粗暴版分布式+IP池爬取微博签到数据

问:如何分布式?

错误的回答:使用scrapy-redis分发待爬队列

正确的回答:指定单个微博cookie给单个进程,再把user_id%len(cookie)==cookie_id的用户指定给这个进程来爬取:

while user_idx < len(user_list):
    user = user_list[user_idx)
    ...
    user_idx += len(cookie)

然后多开。

…………

 

问:如何多IP?

错误的回答:使用代理,一旦HTTPERROR 418就换下一个,下一个更乖

正确的回答:在手机上下载一个自动执行动作的app:

用来每30秒开关一次手机4G:

  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
分布式爬虫是一种通过多台机器同时进行爬取任务的方式,可以提高爬取效率和稳定性。而微博评论是指用户在微博上对某一条微博进行的评论。 要实现分布式爬取微博评论,可以按照以下步骤进行: 1. 确定爬取目标:首先确定要爬取微博和对应的评论,可以通过微博的URL或者微博的关键词进行搜索。 2. 分布式架构设计:设计一个分布式架构,将爬取任务分配给多台机器进行并行处理。可以使用消息队列或者分布式任务调度系统来实现任务的分发和调度。 3. 数据存储:选择合适的数据库或者分布式存储系统来存储爬取到的评论数据。可以使用MySQL、MongoDB等关系型或非关系型数据库。 4. 爬虫程序编写:编写爬虫程序,使用合适的爬虫框架(如Scrapy)进行微博评论的爬取。可以使用微博的API接口或者模拟登录的方式进行数据的获取。 5. 反爬处理:由于微博有一定的反爬机制,需要采取一些反反爬措施,如设置合理的请求频率、使用代理IP、使用随机User-Agent等。 6. 数据清洗和去重:对爬取到的评论数据进行清洗和去重处理,去除重复数据和无效数据。 7. 分布式任务监控和管理:监控爬虫任务的运行状态,及时发现和处理异常情况。可以使用监控工具或者日志分析工具来实现。 8. 数据分析和可视化:对爬取到的评论数据进行分析和可视化展示,可以使用数据分析工具(如Pandas、Matplotlib)和可视化工具(如Tableau、Echarts)。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值