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命令格式和常用命令

    Linxu命令使用格式 ~]#COMMAND OPTIONS ARGUMENTS CMMMAND：发起一命令：请求内核将某个二进制程序运行为一个进程； OPTIONS：指定命令的运行特性； 短选项：-C, 例如-l, -d 注意：有些命令的选项没有-； 如果同一命令同时使用多个短选项，多数可合并：-l -d = -ld 长选项：–word, 例如…

    Linux干货 2018-03-04

  • mysql主从复制以及扩展

    一、MySQL简单复制相关概念：    1. mysql复制的意义：Mysql复制是使得mysql完成高性能应用的前提    2. mysql复制的机制：             SLAVE端线程: …

    Linux干货 2015-12-16

  • Centos系统启动概括流程

    §·Centos系统启动概括流程 系统启动流程： PC (OS Llinux) POST(开机)–>BIOS–>MBR(bootloader .446字节)—>kernel–>/sbin/init（/etc/inittab）(用户空间的管理进程)   备注： POST :加电自…

    Linux干货 2016-09-08
  • sed 流编辑器使用详解 Linux干货

    sed 流编辑器使用详解

    一、Stream EDitor, 行编辑器   sed是一种流编辑器，它一次处理一行内容。处理时，把当前处理的行存储在临时缓冲区中，称为“模式空间”（pattern space），接着用sed命令处理缓冲区中的内容，处理完成后，把缓冲区的内容送往屏幕。接着处理下一行，这样不断重复，直到文件末尾。文件内容并没有改变，除非你使用重定向存储输出…

    2016-08-10

  • wk_03作业

    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。 who |cut -d' ' -f1|uniq 2、取出最后登录到当前系统的用户的相关信息。 # who |tail -1 |cut -d &#03…

    Linux干货 2016-12-15

  • 高级文件系统管理之mdadm与lvm的创建

    ※配置配额系统 磁盘配额就是管理员可以为用户所能使用的磁盘空间进行配额限制，每一用户只能使用最大配额范围内的磁盘空间，比如一些网盘就是基于这个功能来做的，分配给用户固定的空间，花钱买，可以将空间设置的更大。 功能作用 磁盘配额可以限制指定账户能够使用的磁盘空间，这样可以避免因某个用户的过度的使用磁盘空间造成其它用户无法运行或工作甚至影响系统运行。这个功能不止…

    Linux干货 2016-08-27
电话咨询
在线咨询