黑马程序员技术交流社区

标题: 【郑州校区】 python爬虫笔记-day6 [打印本页]

---

作者: 谷粒姐姐    时间: 2018-11-26 16:49
标题: 【郑州校区】 python爬虫笔记-day6
mongodb mysql redis的区别和使用场景

• mysql是关系型数据库，支持事物
• mongodb，redis非关系型数据库，不支持事物
• mysql，mongodb，redis的使用根据如何方便进行选择
  • 希望速度快的时候，选择mongodb或者是redis
  • 数据量过大的时候，选择频繁使用的数据存入redis，其他的存入mongodb
  • mongodb不用提前建表建数据库，使用方便，字段数量不确定的时候使用mongodb
  • 后续需要用到数据之间的关系，此时考虑mysql
    
    
  
  

爬虫数据去重，实现增量式爬虫

• 使用数据库建立关键字段（一个或者多个）建立索引进行去重
• 根据url地址进行去重
  • 使用场景：
    • url地址对应的数据不会变的情况，url地址能够唯一判别一个条数据的情况
      
      
  • 思路
    • url存在redis中
    • 拿到url地址，判断url在redis的url的集合中是够存在
    • 存在：说明url已经被请求过，不再请求
    • 不存在：url地址没有被请求过，请求，把该url存入redis的集合中
      
      
  • 布隆过滤器
    • 使用多个加密算法加密url地址，得到多个值
    • 往对应值的位置把结果设置为1
    • 新来一个url地址，一样通过加密算法生成多个值
    • 如果对应位置的值全为1，说明这个url地址已经抓过
    • 否则没有抓过，就把对应位置的值设置为1
      
      
    
    
• 根据数据本省进行去重
  • 选择特定的字段，使用加密算法（md5，sha1）讲字段进行假面，生成字符串，存入redis的集合中
  • 后续新来一条数据，同样的方法进行加密，如果得到的字符串在redis中存在，说明数据存在，对数据进行更新，否则说明数据不存在，直接插入
    
    
  
  

page50练习

[AppleScript] 纯文本查看 复制代码

db.tv1.aggregate(

  {$project:{title:1,_id:0,count:"$rating.count",rate:"$rating.value",country:"$tv_category"}},

  {$match:{rate:{$gt:8}}},

  {$group:{_id:"$country",count:{$sum:1}}},

  {$project:{_id:0,country:"$_id",count:1}}

  )

logging 模块的使用

• scrapy
  • settings中设置LOG_LEVEL=“WARNING”
  • settings中设置LOG_FILE="./a.log"  #设置日志保存的位置，设置会后终端不会显示日志内容
  • import logging,实例化logger的方式在任何文件中使用logger输出内容
    
    
• 普通项目中
  • import logging
  • logging.basicConfig(...) #设置日志输出的样式，格式
  • 实例化一个logger=logging.getLogger(__name__)
  • 在任何py文件中调用logger即可
    
    
  
  

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2