如何用Python做爬虫

       1）首先你要明白爬虫怎样工作。

       æƒ³è±¡ä½ æ˜¯ä¸€åªèœ˜è››ï¼ŒçŽ°åœ¨ä½ è¢«æ”¾åˆ°äº†äº’联“网”上。那么，你需要把所有的网页都看一遍。怎么办呢？没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧。

       åœ¨äººæ°‘日报的首页，你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了，这样你就已经爬完了俩页面（首页和国内新闻）！暂且不用管爬下来的页面怎么处理的，你就想象你把这个页面完完整整抄成了个html放到了你身上。

       çªç„¶ä½ å‘现， 在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊。所以，你需要用你的脑子，存下你已经看过的页面地址。这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址。如果去过，那就别去了。

       å¥½çš„，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页。

       é‚£ä¹ˆåœ¨python里怎么实现呢？

       å¾ˆç®€å•

       import Queue

       initial_page = "初始化页"

       url_queue = Queue.Queue()

       seen = set()

       seen.insert(initial_page)

       url_queue.put(initial_page)

       while(True): #一直进行直到海枯石烂

        if url_queue.size()>0:

        current_url = url_queue.get() #拿出队例中第一个的url

        store(current_url) #把这个url代表的网页存储好

        for next_url in extract_urls(current_url): #提取把这个url里链向的url

        if next_url not in seen:

        seen.put(next_url)

        url_queue.put(next_url)

        else:

        break

       å†™å¾—已经很伪代码了。

       æ‰€æœ‰çš„爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。

       2）效率

       å¦‚果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎需要爬下全网的内容了。

       é—®é¢˜å‡ºåœ¨å“ªå‘¢ï¼Ÿéœ€è¦çˆ¬çš„网页实在太多太多了，而上面的代码太慢太慢了。设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有网页要遍历一次，而每次判重用set的话需要log(N)的复杂度。OK，OK，我知道python的set实现是hash——不过这样还是太慢了，至少内存使用效率不高。

       é€šå¸¸çš„判重做法是怎样呢？Bloom Filter. 简单讲它仍然是一种hash的方法，但是它的特点是，它可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中。可惜天下没有白吃的午餐，它的唯一问题在于，如果这个url不在set中，BF可以%确定这个url没有看过。但是如果这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不确定性。注意这里的不确定性在你分配的内存足够大的时候，可以变得很小很少。一个简单的教程:Bloom Filters by Example

       æ³¨æ„åˆ°è¿™ä¸ªç‰¹ç‚¹ï¼Œurl如果被看过，那么可能以小概率重复看一看（没关系，多看看不会累死）。但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了！）。 [IMPORTANT: 此段有问题，请暂时略过]

       å¥½ï¼ŒçŽ°åœ¨å·²ç»æŽ¥è¿‘处理判重最快的方法了。另外一个瓶颈——你只有一台机器。不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。用一台机子不够的话——用很多台吧！当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧）。

       3）集群化抓取

       çˆ¬å–豆瓣的时候，我总共用了多台机器昼夜不停地运行了一个月。想象如果只用一台机子你就得运行个月了...

       é‚£ä¹ˆï¼Œå‡è®¾ä½ çŽ°åœ¨æœ‰å°æœºå™¨å¯ä»¥ç”¨ï¼Œæ€Žä¹ˆç”¨python实现一个分布式的爬取算法呢？

       æˆ‘们把这台中的台运算能力较小的机器叫作slave，另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。同样，bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave。Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。（至少平摊是O(1)，Redis的访问效率见:LINSERT – Redis)

       è€ƒè™‘如何用python实现：

       åœ¨å„台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。

       ä»£ç äºŽæ˜¯å†™æˆ

       #slave.py

       current_url = request_from_master()

       to_send = []

       for next_url in extract_urls(current_url):

        to_send.append(next_url)

       store(current_url);

       send_to_master(to_send)

       #master.py

       distributed_queue = DistributedQueue()

       bf = BloomFilter()

       initial_pages = "www.renmingribao.com"

       while(True):

        if request == 'GET':

        if distributed_queue.size()>0:

        send(distributed_queue.get())

        else:

        break

        elif request == 'POST':

        bf.put(request.url)

       å¥½çš„，其实你能想到，有人已经给你写好了你需要的：darkrho/scrapy-redis 码分· GitHub

       4）展望及后处理

       è™½ç„¶ä¸Šé¢ç”¨å¾ˆå¤šâ€œç®€å•â€ï¼Œä½†æ˜¯çœŸæ­£è¦å®žçŽ°ä¸€ä¸ªå•†ä¸šè§„模可用的爬虫并不是一件容易的事。上面的代码用来爬一个整体的网站几乎没有太大的问题。

       ä½†æ˜¯å¦‚果附加上你需要这些后续处理，比如

       æœ‰æ•ˆåœ°å­˜å‚¨ï¼ˆæ•°æ®åº“应该怎样安排）

       æœ‰æ•ˆåœ°åˆ¤é‡ï¼ˆè¿™é‡ŒæŒ‡ç½‘页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）

       æœ‰æ•ˆåœ°ä¿¡æ¯æŠ½å–（比如怎么样抽取出网页上所有的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息，比如图片我存来干嘛...

