Scrapy基础一 ------学习Scrapy之前所要了解的

Posted 2020-09-18 若鸟

技术选型：    

Scrapy vs requsts+beautifulsoup
    1,reqests,beautifulsoup都是库，Scrapy是框架
    2,Scrapy中可以加入requests beautifulsoup
    3,Scrapy基于twisted，异步IO框架，性能最大的优势
    4,Scrapy 扩展方便，提供了许多内置功能
    5,内置css和xpath selector（都是c写的）非常方便，beautifulsoup(是纯python写的缺点就是慢)

 

网页分类 

    1，静态网页
    2，动态页面
    3，webservice(restapi)

 

爬虫能做什么    

   

    1，搜索引擎，百度google,垂直领域的搜索引擎
    2，推荐引擎，--今日头条
    3，机器学习的数据样本
    4，数据分析，金融分析

 

正则表达式   

　　1，为什么学习

        精细化提取
    2，基础内容
        特殊字符
            1)
              ^：^b 必须以b开头
              . : 代表任意字符
              * ：前面出现的字符任意多次    
              $ : b$ 必须以b结尾的
              ? ：非贪婪匹配模式，尽量少的匹配
              + ：前面出现的字符出现(1,+00)
              {2} : 前面的字符出现了两次
              {3，}：前面的字符出现了最少3次
              {2,5} : 前面的字符出现了2-5次
                |   ： 数线 或的关系，先提取前面的
            2)   
              []  :  [abc] 从abc中都选一个都可以;[0-9a-Z]区间;[.]进入[]中的.*等没特殊意义；
                      [^1] 排除1的都可以匹配
              手机号： "1[48357][0-9]{9}"

            3)
              \s : 空格
              \S : 只要不是空格就匹配了
              \w : 等价于[a-zA-Z0-9_]
              \W : 除了[a-zA-Z0-9_]都匹配

            4)
               [\u4E00-\u9FA5] ：值提取中文
               \d  : 数字


体会一下非贪婪匹配：
    匹配boooobby 中的boooob

1 import re
2 a = "aaboooobby123"
3 match_obj = re.match(".*?(b.*?b).*",a)
4 if match_obj:
5     print(match_obj.group(1)) #输出匹配子串1
6 #  ".*(b.*b).*"   -->  bb   贪婪匹配，从左边开始匹配或者
7 #说从右边开始找到最后一个符合条件的
8 #  ".*?(b.*b).*"  -->  boooobb 括号中是贪婪匹配，直至找到最后一个b
9 #".*?(b.*?b).*"   -->  boooob  都是非贪婪匹配

 

网站的深度优先和广度优先        

　　深度优先：

　　　　对于二叉树，先考虑一边，往深了寻找
        Scrapy 默认也是深度优先，递归算法实现
    
     广度优先：

　　　　优先兄弟节点而不是子节点；按每层遍历
        通过队列形式实现

URL去重：    

1,将URL报存到数据库，麻烦，慢    2,保存到set中，只需要O(1)代价就能查询URL
    但是：一亿 100000000*2byte*50个字符/1024/1024=9G
    小型爬虫一亿不多
    3,url 经过md5等方法哈希后保存到set中
    Scrapy采用的就是此；可将字符缩短到固定一般长度16个byte
    4,bitmap方法将访问的URL通过hash函数映射到某一位
    缺点：冲突可能性较大
    5，bloomfilter方法对bitmap进行改进，多重hash函数降低冲突