python爬虫笔记-day8

爬虫项目
项目名字
request+selenium爬虫

项目周期
项目介绍
爬了XXXXX，XXX，XXX，等网站，获取网站上的XXX，XXX，XXX，数据，每个月定时抓取XXX数据，使用该数据实现了XXX，XXX，XX，

开发环境
linux+pycharm+requests+mongodb+redis+crontab+scrapy_redis+ scarpy + mysql+gevent+celery+threading

使用技术
使用requests...把数据存储在mongodb中
使用crontab实现程序的定时启动抓取
url地址的去重
使用redis的集合，把request对象的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现基于url地址的增量式爬虫
布隆过滤

对数据的去重
把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫

反扒
代理ip
购买了第三的代理ip，组成代理ip池，其中的ip没两天更新一次，同时使用单独的程序来检查代理ip的可用

cookie
准备了XX个账号，使用requests获取账号的对应的cookie，存储在redis中，后续发送请求的时候随机选择cookie
使用selenium来进行模拟登陆，获取cookie，保存在Redis中

数据通过js生成
分析js，通过chrome浏览器定位js的位置，寻找js生成数据的方式
通过selenium来模拟页面的加载内容，获取页面动态加载后的数据

提高爬虫效率
使用多线，线程池，协程，celery来完成爬虫
使用scrapy框架来实现爬虫，
不能断点续爬，请求过的url地址不能持久化
使用scrapy_redis

不能对数据进行去重
把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫

scrapy_redis
domz实现增量式，持久化的爬虫
实现分布式爬虫

项目名字
scarpy爬虫

项目周期
项目介绍
爬了XXXXX，XXX，XXX，等网站，获取网站上的XXX，XXX，XXX，数据，每个月定时抓取XXX数据，使用该数据实现了XXX，XXX，XX，

开发环境
linux+pycharm+requests+mongodb+redis+crontab+scrapy_redis+ scarpy + mysql+gevent+celery+threading

使用技术
使用requests...把数据存储在mongodb中
使用crontab实现程序的定时启动抓取
url地址的去重
使用redis的集合，把request对象的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现基于url地址的增量式爬虫
布隆过滤

对数据的去重
把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫

反扒
代理ip
购买了第三的代理ip，组成代理ip池，其中的ip没两天更新一次，同时使用单独的程序来检查代理ip的可用

cookie
准备了XX个账号，使用requests获取账号的对应的cookie，存储在redis中，后续发送请求的时候随机选择cookie
使用selenium来进行模拟登陆，获取cookie，保存在Redis中

数据通过js生成
分析js，通过chrome浏览器定位js的位置，寻找js生成数据的方式
通过selenium来模拟页面的加载内容，获取页面动态加载后的数据

提高爬虫效率
使用多线，线程池，协程，celery来完成爬虫
使用scrapy框架来实现爬虫，
不能断点续爬，请求过的url地址不能持久化
使用scrapy_redis

不能对数据进行去重
把数据的XXX字段通过sha1生成指纹，放入redis的集合中进行去重，实现增量式爬虫

scrapy_redis
domz实现增量式，持久化的爬虫
实现分布式爬虫