全网微博数据每日亿级实时采集

前言 做微博数据抓取有很长一段时间了,最近把这样任务做到了极致。 简单的说,就是,现在全网任何活跃用户发送的一条微博,能够实时抓取到并存入本地数据库。 这项工作对微博网络舆情的监控预警,有非常重大的意义. 下面是针对这项工作的测试数据,已经可以达到对于全网5.5千万活跃用户的实时微博采集。 如果对...

2018-12-21 13:28:09

阅读数:436

评论数:1

(Gitchat备份)微博爬虫,单机每日千万级的数据 && 吐血整理的微博爬虫总结

前言 此前我发布了一篇博客微博爬虫,每日百万级数据,并且把代码开源在了Github上,然后就有很多人联系我,也有公众号转载了这篇文章。 不过对于微博爬虫,我还是心虚的,因为没有解决了账号池的问题,所以每天百万级的数据,是有水分的。单单爬好友关系,这种简单数据可以达到百万级,如果爬关键词...

2018-07-27 17:54:57

阅读数:5403

评论数:11

千万级微博语料数据整理

数据说明 整理了千万级的微博数据,可以做各种微博语料分析,字段非常丰富 数据最终是一个json文件,每一行都是一个小的json { "_id": { ...

2018-01-27 14:53:55

阅读数:4005

评论数:2

微博爬虫,每日百万级数据

前言新浪微博绝对是一个巨大的,实时的语料库!对微博数据爬取和分析,有重大的意义。 比如,现在要调查工商银行的服务态度,就可以抓取微博内容中包含工商银行的微博语料,然后做情感分析,就可以得到用户对银行服务的满意程度。再比如,最近火热的明星鹿晗,可以抓取鹿晗的粉丝信息,分析这些粉丝处于什么年...

2017-11-01 15:58:28

阅读数:14892

评论数:15

构建爬虫代理池

proxypoolproxypool是一个自动抓取免费代理并检测入库的程序,并提供开放的实时API服务:proxypool-open-WebAPI使用本项目采用python3进行开发,建议使用virtualenv# 下载源码 git clone https://github.com/SimpleB...

2017-11-01 15:56:58

阅读数:9564

评论数:5

教务系统爬虫

正方教务系统助手The helper of ZhengFang System 项目地址:https://github.com/SimpleBrightMan/ZhengFang 欢迎fork,star! 详细分析参见:http://blog.csdn.net/nghuyong/article/...

2016-08-14 10:48:22

阅读数:8989

评论数:1

Django-Restful框架

1.准备工作 安装django框架 安装django-rsetful 框架 pip install djangorestframework2.一个小demo2.1创建django工程 django admin startproject restful django admin st...

2016-04-28 22:48:55

阅读数:15339

评论数:1

Ubuntu空间不足清理

前言 Ubuntu 报错 No space left on device 说明磁盘空间占满了,所以就需要找到是什么文件占用了磁盘,并且删除它. 方案 1 首先通过命令 df -a 显示目前在Linux系统上的文件系统的磁盘使用情况统计 可以看到是/目录占用情况最大 2 进入...

2018-07-04 11:22:46

阅读数:3231

评论数:0

proxypool:自动抓取检测爬虫IP代理,并提供实时开放的WebAPI

欢迎Star/Fork,https://github.com/SimpleBrightMan/proxypoolproxypoolproxypool是一个自动抓取免费代理并检测入库的程序,并提供开放的实时API服务:proxypool-open-WebAPI使用本项目采用python3进行开发,建...

2017-10-17 22:27:07

阅读数:1756

评论数:1

异步爬虫

异步爬虫以往写爬虫就是单进程单线程,假设要爬取100哥页面,就是一个循环挨个爬。但是要执行下面一条抓取,就需要等待网络IO请求执行完毕,所以效率就不高了。 一开始处理的数据不大,还意识不到,如果要爬取上万个页面,差距马上就能凸显了。 所以爬虫必须要并发执行,异步编程。 在python中并发编...

2017-10-09 23:15:14

阅读数:549

评论数:0

logging模块,还在使用print打印?

为什么使用日志使用日志来看程序的输入,相比于print,多了一个层级的概念。并且可以将不同层级的日志信息,进行不同的处理。比如正常的debug信息,就可以正常记录到log文件中,供以后日志挖掘使用。critical级别的可能就需要发送一封邮件给运维人员,及时提醒。日志的级别日志一共分成5个等级,从...

