最近在维护一个wordpress商城项目，商城是多站的，会为独立的站创建出几张表。项目在测试服务器上，貌似是被爬虫恶意注册，产生了几千个用户，就产生了几万张表，导致数据库导入导出都像蜗牛一样，慢得要死，所以就只能上服务器执行SQL删除了，先暂时关闭了注册的功能，由于注..
分类：
数据库 时间：
2014-10-14 05:21:18
阅读次数：
434
采用了多线程和锁机制，实现了广度优先算法的网页爬虫。对于一个网络爬虫，如果要按广度遍历的方式下载，它就是这样干活的： 1.从给定的入口网址把第一个网页下载下来 2.从第一个网页中提取出所有新的网页地址，放入下载列表中 3.按下载列表中的地址，下载所有新的网页 4.从所有新的网页中找出没有下载过的网页...
分类：
编程语言 时间：
2014-10-13 22:44:27
阅读次数：
248
本人比较喜欢看美剧，尤其喜欢人人影视上HR-HDTV 的 1024 分辨率的高清双字美剧，这里写了一个脚本来批量获得指定美剧的所有 HR-HDTV 的 ed2k下载链接，并按照先后顺序写入到文本文件。这个 python 爬虫比较短，就用到了 urllib.request 和 re 这两个模块，前者负责抓取网页，后者负责解析文本。想进一步加强爬虫的功能，可以用爬虫框架 Scrapy。还有就是，网页内容多是 javascript 生成，就需要一个 js 引擎了，PyV8 可以拿来试试，再有就是基于 js 的爬虫...
分类：
编程语言 时间：
2014-10-11 22:03:36
阅读次数：
344
学习了下python，看了一个简单的网页爬虫：http://www.cnblogs.com/fnng/p/3576154.html自己实现了一个简单的网页爬虫，获取豆瓣的最新电影信息。爬虫主要是获取页面，然后对页面进行解析，解析出自己所需要的信息进行进一步分析和挖掘。首先需要学习python的正则表...
分类：
编程语言 时间：
2014-10-11 20:13:06
阅读次数：
260
1.一个有10亿条记录的文本文件，已按照关键字排好序存储，设计算法，可以快速的从文件中查找指定关键字的记录。$10亿=10^9~2^30$，每行记录如果是1kB的话，总共是1TB。将文件分割成1000份，每份1G，load进内存作二分查找即可。2. 设计一个爬虫系统。3. 设计一个长连接手机云推送服...
分类：
其他好文 时间：
2014-10-11 17:12:05
阅读次数：
160
感觉写得有点烂，因为很多地方都需要做判断，而我不懂HTML语言，所以有些关键位置判断做得很潦草。什么都要学，为什么我这么菜。找个标签都要找很久。。。下一个版本马上就要出来了，修复了好多地方，好多BUG。。。
分类：
其他好文 时间：
2014-10-11 01:55:14
阅读次数：
305
当技术达到一定的地步之后， 思维是关键 把一些基础的技术组合起来，运用起来， 而不是在去学习新的技术像我现在来讲，已经能看懂一些PHP 了， xss+csrf 或者php审计更契合当前的技术。 python +EXP 的编写和爬虫组合更棒， 而不是直接去学新的技术liunx是需要掌握 ，LIUNX是...
分类：
其他好文 时间：
2014-10-10 23:44:14
阅读次数：
284
1.[代码]最基本的抓站 ?12import urllib2content = urllib2.urlopen('http://XXXX').read()2.[代码]使用代理服务器 ?12345import urllib2proxy_support = urllib2.ProxyHandler({'...
分类：
编程语言 时间：
2014-10-10 19:32:24
阅读次数：
226
webservice运行原理需要继续对底层机制进行研究，常见的WS调用方式、MQ通信、 线程池和多线程管理机制 异常处理机制 数据库连接池管理 RMI远程调用 log4j日志管理 dom4j进行xml解析 页面爬虫，涉及到HTTP协议 开源...
分类：
其他好文 时间：
2014-10-10 16:12:35
阅读次数：
139
Introduction：
这个小demo用于爬取淘宝网的相关链接。
首先从“www.taobao.com"这个url开始，手机页面上的所有url，然后存入toCrawList 。当toCrawList不为空时，拿出一个url,把它存入数据集并且搜寻这个url上的所有链接充入toCrawList. 这是一个BFS过程。
Framework:
Code:
就网络爬虫来讲这个de...
分类：
编程语言 时间：
2014-10-09 18:49:37
阅读次数：
345
