爬虫项目
request+selenium爬虫
- 项目周期
- 项目介绍
- 爬了XXXXX，XXX，XXX，等网站，获取网站上的XXX，XXX，XXX，数据，每个月定时抓取XXX数据，使用该数据实现了XXX，XXX，XX，
- 开发环境
- linux+pycharm+requests+mongodb+redis+crontab+scrapy_redis+ scarpy + mysql+gevent+celery+threading
- 使用技术
- 使用requests…把数据存储在mongodb中
- 使用crontab实现程序的定时启动抓取
- url地址的去重
- 使用redis的集合，把request对象的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现基于url地址的增量式爬虫
- 布隆过滤
- 对数据的去重
- 把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫
- 反扒
- 代理ip
- 购买了第三的代理ip，组成代理ip池，其中的ip没两天更新一次，同时使用单独的程序来检查代理ip的可用
- cookie
- 准备了XX个账号，使用requests获取账号的对应的cookie，存储在redis中，后续发送请求的时候随机选择cookie
- 使用selenium来进行模拟登陆，获取cookie，保存在Redis中
- 数据通过js生成
- 分析js，通过chrome浏览器定位js的位置，寻找js生成数据的方式
- 通过selenium来模拟页面的加载内容，获取页面动态加载后的数据
- 提高爬虫效率
- 使用多线，线程池，协程，celery来完成爬虫
- 使用scrapy框架来实现爬虫，
- 不能断点续爬，请求过的url地址不能持久化
- 使用scrapy_redis
- 不能对数据进行去重
- 把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫
- scrapy_redis
- domz实现增量式，持久化的爬虫
- 实现分布式爬虫
scarpy爬虫
- 项目周期
- 项目介绍
- 爬了XXXXX，XXX，XXX，等网站，获取网站上的XXX，XXX，XXX，数据，每个月定时抓取XXX数据，使用该数据实现了XXX，XXX，XX，
- 开发环境
- linux+pycharm+requests+mongodb+redis+crontab+scrapy_redis+ scarpy + mysql+gevent+celery+threading
- 使用技术
- 使用requests…把数据存储在mongodb中
- 使用crontab实现程序的定时启动抓取
- url地址的去重
- 使用redis的集合，把request对象的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现基于url地址的增量式爬虫
- 布隆过滤
- 对数据的去重
- 把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫
- 反扒
- 代理ip
- 购买了第三的代理ip，组成代理ip池，其中的ip没两天更新一次，同时使用单独的程序来检查代理ip的可用
- cookie
- 准备了XX个账号，使用requests获取账号的对应的cookie，存储在redis中，后续发送请求的时候随机选择cookie
- 使用selenium来进行模拟登陆，获取cookie，保存在Redis中
- 数据通过js生成
- 分析js，通过chrome浏览器定位js的位置，寻找js生成数据的方式
- 通过selenium来模拟页面的加载内容，获取页面动态加载后的数据
- 提高爬虫效率
- 使用多线，线程池，协程，celery来完成爬虫
- 使用scrapy框架来实现爬虫，
- 不能断点续爬，请求过的url地址不能持久化
- 使用scrapy_redis
- 不能对数据进行去重
- 把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫
- scrapy_redis
- domz实现增量式，持久化的爬虫
- 实现分布式爬虫