       åŠæ—¶æ›´æ–°ï¼ˆé¢„测这个网页多久会更新一次）

       å¦‚你所想，这里每一个点都可以供很多研究者十数年的研究。虽然如此，

       â€œè·¯æ¼«æ¼«å…¶ä¿®è¿œå…®,吾将上下而求索”。

       æ‰€ä»¥ï¼Œä¸è¦é—®æ€Žä¹ˆå…¥é—¨ï¼Œç›´æŽ¥ä¸Šè·¯å°±å¥½äº†ï¼šï¼‰

鹅厂微创新Golang缓存组件TCache介绍

       一个 Golang 自研小组件，TCache 介绍

       作者：frank、码分maxy、码分lark 等。码分

       TCache 是码分一个 Golang 团队自研的缓存组件，旨在优化视频会员场景下高并发请求的码分gooflow .net源码压力，减少底层存储压力，码分提升系统可用性。码分设计时，码分我们考虑了开源组件如布隆过滤器、码分位图、码分localcache 的码分特点和优劣，以业务需求为出发点，码分集成这些组件形成整体解决方案。码分

       TCache 设计目标

       主要目标是码分为视频会员服务提供高效缓存，应对大量 APP 请求，减轻存储层压力，并增强系统稳定性。经过调研，我们发现现有开源组件适合不同场景，jkd源码设计因此决定整合这些组件，通过配置化设计，让业务根据自身需求选择合适的缓存策略。

       整体架构

       TCache 分为四层架构：业务场景层、中间件层、组件层与算法层。业务场景层直接与应用交互，中间件层集成了多种缓存算法，组件层基于开源组件实现，算法层则深入研究缓存技术原理。

       组件结构

       TCache 集成了多种缓存组件，包括 KV 型结构 Cache、BitMap、BloomFilter 与大型计数器 Hyperloglog。此外，我们计划集成更多组件以覆盖更多业务场景。

       Cache 组件设计

       提供了统一的 cache 接口，支持用户自定义底层缓存实现，包括默认实现与本地缓存组件 localcache 的代下站源码接口定义。

       BitMap 组件设计

       BitMap 组件集成经典 BitMap 与 Roaring 位图算法，提供单一操作 API，便于业务集成使用。组件结构清晰，代码接口明确。

       开发过程

       TCache 的开发过程始于团队转型 Golang 时的技术积累与开源组件分析，通过源码阅读、论文研读，深入了解组件技术，最终形成组件化设计。团队持续研究缓存替换算法、位图算法，通过实验对比分析，提炼出业务适用的缓存策略。

       功能分析

       本地缓存强调数据一致性与吞吐量，支持多线程访问与内存限制，适用于缓存热点数据。常见组件如 freecache、fastcache、网格教务源码bigcache 等，提供线程安全、高命中率与高效管理的特性。

       源码分析

       深入研究开源组件，如 BigCache、BloomFilter、RoaringBitmap，通过建模与代码分析，了解组件实现原理与优化策略。

       算法研究

       研究缓存替换算法，包括 Belady 最优策略、随机策略、先进先出、最近不使用、最不经常使用、重引用间隔预测等。通过实验对比分析，提炼出适用于不同场景的缓存策略。

       实验研究

       通过功能与性能对比研究，重装抗战 源码推荐不同缓存组件在特定场景下的应用，如 freecache、bigcache、fastcache、localcache 等，以及针对数据持久化与热启动的组件。

       组件化

       整合多种组件形成 TCache，通过组件化设计，让业务灵活选择缓存策略，提高系统性能与稳定性。

       总结

       TCache 的开发是一个无心插柳的成果，整合了团队的技术积累与业务需求。通过研究、实验与优化，我们找到了适合视频会员服务的缓存解决方案。未来，结合 AIGC 等新技术，开发出更多原创组件，有可能推动开发行业的变革。

leveldb之数据存储结构

       leveldb中的数据存储结构设计巧妙，尽管在源码中编码和反编码较为复杂，但理解时可以将其当作黑盒子。本文主要讨论几个关键组件：Slice、Varint/、InternalKey、Comparator、SSTable、DataBlock、IndexBlock、FilterBlock、MetaIndexBlock以及Log和WriteBatch。

       Slice是一个轻量级的数据结构，类似Go语言的切片，用于方便传递和引用数据子串，尤其在处理C++标准库中的std::string时，Slice更轻便，不需复制子串。

