爬虫学了几年还是没入门！得传授一波经验！项目经理看了唏嘘不已

 

 

 

网络爬虫怎么工作、如何用python实现？

你需要学习

 

1）首先你要明白爬虫怎样工作

 

好的，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。

 

 

查重处理最快的方法。不管你的带宽有多大，你的机器下载网页的速度都有个限制，那么你可以用多台机器加快这个速度。当然，我们使用Python多进程，假设每台机子都已经进了最大的效率。

3）集群化抓取

我爬取豆瓣，总共用了80多台机器昼夜不停地运行了一个月。那么可以知道只用一台电脑我们要等80个月都算少的。

 

 

 

好的，其实你能想到，有人已经给你写好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及后处理

虽然上面用很多东西看似简单，但是真正要实现一个商业规模可用的python爬虫还是有挑战的。上面的所陈述的python代码，用来爬取一个整体的网站是没有太大的问题的。

 

你想象不到，这里每一个点都可以供无数程序员数十年的研究。

然而不要怕，路就在脚下，直接上手即可。、

私信小编01即可获取源码！