RDD的PYTHON背包

pythoon（大蟒蛇）

1989年
Guido van Rossum(荷兰人)

• 解释型语言
• BASIC、Python
• 
• 同声传译
• 比较灵活

• 设计哲学

  • “优雅”“明确”“简单”
  • 易学、易用
  • 可读性高

• 开发哲学

  • “用一种方法，最好是只用一种方法来做一件事”

• 现代编程语言

  • 面向对象

• 支持泛型设计

  • 支持函数式编程

• 丰富的数据结构和第三方函数库

  • 功能强大

python web spider

简单爬虫架构

• 基本的器件

  • 爬虫调度端
  • 爬虫url管理器
  • 网页下载器

  • 网页解析器

    • 价值数据
    • url数据

• 过程

  • 

url管理器

• 管理待抓取URL集合和已抓取URL集合
• 防止重复／循环抓取
• 支持功能：

• 添加新的url》待抓取

  • 判断是否已经存在

• 获取待爬取url

  • 判断是否还有待爬取url

    • 将url从待爬取》已爬取

• 实现方式

  • 存储到内存

    • 适合小型、个人
    • python内存

    • set(）

      • 待爬取一个 已爬取一个

        • 直接去除重复的元素
    • 关系数据库
    • 适合：永久

  • mySQL

    • urls(url,is_crawled)

      • iscrawled判断是否已经爬取
      • 缓存数据库
      • 高性能 》 大公司

  • redis

    • 待爬取url集合：set

      • 已爬取url集合：set

网页下载器

将互联网下URL对应的网页下载到本地的工具

• 基本的网页下载器

  • urllib2

    • python官方基础模块
    • 基本下载、cookies、密码

  • requests

    • 第三方包更强大

  • 处理一些特殊情景

    • HTTPCookieProcessor 密码
    • ProxyHandler 代理
    • HTTPSHandler加密
    • HTTPRedirectHandler 重定向

网页解析器

提取有用数据:

• 输出
• url列表
• 有用数据

基本的网页解析器:

1. 正则表达式
2. html.parser(自带)
3. BeautifulSoup
4. lxml