V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
whatisnew
V2EX  ›  Python

爬虫,通用型,独立型

  •  
  •   whatisnew · 2015-05-01 22:56:36 +08:00 · 3519 次点击
    这是一个创建于 3494 天前的主题,其中的信息可能已经有所发展或是发生改变。

    大家在写爬虫的时候是写成通用型,还是独立型呢?

    比如,通用型:一套规则对应一个爬虫
    比如,独立型:一个规则对应一个爬虫

    比如,要爬100〜10000个不等的网站,用哪种方案比较合适呢?

    之所以,这么问,是因为不管是通用型还是独立型,每一个抓取规则都要人肉分析 dom 结构的,如果每一个都要人肉分析的话,那么通用和独立的区别就只有程序结构和代码维护方面的区别了。

    8 条回复    2015-05-03 12:32:27 +08:00
    est
        1
    est  
       2015-05-01 23:40:59 +08:00   ❤️ 1
    爬虫专家 @binux 他是pyspider作者。

    人肉分析DOM结构已经过时了。现代的方式是直接pick DOM元素自动生产xpath或者css selector或者正则或者whatever。
    webflier
        2
    webflier  
       2015-05-02 00:12:08 +08:00
    @est 直接pick DOM元素自动生产xpath或者css selector或者正则或者whatever
    这是有什么现成工具吗?求指导
    sohoer
        3
    sohoer  
       2015-05-02 01:56:01 +08:00 via iPhone   ❤️ 1
    看我的
    binux
        4
    binux  
       2015-05-02 10:43:48 +08:00   ❤️ 1
    whatisnew
        5
    whatisnew  
    OP
       2015-05-02 11:05:21 +08:00
    再问:

    请求头,是伪装成 baidu 呢?还是伪装成 ie8 呢,还是伪装成 chrome 呢。

    header 头里的:
    Accept:
    Accept-Encoding:

    之类的如何写可以提高抓取成功率呢?(目前发现有一些会对 Googlebot 和 Baiduspider 和 正常浏览器提供不同的内容,然后 dom 规则就失效了!x... )
    Owenjia
        6
    Owenjia  
       2015-05-03 12:06:54 +08:00 via Android
    @est 遇到过一个超复杂超乱的页面,最后实在没办法就去掉所有标签直接 split 了……
    thedarkside
        7
    thedarkside  
       2015-05-03 12:28:08 +08:00
    不明觉历~~
    est
        8
    est  
       2015-05-03 12:32:27 +08:00
    @Owenjia 是啊。。有的时候只能简单粗暴。。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2772 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 08:09 · PVG 16:09 · LAX 00:09 · JFK 03:09
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.