windowsp.exe - windowsp是什么进程
  • virtualbox虚拟机菜单找不到了
  • win7开机zyufs7
  • win10多用户独立
  • javascript ()
  • linux的关闭命令
  • 如何做批处理命令
  • css滤镜特效属于css样式定义分类中的
  • cocos2dx官方教程
  • unity3d物体移动代码
  • fullpage.js教程
  • bootstrap教材
  • android基础知识
  • javascript原型
  • 二级联动什么意思
  • jqueryshow和hide封装
  • 个体户增值税申报比对不符怎么处理
  • 落实措施对吗
  • 土地整理费用由谁承担
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设