还是暑假前工作的总结 : 因为要对搜狐页面进行可用性总结,所以得写一段代码。
毫无疑问,爬虫是首选。这里使用了scrapy
但是,scrapy并不能很好的解决我的问题,scrapy的爬取日志不符合我的需要,我需要对redirect行为进行记录,对404等异常进行处理,如果采用黑盒的方法进行基于scrapy的开发,显然不能符合我的需求,于是改代码。
成果:
- 使用了布隆过滤器过滤已经爬取的页面(页面自带符号避免缓存,也需要处理)
- 添加了自定义的日志写入
- 合理的日志处理
- 根据业务调整request和response的处理
地址 :
https://github.com/xujianhai/sohu_auto/tree/develop
By 徐建海