爬虫,通用型,独立型

2015-05-01 22:56:36 +08:00
 whatisnew

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。

3522 次点击
所在节点    Python
8 条回复
est
2015-05-01 23:40:59 +08:00
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
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
2015-05-02 01:56:01 +08:00
看我的
binux
2015-05-02 10:43:48 +08:00
whatisnew
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
2015-05-03 12:06:54 +08:00
@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
2015-05-03 12:28:08 +08:00
不明觉历~~
est
2015-05-03 12:32:27 +08:00
@Owenjia 是啊。。有的时候只能简单粗暴。。

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/187848

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX