Scrapy框架，Python开发的一个快速,高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。 ????刚开始学习这个框架。不...
分类：
编程语言 时间：
2014-08-20 04:00:06
阅读次数：
302
python爬虫，web spider。爬取网站获取网页数据，并进行分析提取。 ????基本模块使用的是 urllib，urllib2，re，等模块 （一）基本用法，例子 ????（1）进行基本GET请求，获取网页html #!coding...
分类：
编程语言 时间：
2014-08-20 00:10:25
阅读次数：
376
这几天正好有需求实现一个爬虫程序，想到爬虫程序立马就想到了python，python相关的爬虫资料好像也特别多。于是就决定用python来实现爬虫程序了，正好发现了python有一个开源库scrapy，正是用来实现爬虫框架的，于是果断采用这个实现。下面就先安装scrapy，决定在windows下面安...
Bloom Filter是由Bloom在1970年提出的一种快速查找算法，通过多个hash算法来共同判断某个元素是否在某个集合内。可以用于网络爬虫的url重复过滤、垃圾邮件的过滤等等。
它相比hash容器的一个优势就是，不需要存储元素的实际数据到容器中去来一个个的比较是否存在。
只需要对应的位段来标记是否存在就行了，所以想当节省内存，特别适合海量的数据处理。并且由于省去了存储元素和比较...
分类：
其他好文 时间：
2014-08-18 18:37:02
阅读次数：
339
阅读背景： 如果您对爬虫，或则web前端不够了解，请自行google。 代码前提：您需要参阅本ID 所写的前面两篇博文：? Storm【实践系列-如何写一个爬虫】 - Fetcher 本章主题： ParserBolt 如何完成的解析，并且如何...
分类：
其他好文 时间：
2014-08-18 16:37:42
阅读次数：
376
特别鸣谢阮思绮同学！虽然感觉这个冷冷的博客也没人看23333import mysql.connectorimport sys, osimport urllib.requestimport reimport itertoolsuser = 'root'pwd = ''host = '127.0.0.....
分类：
数据库 时间：
2014-08-18 11:59:44
阅读次数：
352
背景介绍 爬虫系统：一台是control server，其他的100台做crawler。server每天定时分发采集任务。 问题出现：由于目标采集任务比较大，准备增加10台crawler。期望在不改变原有任务分配规 则的基础上，同时优先分配任务少的机器上，而且能够对任务较少的机器进行平均分配（...
分类：
其他好文 时间：
2014-08-17 02:18:31
阅读次数：
258
以前没有写过，这是第一次写，用词不当，表述不清楚的地方请见谅。希望大家多提建议，谢谢。网络爬虫常常被人所忽略，特别是和搜索引擎的光环相比，它似乎有些暗淡无光。我很少看见有详细介绍爬虫实现的文章或者文档。然而，爬虫其实是非常重要的一个系统，特别是在今天这个数据为王的时代。如果你是一个刚刚开始的公司或者...
分类：
其他好文 时间：
2014-08-17 02:17:01
阅读次数：
506
PTVS (Python Tools for Visual Studio)http://pytools.codeplex.com/当前版本：2.1 RCPTVS (Python Tools for Visual Studio) 是一个开源项目，采用Apache 2.0许可发布。PTVS的主要特性包括...
分类：
编程语言 时间：
2014-08-15 12:11:58
阅读次数：
305
