如何用SHELL写好网络爬虫

s19930811 • • Linux干货, 系统运维

原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。http://nolinux.blog.51cto.com/4824967/1550976

       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！

转自：http://nolinux.blog.51cto.com/4824967/1550976

原创文章，作者：s19930811，如若转载，请注明出处：http://www.178linux.com/1947

赞 (0)
s19930811s19930811
0
上一篇 2016-08-15 12:12
下一篇 2016-08-15 12:12

相关推荐

  • linux运维

    linux运维大纲，学习路线图

    Linux干货 2017-10-21
  • 用户组和权限管理的相关命令 Linux干货

    用户组和权限管理的相关命令

    1，useradd  新建用户 useradd -u uid username 创建用户时指定uid（如不指定则Centos:500-60000, Centos7: 1000-60000) -o -u uid username  创建用户时指定uid（可以与已存在用户的uid相同） -g groupname username 创…

    2017-07-25

  • Linux基础与命令解释

    Linux基础与命令 Linux起源      1984 年：Richard Stallman 发起GNU 项目和自由软件基金会 创建开源的UNIX 实用工具版本 创建通用公共许可证（GPL） ） 开源软件许可实施原则  1991 年：Linus Torvalds 发布Linux 创建开放源码，类Unix 的内核，在GPL 下发布 下…

    Linux干货 2017-03-17

  • 马哥教育网络班20期+第3周课程练习

    1、列出当前系统上所有已经登录的用户的用户名，注意：同一个用户登录多次，则只显示一次即可。    w | grep "^root\>" |sort -u   2、取出最后登录到当前系统的用户的相关信息。    who |   3、取出当前系统上被用户当作…

    Linux干货 2016-06-26

  • N21-北京-泥人-马哥教育网络班21期+第一周课程练习

    马哥教育网络班21期  第一周课程练习 一、计算机的组成 1、计算机主要由以下几部分组成：运算器 控制器 存储器（编址存储单元）、 输入、输出设备   2、运算器负责运算：只能做二进制的数学、逻辑运算， 控制器：控制由哪得到数据，放到哪去，协调运算器、存储器、输入、输出等设备 运算器、控制器整合到一起就是常说的中央处理器，也就是CPU。 …

    Linux干货 2016-07-12

  • nginx+tomcat+memcached构建session共享集群

    一、安装配置tomcat 配置前说明： 系统为centos7 m1.xsllqs.com地址为192.168.1.107 c1.xsllqs.com地址为192.168.1.114 c2.xsllqs.com地址为192.168.1.113 安装tomcat需要配合JDK使用，JDK有oracle JDK和open JDK两种 oracle JDK8的下载地…

    Linux干货 2016-06-26
电话咨询
在线咨询