2017-10-02 23:05:14

阅读数:1012

评论数:0

pDHS-SVM:A prediction method for plant DNase I hypersensitive sites based on support vector machine

写在前面这是一篇论文的整理,看题目很高大上!确实,这是一篇SCI。 文章地址:http://www.sciencedirect.com/science/article/pii/S0022519317302527 我因为做了一点微小的贡献,也挂了名字。所以有必要把这篇文章整理一下。 文章题目:...

2017-06-18 23:02:17

阅读数:344

评论数:0

常用的推荐算法小结

推荐系统的必然互联网发展到现阶段,信息已经不是匮乏,而是爆炸。所以良好的用户体验就是把用户喜欢的,感兴趣的从大量的数据中筛选出来,再呈现给用户,实现千人千面的效果。所以推荐系统的出现就是必然了,他可以推荐每个用户感兴趣的产品,同时也将每个产品呈现到感兴趣的用户面前。实现用户和产品的双赢。推荐系统架...

2017-04-11 23:40:34

阅读数:11772

评论数:0

HTTPS与HTTP

HTTPS大创中做APP的后端,一个完整的rest框架,要求数据传输采用https协议。因为客户端与后端直接会涉及用户的私密用户数据,而采取http协议实际上就是明文传输,这是不能接受的。 而HTTPS并非是应用层的一种新协议. 只是HTTP通信接口部分用SLL(Secure Socket La...

2017-04-11 20:45:46

阅读数:279

评论数:0

DES加密

DESDES属于第一种对称加密技术 DES(数据加密标准)算法主要采用替换和移位的方式进行加密, 用56位(64位密钥只有56位有效)对64位二进制数据块进行加密, 每次加密对64位的输入数据进行16轮编码, 经过一系列替换和移位后, 输入的64位原数据转换成完全不同的64位输出数据。流...

2017-03-25 15:05:15

阅读数:249

评论数:0

RSA加密

RSARSA是非对称秘钥加密。用公钥加密,私钥解密。反之亦可。   (1)乙方生成两把密钥(公钥和私钥)。公钥是公开的,任何人都可以获得,私钥则是保密的。   (2)甲方获取乙方的公钥,然后用它对信息加密。   (3)乙方得到加密后的信息,用私钥解密。 解决了对称加密中秘钥传输的问...

2017-03-25 14:38:39

阅读数:908

评论数:0

Clean Code 读书笔记

整洁代码 勒布朗法则: 稍等等于永不 (Later equals never) 程序一开始就要好好写,不要想着以后来维护 保持代码的整洁,不但关乎效率,还关乎生存 读与写时间的比例超过10:1。写新代码的时候,我们一直在阅读旧的代码。 童子军军规:让营地比你来的时候更干净。 有意义的命...

2017-02-19 13:14:47

阅读数:423

评论数:0

Django连接远程数据库

前言项目需要,数据库只有一个,在阿里云上。不采用原先的Sqlite3数据库,采用搭在阿里云上Mysql。这样开发的时候避免仓库中含有数据库文件,数据不能统一。所以需要在Django中配置远端Mysql数据库。 这样数据库始终只有一个!安装Mysql数据库在阿里云上安装Mysql数据库,步骤很简单...

2017-01-21 00:36:32

阅读数:4998

评论数:1

GitHook实现Django自动化部署

前言项目中Django自动化部署的要求是:master分支,push了新的commit,需要自动拉去最新的代码,重启uwsgi,直接部署新版本上线。通过日志文件远程监控部署状态。原来一直寄托与github的webhook来实现,但是这种第三方推送,自己服务器还需要单独开一个webhook服务单独跑...

2017-01-19 13:25:39

阅读数:1798

评论数:0

阿里云 ubuntu 部署hexo,并与本地同步,实现自动部署

前言用hexo搭建博客时看了很多教程,大部分都是讲怎样部署到Github Pages,但是Github Pages有时候访问有问题,就想直接部署在阿里云的ECS(操作系统为ubuntu)上,经过半天的搜索和摸索,找个一个比较好的方法。基本思路有两种方法 1. 在阿里云主机上执行hexo ser...

2017-01-14 23:26:36

阅读数:2696

评论数:1

提示
确定要删除当前文章?
取消 删除
关闭
关闭