事情是这样的,最近学校里有很多知识竞赛,在网络上答题,想想是很简单麻( ̄∀ ̄) 大家可能都发现了,搜出来的问题有很多一模一样的原题。。。但是排在百度头条的基本都是什么资料网,上学吧这样的需要付费才能看答案的网站Ծ‸Ծ(知识不是共享的麻)其余什么文库里找到的好多都没有答案。。。于是萌生了这样的想法,买个一个月的会员,把这样网站上的题和答案爬下来。
目前会的东西: python requests,xpath
就是说我希望能够提高爬虫的性能,各位 v 友能不能知道一下进阶方法,推荐一些合适额爬虫 demo 或者推荐框架。 还有就是关于数据储存,有没有第三方网站适合来存储这样的数据呢?感谢各位(>ω<)
1
zgbgx1 2017-09-18 21:58:46 +08:00
你要速度和高性能 可以用 nosql 和 mq。
但是 爬虫最重要的你要面对反爬虫,单个账号对于大多数网站来说,就算你使用代理,也会被封掉。 |
2
a87150 2017-09-18 22:10:05 +08:00
性能简单,multithreading 就行了,难的是反反爬虫。
|
3
gogobody OP @zgbgx1 斯国一,那假如先抛开这个问题。请问有没有能免费存取这样的键值对的数据的地方啊。感觉如果爬的话,我的阿里云学生机撑不住
|
5
ys0290 2017-09-18 23:41:16 +08:00 via iPhone
最近在爬美亚的数据,时间间隔都快接近人工访问了,结果爬了 2000 多页被亚马逊反机器人了
|
7
changwei 2017-09-19 01:18:36 +08:00 via Android
@gogobody 不至于空间不足的,现在哪个云主机会没有 20g 的数据盘。云硬盘其实挺便宜的(ー_ー)!!还有增加性能你就去学一学 queue 和 threading 库,把爬虫写成多线程的。
|
8
xiaozizayang 2017-09-19 07:45:35 +08:00 via Android
以写代码来看 这几个库足够了 github 爬虫框架一大把 分布式的 异步的 各种方便 但这并不代表你可以完成了这个项目 你需要了解目标网站的模拟登录以及爬虫限制
|
9
zgbgx1 2017-09-19 08:32:14 +08:00 1
@gogobody https://github.com/luyishisi/Anti-Anti-Spider 这个项目里有专门的免费代理
|
10
zjlin1984 2017-09-19 08:53:04 +08:00
有意思,支持。
|
11
qq270755744 2017-09-19 08:53:59 +08:00 via Android
百度文库怎么免费下载付费资源
|
12
yuluofanchen 2017-09-19 09:50:59 +08:00
@qq270755744 有个百度文库远程代下系统!
|
14
gogobody OP @xiaozizayang 好的,感谢。我先尝试下。遇到问题再来
|
15
qq270755744 2017-09-19 17:03:36 +08:00 via Android
@yuluofanchen 没授权码 T_T
|
16
Soar360 2017-09-20 02:01:25 +08:00 via iPhone
搭车时间又到了 代理 IP 站 https://proxy.coderbusy.com
|