上周,老大压下来任务,让写一个网络爬虫,负责爬某一个行业网站的数据信息。由于本人只会 shell 编程语言,其它编程语言从未涉猎,因此就只能硬着头皮用 shell 去写了。
转眼之前已经过去一周了,一切从无到有,经历的坎坷无数,这里我就不一一吐槽。
这里呢,我就简单和大家分享下,我个人对,如何用 shell 去写好网络爬虫的几点拙见,希望有想法的朋友联系我一起交流交流想法,没有想法的就看看有精华就吸收走,有糟粕的果断弃之。
1、你肯定要简单了解下网络爬虫是什么!这个定义在谷歌一搜一大堆,这里我就不拷贝了。
2、对HTTP协议要有简单了解,比如HTTP协议1.0和1.1的区别、HTTP协议的请求过程、请求报文都包含哪些内容以及一个网页链接是由哪些部分组成的。针对请求报文的内容,是我们网络爬虫抓取的重点。如果你所要爬的网站需要登录用户名和密码,那么cookie就非常重要;如果你所要爬的网站做了防盗链,那么你就需要声明好你是从哪个连接来的,此时referer就非常的重要;如果你所要爬的网站需要传递POST信息,那么你就要对Form Data和Response比较关注才行,等等,这里仅列举几个重要的点。
3、上面提到了HTTP协议的相关,那么如何把这些信息告知给我们所要爬的目标站点呢?通常我们都是使用游览器做操作的,可是我们现在定义为网络爬虫了,那肯定要脱离人工喽。因此这里我们就要使用到2个命令工具,一个是curl,一个是wget。我个人习惯,对页面内容请求我就使用curl了,对于某些资源下载,比如图片,音频等,我就使用wget去做操作。针对这两个命令,我们所需要重视的是,如何传递cookie,如何传递referer,如何传递POST信息以及如何设置代理信息等这些内容。这里我以curl命令为例,如果我需要传递cookie,那么我就需要用到-b(--cookie)去传递cookie,使用-s(--slient)减少curl页面过程中是不必要的输出信息,使用-e(--referer) 指定从哪个url地址来等等等等,这里不再一一啰嗦。针对curl和wget的命令详解,谷歌一搜一大把,这里同样不再拷贝了。
有以上的知识,就具备了通过命令请求所爬的站点页面信息了,后面所涉及到的就是对所爬信息的筛选、过滤了,以及如何提高爬的速度。
1、针对数据的筛选、过滤,shell真是太在行了。这一点,我相信大家肯定都清楚。shell编程中常用的文本处理工具,比如grep、sed、awk这三个主要的,以及周边的cut、wc、uniq、sort等等。我们通过将这些工具与正则表达式做结合,可以完美实现对于感兴趣信息选取。针对以上几个工具的用法,不在本篇做叙述。
2、针对网络爬虫这个整体脚本的构建,这个就需要你的shell编程经验越熟练越好了,因为这个主要对shell脚本整体框架的组建以及各个逻辑之间的组合关联的把握和感知。如果这个地方处理不好,脚本的效率不仅不会高,出错的排障也是不容易的。
3、针对基于shell的网络爬虫的速度优化,这个还是蛮受上一个点的情况影响了。如果要优化速度,一方面要减少不必要的命令使用,这样能减少磁盘的IO消耗和CPU的效能计算,另一方面我们需要使用 shell 的多线程功能,来提高脚本整体的并发性。
OK!以上就是我对基于shell的网络爬虫个人拙见。下面再补充几点优化思路!
1、爬前要分析所爬网站的地域,比如国内还是国外。如果是国外的,就尽量选择国外的服务器(你懂得)不然速度可能让你汗颜!另外,本地绑定所爬网站的固定IP或者选择一个好的DNS服务器也是不错的选择。
2、在使用shell的多线程功能时,切记要控制住进程数。这个数值要综合考量,一方面要以自身服务器性能为参考依据,另一方面要以所爬站点的承载能力为参考依据,两者缺一不可。一个和谐的数值是需要多次测试求出来的,切记!
3、为了提高爬虫后期的扩展性,因此框架和变量,这两者一定要灵活,不然脚本就是个死脚本,不方便后期的扩展。
虽然shell确实是一个面向过程的编程语言,但是我还是期望能够站在更高的角度去灵活运用它。最后,我个人绝对针对网络爬虫这种东西,使用高级语言比如java、python去写效果应该更好。目前个人,不会高级语言,所以只能用 shell 语言去写,泪奔啊!
在下一篇博文,我会分享我的爬虫脚本给大家,希望能对大家有所帮助!