码迷,mamicode.com
首页 > 其他好文 > 详细

一个网络爬虫的分析

时间:2016-01-28 23:54:13      阅读:274      评论:0      收藏:0      [点我收藏+]

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 != bOK: 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), bcrawling)
            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), bwaiting)
            db_cate.Put(cate.encode(utf-8), bOK)
            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 != bOK:
                    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), bwaiting)
    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()

分析

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。

  1. 使用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。
  2. main建立(也可以是已经建立的)了两个数据库,分别是db_catedb_item,还定义了开始时抓取的商品种类(category)orig_cate
  3. 先在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waitingleveldb就是一个key-value数据库,使用起来非常的方便。
  4. 建立一个种类的队列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。
  5. 再建立5个线程item_th,调用定义的item_thread函数参数是队列和两个数据库。
  6. 最后会等待线程终止后退出。
  7. 这时就可以看前面的定义的函数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
  8. 再看函数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。
  9. 这样这个爬虫就可以一直工作了。

总结

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。

一个网络爬虫的分析

标签:

原文地址:http://www.cnblogs.com/timdes/p/5167584.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!