使用多进程
加快爬虫速度的方法有几种,异步,多线程,多进程和分布式,不管是哪种都会用到多实例。这几种方法中,只有多进程适合selenium,selenium本身不支持异步,多线程曾经尝试过似乎有问题。
采用哪种框架
单线程爬虫本身很简单,而大规模的分布式多进程爬虫就比较复杂,Scrapy这种简单的框架拿来学习用或者做简单事情够用了,真实的需求往往比较复杂,需要大量定制,需要对Scrapy非常了解,与其被Scrapy这个框框限制住,不如自己写。没有完全通用的框架,爬虫共通的部分只有URL去重,除非有非常适合需求的框架,否则不如自己写。如果是大规模分布式多进程爬虫,可以采用celery来做分布式框架,爬虫自己写。
自己写爬虫需要注意什么
爬虫归结起来有几个部分:
0.从任务队列中获取URL
单线程爬虫可以直接采用list数据类型,多进程的一般使用数据库比如redis,对任务调度有很复杂的要求的话,可以使用mysql
1.下载网页(借助selenium,requests)
2.分析网页数据和下层链接,按需要保存(使用xpath等等)
3.下层链接按照需要进行筛选,去掉重复URL后,加入任务队列
如果是单线程爬虫,去重可以直接用python的set数据类型,如果是多进程爬虫,通常使用redis的set数据类型。
4.循环直到任务队列为空
采用哪个平台<