标签:
编译过程中要下载,没编译成功。
svn checkout http://py-leveldb.googlecode.com/svn/trunk/
svn co http://py-leveldb.googlecode.com/svn/trunk/ py-leveldb
重新找到安装包:
wget https://pypi.python.org/packages/source/l/leveldb/leveldb-0.193.tar.gz
tar -zxvf leveldb-0.193.tar.gz
cd leveldb-0.193
python setup.py build
sudo python setup.py install
安装成功
这个爬虫是从outofmemory看到的,只有100行,内容是抓取淘宝商品信息,包括商品名、卖家id、地区、价格等信息,json格式,作者说他曾经抓取到了一千万条信息。
出于对这个爬虫能力的感叹,我好奇的对它进行了分析,发现原理是如此的简单,感叹python
的强大之余,好也把分析的心得记录一下,引为后来的经验。
现在这个爬虫能不能用就没有保证了,不过没有关系,只是作为一个学习的例子。
#-*- coding: UTF-8 -*- import time import leveldb from urllib.parse import quote_plus import re import json import itertools import sys import requests from queue import Queue from threading import Thread URL_BASE = ‘http://s.m.taobao.com/search?q={}&n=200&m=api4h5&style=list&page={}‘ def url_get(url): # print(‘GET ‘ + url) header = dict() header[‘Accept‘] = ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8‘ header[‘Accept-Encoding‘] = ‘gzip,deflate,sdch‘ header[‘Accept-Language‘] = ‘en-US,en;q=0.8‘ header[‘Connection‘] = ‘keep-alive‘ header[‘DNT‘] = ‘1‘ #header[‘User-Agent‘] = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36‘ header[‘User-Agent‘] = ‘Mozilla/12.0 (compatible; MSIE 8.0; Windows NT)‘ return requests.get(url, timeout = 5, headers = header).text def item_thread(cate_queue, db_cate, db_item): while True: try: cate = cate_queue.get() post_exist = True try: state = db_cate.Get(cate.encode(‘utf-8‘)) if state != b‘OK‘: post_exist = False except: post_exist = False if post_exist == True: print(‘cate-{}: {} already exists ... Ignore‘.format(cate, title)) continue db_cate.Put(cate.encode(‘utf-8‘), b‘crawling‘) for item_page in itertools.count(1): url = URL_BASE.format(quote_plus(cate), item_page) for tr in range(5): try: items_obj = json.loads(url_get(url)) break except KeyboardInterrupt: quit() except Exception as e: if tr == 4: raise e if len(items_obj[‘listItem‘]) == 0: break for item in items_obj[‘listItem‘]: item_obj = dict( _id = int(item[‘itemNumId‘]), name = item[‘name‘], price = float(item[‘price‘]), query = cate, category = int(item[‘category‘]) if item[‘category‘] != ‘‘ else 0, nick = item[‘nick‘], area = item[‘area‘]) db_item.Put(str(item_obj[‘_id‘]).encode(‘utf-8‘), json.dumps(item_obj, ensure_ascii = False).encode(‘utf-8‘)) print(‘Get {} items from {}: {}‘.format(len(items_obj[‘listItem‘]), cate, item_page)) if ‘nav‘ in items_obj: for na in items_obj[‘nav‘][‘navCatList‘]: try: db_cate.Get(na[‘name‘].encode(‘utf-8‘)) except: db_cate.Put(na[‘name‘].encode(‘utf-8‘), b‘waiting‘) db_cate.Put(cate.encode(‘utf-8‘), b‘OK‘) print(cate, ‘OK‘) except KeyboardInterrupt: break except Exception as e: print(‘An {} exception occured‘.format(e)) def cate_thread(cate_queue, db_cate): while True: try: for key, value in db_cate.RangeIter(): if value != b‘OK‘: print(‘CateThread: put {} into queue‘.format(key.decode(‘utf-8‘))) cate_queue.put(key.decode(‘utf-8‘)) time.sleep(10) except KeyboardInterrupt: break except Exception as e: print(‘CateThread: {}‘.format(e)) if __name__ == ‘__main__‘: db_cate = leveldb.LevelDB(‘./taobao-cate‘) db_item = leveldb.LevelDB(‘./taobao-item‘) orig_cate = ‘正装‘.encode(‘gb2312‘) try: db_cate.Get(orig_cate.encode(‘utf-8‘)) except: db_cate.Put(orig_cate.encode(‘utf-8‘), b‘waiting‘) cate_queue = Queue(maxsize = 1000) cate_th = Thread(target = cate_thread, args = (cate_queue, db_cate)) cate_th.start() item_th = [Thread(target = item_thread, args = (cate_queue, db_cate, db_item)) for _ in range(5)] for item_t in item_th: item_t.start() cate_th.join()
一个只有一百行的代码,也不用花太多心思就可以看懂了,不过其中一些有意思的心得还是可以分享下。
vim
打开,在使用了fold
功能后,可以清晰的看到代码由import
部分,三个自定义函数和一个main
了,所以可以直接从main
开始看。main
建立(也可以是已经建立的)了两个数据库,分别是db_cate
和db_item
,还定义了开始时抓取的商品种类(category)orig_cate
。db_cate
中尝试访问下orig_cate
,如果没有这个种类,就加入这个种类,属性设置为waiting
,leveldb
就是一个key-value数据库,使用起来非常的方便。cate_queue
,然后就建立一个种类的线程cate_th
,会调用自己定义的一个函数cate_thread
,参数是队列和种类数据库。item_th
,调用定义的item_thread
函数参数是队列和两个数据库。cate_thread
,这个函数会重复从种类数据库cate_db
中遍历取出种类名,然后看这个种类是不是已经抓取过了,如果没有,就加入到种类队列cate_queue
。item_thead
,从种类队列cate_queue
中取出一个种类,再从种类数据库中查看其状态,如果是ok
,就取下一个种类;如果不是ok
,就标记为crawling
,然后就使用这个类别和一个遍历的序号就可以获得一个网址,然后就重复的尝试获取这个页面的数据,再分析,保存到item_db
中,再把种类在cate_db
中标记为ok
,也就是完成,同时,把页面有的种类信息放到cate_db
数据库中。这个爬虫的结构很清晰,一个数据库用来保存种类的状态信息,一个数据库保存获取到的信息,一个队列作为进程间通信的工具,数据库使用key-value
,网页抓取使用requests
。参考这个结构,很多爬虫都可以写出来了。
标签:
原文地址:http://www.cnblogs.com/timdes/p/5167584.html