HTTP协议
应用层协议
无状态：每次连接，传输都是独立的
无连接：每次连接只处理一个请求
HTTP请求
GET：没有request body
POST: 有request body
HTTP状态码
2xx：成功
3xx：跳转
4xx: 客户端错误 403 Forbidden 没有登录，或ip被封
5xx：服务端错误
python urllib2会自动302跳转
爬取策略
种子站点
深度优先
广度优先
去重策略
1、数据库unique字段存访问过的url 效率太低
2、hashset存访问过的url O(1) 消耗内存
3、md5计算访问过的url后保存到hashset或数据库 碰撞概率较小
4、bit-map，访问过的url的md5值再经过哈希函数映射到bitset某一位 碰撞概率较大
5、bloom filter 使用多个哈希函数，创建一个m位的bitset,先初始化所有位为0，然后选择k个不同的哈希函数，第i个哈希函数对字符串str哈希的结果记为h(i, str),且h(i, str)的范围是0 - m-1
评估网页数量
百度：site:www.mafengwo.cn
google：site:www.mafengwo.cn/travel-scenic-spot
pip install murmurhash3 bitarray pybloomfilter
安装以下两个组件之后依然安装失败
visualcppbuildtools_full.exe
vc_redist.x64.exe
http://www.mafengwo.cn/robots.txt
Sitemap
top-down
pip install lxml
爬取工具
多线程：线程来回切换造成额外开销
多进程多ip，可以提高效率
数据库具有读写保护
分布式数据库 mongodb， redis， hbase
分布式爬虫
分布式系统 master - slave 主从模式
PageRank
数量：指向A页面的链接越多,A越重要
质量：指向A页面的页面质量越高,A越重要
有向图
A -> B -> c -> D
B -> A -> D
C -> A
D -> B -> C
A的PR值：
PR(A) = PR(B) + PR(c)
按照概率：
PR(A) = PR(B)/2 + PR(c)/1
网站如何发现爬虫
1、单一IP非常规的访问频次
2、单一IP非常规的数据流量
3、大量重复简单的网站浏览行为
4、只下载网页，没有后续的js，css请求
5、通过一些陷阱来发现爬虫，例如：一些通过css对用户隐藏的链接，只用爬虫才会访问
反爬：
1、User-Agent
2、基于流量的拒绝：开启带宽限制模块，设置访问最大带宽，每个IP最多3个链接，最大1M/s
3、基于Ip连接的拒绝
可能被发现网站发现
301, 4xx， 500
反爬应对措施
1、动态切换IP，代理服务器 路由器断线重连
2、多主机策略
3、爬慢点，不要攻击主机，找到访问频次的临界点
4、把爬虫放到访问频繁的主站IP的子网下，例如教育网
5、频繁改变自己User-Agent
6、探测陷阱，比如nofollow， display:none
7、如果使用规则进行批量爬取，需要对规则进行组合
8、如果可能按照robots.txt文明爬取
动态网页
PhantomJS + selenium
browser.set_window_size(1280, 2400)
browser.close()
browser.quit()
ignore-image = True 不加载图片，加快速度
URL：
完整路径: http://www.baidu.com
绝对路径: //www.baidu.com
相对路径: /tieba
杀掉所有PhantomJS进程
subprocess.call(“pgrep phantomjs | xargs kill”)
重复网页
完全重复
内容重复
布局重复
部分重复
查重算法：文本相似度
特征提取：分词加权成向量
高维空间夹角越小相似度越高
v1 * v2 = |v1||v2|cosa
海明距离simhash：两个二进制串中不同位的数量
pip install simhash
验证码识别
pillow
pytesseract
正文提取
1、 标签模板
2、 pygoose https://github.com/grangier/python-goose (py2)
文本分类
结巴分词jieba
tf-idf
pip install sklearn scipy numpy
搜索
elasticsearch