存储海量数据
数据持久化的首选方案应该是关系型数据库,关系型数据库的产品很多,包括:Oracle、MySQL、SQLServer、PostgreSQL等。如果要存储海量的低价值数据,文档数据库也是不错的选择,MongoDB是文档数据库中的佼佼者,有兴趣的读者可以自行研究。
下面的代码演示了如何使用MySQL来保存从知乎发现上爬取到的链接和页面。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 |
create database zhihu default charset utf8; create user 'hellokitty'@'%' identified by 'Hellokitty.618'; grant all privileges on zhihu.* to 'hellokitty'@'%'; flush privileges; use zhihu; create table `tb_explore` ( `id` integer auto_increment, `url` varchar(1024) not null, `page` longblob not null, `digest` char(48) unique not null, `idate` datetime default now(), primary key (`id`) ); import hashlib import pickle import re import zlib from urllib.parse import urljoin import MySQLdb import bs4 import requests conn = MySQLdb.connect(host='1.2.3.4', port=3306, user='hellokitty', password='Hellokitty.618', database='zhihu', charset='utf8', autocommit=True) def write_to_db(url, page, digest): try: with conn.cursor() as cursor: cursor.execute( 'insert into tb_explore (url, page, digest) values (%s, %s, %s) ', (url, page, digest) ) except MySQLdb.MySQLError as err: print(err) def main(): base_url = 'https://www.zhihu.com/' seed_url = urljoin(base_url, 'explore') headers = {'user-agent': 'Baiduspider'} try: resp = requests.get(seed_url, headers=headers) soup = bs4.BeautifulSoup(resp.text, 'lxml') href_regex = re.compile(r'^/question') for a_tag in soup.find_all('a', {'href': href_regex}): href = a_tag.attrs['href'] full_url = urljoin(base_url, href) digest = hashlib.sha1(full_url.encode()).hexdigest() html_page = requests.get(full_url, headers=headers).text zipped_page = zlib.compress(pickle.dumps(html_page)) write_to_db(full_url, zipped_page, digest) finally: conn.close() if __name__ == '__main__': main() |
数据缓存
通过《网络数据采集和解析》一文,我们已经知道了如何从指定的页面中抓取数据,以及如何保存抓取的结果,但是我们没有考虑过这么一种情况,就是我们可能需要从已经抓取过的页面中提取出更多的数据,重新去下载这些页面对于规模不大的网站倒是问题也不大,但是如果能够把这些页面缓存起来,对应用的性能会有明显的改善。下面的例子演示了如何使用Redis来缓存知乎发现上的页面。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 |
import hashlib import pickle import re import zlib from urllib.parse import urljoin import bs4 import redis import requests def main(): base_url = 'https://www.zhihu.com/' seed_url = urljoin(base_url, 'explore') client = redis.Redis(host='1.2.3.4', port=6379, password='1qaz2wsx') headers = {'user-agent': 'Baiduspider'} resp = requests.get(seed_url, headers=headers) soup = bs4.BeautifulSoup(resp.text, 'lxml') href_regex = re.compile(r'^/question') for a_tag in soup.find_all('a', {'href': href_regex}): href = a_tag.attrs['href'] full_url = urljoin(base_url, href) field_key = hashlib.sha1(full_url.encode()).hexdigest() if not client.hexists('spider:zhihu:explore', field_key): html_page = requests.get(full_url, headers=headers).text zipped_page = zlib.compress(pickle.dumps(html_page)) client.hset('spider:zhihu:explore', field_key, zipped_page) print('Total %d question pages found.' % client.hlen('spider:zhihu:explore')) if __name__ == '__main__': main() |
本文来自这个系列长期转载Python-100-Days ,本文观点不代表蓝洛水深立场,转载请联系原作者。