码迷,mamicode.com
首页 > 移动开发 > 详细

Python爬虫工程师必学——App数据抓取实战

时间:2019-09-28 14:34:49      阅读:294      评论:0      收藏:0      [点我收藏+]

标签:实现   dict   return   个数   依据   instance   函数   python   节点   

Python爬虫工程师必学 App数据抓取实战

    爬虫分为几大方向,WEB网页数据抓取、APP数据抓取、软件系统数据抓取。主要讲解如何用python实现App数据抓取
 

数据去重又称重复数据删除,是指在一个数字文件集合中,找出重复的数据并将其删除,只保存唯一的数据单元。数据去重可以有效避免资源的浪费,所以数据去重至关重要

 

数据去重

   数据去重可以从两个节点入手:一个是URL去重。即直接筛选掉重复的URL;另一个是数据库去重。即利用数据库的一些特性筛选重复的数据。

 def process_spider_output(self, response, result, spider):
    for r in result:  
        if isinstance(r, Request):    #对结果进行分析,如果是url,继续下一步,否则跳过
            key = self._get_key(r)    #通过_get_key函数生成key
            if key in self.db:        #查看key是否在数据库中
                logger.info("Ignoring already visited: %s" % r)   #如果在数据库,就抛弃
                if self.stats:
                    self.stats.inc_value(deltafetch/skipped, spider=spider)
                continue
        elif isinstance(r, (BaseItem, dict)):   #对结果分析,如果是dict or item ,继续下一步
            key = self._get_key(response.request)   
            self.db[key] = str(time.time())     #对url进行持久化操作
            if self.stats:
                self.stats.inc_value(deltafetch/stored, spider=spider)
        yield r
 def _get_key(self, request):
        #key值的生成,要么是request.meta传过来,要么使用指纹算法生成
        key = request.meta.get(deltafetch_key) or request_fingerprint(request)
 
        return to_bytes(key)   

 

URL去重
为什么需要进行URL去重?
  在爬虫启动工作的过程中,我们不希望同一个网页被多次下载,因为重复下载不仅会浪费CPU机时,还会为搜索引擎系统增加负荷。而想要控制这种重复性下载问题,就要考虑下载所依据的超    链接,只要能够控制待下载的URL不重复,基本可以解决同一个网页重复下载的问题。
  对于已经抓取过的链接,进行持久化,并且在启动的时候加载进入去重队列,是一个比较强的需求。 
  它主要应对爬虫故障重跑,不需要重跑所有链接


如何确定去重强度?
  根据爬取周期确定使用去重强度 
  抓取周期在一个小时内,不需要对已经抓取的链接做持久化 
  抓取周期在一天内(或抓取的数据总量30w以下),需要对抓取链接做一个相对简单的持久化 
  抓取周期在一天以上,需要对抓取链接做相对专业的持久化

Python爬虫工程师必学——App数据抓取实战

标签:实现   dict   return   个数   依据   instance   函数   python   节点   

原文地址:https://www.cnblogs.com/itman123/p/11597158.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!