如何用SHELL写好网络爬虫

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

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

相关推荐

  • OpenStack私有云部署

    前言 相信你一定对“云主机”一词并不陌生吧,通过在Web页面选择所需主机配置,即可快速定制一台属于自己的虚拟主机,并实现登陆操作,大大节省了物理资源。但这一过程是如何实现的呢?本文带来OpenStack Icehouse私有云实战部署。 OpenStack 简介 OpenStack是由网络主机服务商Rackspace和美国宇航局联合推出的一个开源项目,Ope…

    2016-12-19
  • 马哥linux0811作业内容

    总结位置变量$1,$2.. $10,$11…MAX 位置变量的含义分别就是代表第几个参数,$1就是脚本运行的第一个参数.$2就是第二个.以此类推.直到最后. $*,$@,$# 区别 特殊变量: $0 : 表示命令本身 $#:传递给命令的参数个数 $*:传递给脚本的所有参数(所有参数是一个整体的字符串) $@:传递给脚本的所有参数(各个参数都是独立…

    Linux干货 2016-08-19
  • 哥是玩程序的

      下面一组有趣的Web示例,这些示例使用Web的一些很“土”控件做出一些很有趣的玩意儿。原来,编程是可以用来玩的,看看这些玩程序的人搞出的这些有意思的玩意,简直是玩得太有意思了。不过,请注意,这些东西只能使用Chrome打开,不然,你看不到相关的效果。 用滚动条做的时间 http://toki-woki.net/p/scroll-clock/,下…

    Linux干货 2015-04-01
  • linux发展史

    通过本篇文章,读者可以了解Linux的基本概念、历史、发展情况; 首先,我们通过简单的介绍Linux,了解什么是linux以及它的发展背景; 前言:操作系统介绍 内核负责控制硬件资源分配,而如果只有内核,则只能让计算机硬件运行,而不能有任何功能,因此需要系统调用提供给开发者使用,从而开发应用程序; 内核能够控制硬件,比如:让CPU可以运算、让硬盘可以读写数据…

    Linux干货 2016-10-14
  • N24_辉 学习宣言

    我志愿加入马帮的大家庭。 在此,我坚信有志者事竟成,同时,机会总是留给有准备的人的。 既来之,则安之。我的目标是能在规定的时间内结业,正如马哥所说:完成比完美更重要! 无论如何,也要完成!fighting!!!

    Linux干货 2016-10-24
  • 文本查找之find组合拳

    find命令不仅能帮助我们在数目众多的文件中快速找到满足条件的文本,我们还能通过find处理动作对查找到的文件进行进一步的处理。 一、find的特点:               遍历查找,因此查找速度略慢   &nbs…

    Linux干货 2016-08-15