       Varint/是变长编码，用于节省存储空间，如位整型，通过MSB和后续7位表示数据，最长可编码到5字节。这种编码方式使得数字存储更加紧凑。

       InternalKey是存储用户数据的关键，由user_key、sequence和type组成，sequence用于版本控制和数据合并，type区分值类型和删除标记。删除时，leveldb通过日志追加而非直接修改，确保数据一致性。

       Comparator接口用于自定义key的比较逻辑，而InternalKeyComparator结合user_comparator，通过用户键和序列进行排序，保证新数据在旧数据的前面。

       SSTable由DataBlock、MetaIndexBlock和IndexBlock组成，DataBlock采用前缀压缩和重启点设计，提高了空间效率。IndexBlock则用于记录DataBlock的映射，采用跳点策略来压缩key。

       FilterBlock在构建Block的同时生成BloomFilter，用于快速过滤查找。MetaIndexBlock存储元信息到MetaBlock的映射。

       Footer用于文件校验和解析，包含索引和元数据信息。MemTable使用skiplist结构，支持高效查找，通过墓碑标记删除，保持数据一致性。

       Log负责持久化数据，避免内存丢失。WriteBatch用于批量操作，保证原子性，并进行序列化，便于数据恢复。

布隆过滤器（Bloom Filter）详解

       布隆过滤器（Bloom Filter），一种年由布隆提出的高效数据结构，用于判断元素是否在集合中。其优势在于空间效率和查询速度，但存在误判率和删除难题。布隆过滤器由长二进制数组和多个哈希函数构成，新元素映射位置置1。判断时，若所有映射位置均为1，则认为在集合；有0则判断不在。尽管可能产生误报，但通过位数组节省空间，比如MB内存可处理亿长度数组。常用MurmurHash哈希算法，如mmh3库，它的随机分布特性使其在Redis等系统中广泛使用。

       在Scrapy-Redis中，可以将布隆过滤器与redis的bitmap结合，设置位长度为2的次方，通过setbit和getbit操作实现。将自定义的bloomfilter.py文件添加到scrapy_redis源码目录，并在dupefilter.py中进行相应修改。需要注意的是，爬虫结束后可通过redis_conn.delete(key名称)释放空间。使用时，只需将scrapy_redis替换到项目中，遵循常规的Scrapy-Redis设置即可。

如何用JAVA写一个知乎爬虫

       ä¸‹é¢è¯´æ˜ŽçŸ¥ä¹Žçˆ¬è™«çš„源码和涉及主要技术点：

       ï¼ˆ1）程序package组织

       ï¼ˆ2）模拟登录（爬虫主要技术点1）

        要爬去需要登录的网站数据，模拟登录是必要可少的一步，而且往往是难点。知乎爬虫的模拟登录可以做一个很好的案例。要实现一个网站的模拟登录，需要两大步骤是：（1）对登录的请求过程进行分析，找到登录的关键请求和步骤，分析工具可以有IE自带(快捷键F)、Fiddler、HttpWatcher；（2）编写代码模拟登录的过程。

       ï¼ˆ3）网页下载（爬虫主要技术点2）

        模拟登录后，便可下载目标网页html了。知乎爬虫基于HttpClient写了一个网络连接线程池，并且封装了常用的get和post两种网页下载的方法。

       ï¼ˆ4）自动获取网页编码（爬虫主要技术点3）

        自动获取网页编码是确保下载网页html不出现乱码的前提。知乎爬虫中提供方法可以解决绝大部分乱码下载网页乱码问题。

       ï¼ˆ5）网页解析和提取（爬虫主要技术点4）

        使用Java写爬虫，常见的网页解析和提取方法有两种：利用开源Jar包Jsoup和正则。一般来说，Jsoup就可以解决问题，极少出现Jsoup不能解析和提取的情况。Jsoup强大功能，使得解析和提取异常简单。知乎爬虫采用的就是Jsoup。

       ï¼ˆ6）正则匹配与提取（爬虫主要技术点5）

        虽然知乎爬虫采用Jsoup来进行网页解析，但是仍然封装了正则匹配与提取数据的方法，因为正则还可以做其他的事情，如在知乎爬虫中使用正则来进行url地址的过滤和判断。

       ï¼ˆ7）数据去重（爬虫主要技术点6）

        对于爬虫，根据场景不同，可以有不同的去重方案。（1）少量数据，比如几万或者十几万条的情况，使用Map或Set便可；（2）中量数据，比如几百万或者上千万，使用BloomFilter（著名的布隆过滤器）可以解决；（3）大量数据，上亿或者几十亿，Redis可以解决。知乎爬虫给出了BloomFilter的实现，但是采用的Redis进行去重。

       ï¼ˆ8）设计模式等Java高级编程实践

        除了以上爬虫主要的技术点之外，知乎爬虫的实现还涉及多种设计模式，主要有链模式、单例模式、组合模式等，同时还使用了Java反射。除了学习爬虫技术，这对学习设计模式和Java反射机制也是一个不错的案例。

       4. 一些抓取结果展示