做爬虫的时候,经常都会听到 scrapy
VS requests+beautifulsoup
的组合 在本次分布式爬虫实现中只用scrapy而不用后者的原因是:
requests
和 beautifulsoup
都是库, scrapy
是一个框架 框架中可以应用 requests
等,可以集合很多第三方库twisted
(异步IO框架) 性能是最大的优势css
和 xpath selector
对html或者xml进行分析,非常方便, beautifulsoup
缺点就是慢实践中还是会用到requests,但是不会用到beautifulsoup,因为它的功能可以直接使用scrapy的select完成.
为什么有css或者xpath selector还要学正则表达式,有时候根据selector获得了整个标签内的内容,但是还要进行进一步的筛选,比如里面的数字信息等
可以帮我们判断某个字符串是否符合某一个模式 提取整个字符串里面的重要的部分信息
^ : 以什么字符开头
$ : 以什么字符结尾
. : 任意字符
* :出现任意次数,0次或者更多次
():还提取按模式取出来的子串。例如,".*(b.*b).*"表示不管前后是什么的两个b之间的子串
? :下面详解
+ :字符至少出现一次
{1}:前面的字符出现一次
{3,}: 要求前面的字符必须出现3次以上
{2,5}:前面的字符至少出现2次,最少出现5次
| : 或的关系
[] : 中括号里面的内容只要满足任何一个即可,也可以是一个区间,中括号里面的^表示不等于,中括号里面的符号就是符号,不是特殊符号的含义
\s :表示空格符
\S : 刚好与小s的意思相反,只要不是空格都可以
\w : 表示[A-Za-z0-9_]其中的任意一个字符
\W : 与\w的意思刚好相反
[\u4E00-\u9FA5] : unicode编码,含义是汉字,意思是只要出现汉字就可以。
\d : 表示数字
默认的情况下,匹配是贪婪模式,匹配最大长度 比如对于 "bobby123"这个待匹配的,结果就是bb,而不是bobb,所以这就是贪婪,反向匹配(或者理解成直到结束符合的最后一个结果) 非贪婪匹配就是从左边开始,只需要出现一个结果就可以了,".?(b.?b)."表示对两个b从左到右只要出现一次就可 ".?(b.b)."第二个b不要问好,那么第二个b就是贪婪模式,会持续匹配到最后一个b
boooooooob
非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串“oooo”,“o+?”将匹配单个“o”,而“o+”将匹配所有“o”。
此处贪婪匹配最开始时反向匹配,从右向左,所以得到bb结果串!
就无法提取目标串!何解?
?
了!变成一种非贪婪模式虽然左部分正常匹配左边的b了,但是规则的右部分依旧贪婪匹配!必须让规则右边的b不要那么贪婪!给他也加个 ?
修饰~即可!
^
w不满足的空格,W满足!
?
取消贪婪 完美提取XX大学
爬虫的基本原理,一个网站的url设计是分层的,树形结构,能够让我们爬取网站的时候更加有策略。 在设计网站url时候是不会有环路的,但是在真实网站url链接的结构中,是有环路的。 比如,从首页到达某个页面,这个页面上会有返回首页的链接。如果一直进入这个死循环,那么其他页面就爬取不到内容了。所以需要用到网页的去重。 伯乐在线网站的文章爬取其中获取到的文章url是不会重复的,就不需要去重。但大多数文章都需要去重。
scrapy默认使用深度优先实现的,深度优先使用递归实现的,广度优先是采用队列来实现的
md5
等方法后保存到set中 将url压缩到固定长度而且不重复, scrapy
实际上就是应用这种方法字符串编码,写文件以及网络传输过程中,调用某些函数,经常碰到提示编码错误.
GB2312
编码,用两个字节表示一个汉字. GB2312还把ASCII包含进去了,同理,日文,韩文等等上百个国家为了解决这个问题就都发展了一套字节的编码,标准就越来越多,如果出现多种语言混合显示就一定会出现乱码.unicode
出现了,将所有语言统一到一套编码里看一下ASCII和unicode编码:
Python3则不存在此问题,内部全部使用Unicode编码!!!
正则表达