随笔分类 -  01_爬虫_crawler

1 2 3 4 下一页
crawler_正则表达式零宽断言
摘要：在使用正则表达式时，有时我们需要捕获的内容前后必须是特定内容，但又不捕获这些特定内容的时候，零宽断言就起到作用了。 (?=exp):零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。 #匹配后面为_path，结果为product 'product_path'.scan /(prod 阅读全文
posted @ 2017-03-02 16:54 cphmvp 阅读(221) 评论(0) 推荐(0) 编辑
crawler_post_cookie_php[mtj统计百度移动统计数据抓取]
该文被密码保护。
posted @ 2017-01-03 21:09 cphmvp 阅读(1) 评论(0) 推荐(0) 编辑
python_spider_demo_post抓取页面数据_并入库
该文被密码保护。
posted @ 2016-08-19 15:49 cphmvp 阅读(8) 评论(0) 推荐(0) 编辑
抓取数据同步备份hive
摘要：1:创建表 2：构建测试数据 在/home/cphmvp下vim文件 aaas.com 内容如下 两列以\t分割 构建初始导入 3： 查询 select * from tbl_spider where site='aaaa.com'; 数据上传备份方案1： load方式 2：put方式 2.1 判断 阅读全文
posted @ 2016-07-21 20:16 cphmvp 阅读(542) 评论(0) 推荐(0) 编辑
题库资源-分析流程
该文被密码保护。
posted @ 2016-01-18 14:26 cphmvp 阅读(2) 评论(0) 推荐(0) 编辑
crawler_Docker_解决用 JavaScript 框架开发的 Web 站点抓取
摘要：[转载，后续补上实践case]有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取【编者的话】Prerender 服务能够为网络爬虫提供预先渲染的动态页面内容，解决了用 JavaScript 框架构建的 Web 站点不支持爬虫抓取的问题。本文详细描述... 阅读全文
posted @ 2015-12-29 10:42 cphmvp 阅读(334) 评论(0) 推荐(0) 编辑
linux_安装_安装编译phantomjs 2.0的方法_转
摘要：项目中要对数据公式webkit渲染，phantmjs 2.0的效果好比1.9好不少。 安装过程中 坑比较多。转载文章：phantomjs 2.0最新版的官方不提供编译好的文件下载，只能自己编译，有教程但是过于简单，特别是服务器上要安装N多的支持。折腾到现在终于装好了并且能正常运行了，截图mark一下... 阅读全文
posted @ 2015-12-09 17:36 cphmvp 阅读(920) 评论(0) 推荐(0) 编辑
crawler_URL编码原理详解
摘要：经常写爬虫的童鞋，难免要处理含有中文的url,大部分时间，都知道url_encode，各个语言也都有支持，今天简单整理下原理，供大家科普1、特征： 如果URL中含有非ASCII字符的话, 浏览器会对URL进行URL_ENCODE, 然后发送给服务器. URL_ENCODE的过程就是把URL作为字符... 阅读全文
posted @ 2015-09-10 14:11 cphmvp 阅读(569) 评论(0) 推荐(1) 编辑
php_cawler_html嵌套标签清洗
摘要：主要处理 嵌套 div，正则无法很好的处理清洗 比如文本： 想要移除 class =quizPutTag 的div ，内部可能嵌套的还有未知层级的div【前提是html文本段是闭合标签的】这是testtestH2C2O4•2H2O△.CO↑+CO2↑+3H2O↑保留的实现codeload(''.$... 阅读全文
posted @ 2015-08-13 18:29 cphmvp 阅读(428) 评论(0) 推荐(0) 编辑
crawler_http关闭连接
摘要：1：ps aux|grep Spider4Test.jar查看端口2： lsof -p [端口号]在爬虫运行期间如果看到 大量的TIME_WAIT WAIT_CLOSE 说明请求关闭阻塞【采用httpclient默认方法 ，其实没有关闭掉，需要跑等3分钟 才会关闭】 大量并发时 会有阻塞3： 解决... 阅读全文
posted @ 2015-07-16 12:24 cphmvp 阅读(227) 评论(0) 推荐(0) 编辑
linux_UBUNTU 12.04 上使用 SQUID 架设HTTP正向代理服务器
摘要：配置普通HTTP正向代理安装1sudo apt-get install squid squid-common配置 squid31sudo vim /etc/squid3/squid.conf搜索此句1http_access deny all修改为1http_access allow all启动/重启... 阅读全文
posted @ 2015-03-25 12:22 cphmvp 阅读(623) 评论(0) 推荐(0) 编辑
crawler_java应用集锦9:httpclient4.2.2的几个常用方法，登录之后访问页面问题，下载文件_设置代理
摘要：在工作中要用到android，然后进行网络请求的时候，打算使用httpClient。总结一下httpClient的一些基本使用。版本是4.2.2。使用这个版本的过程中，百度很多，结果都是出现的org.apache.commons.httpclient.这个包名，而不是我这里的org.apache.h... 阅读全文
posted @ 2015-03-24 21:35 cphmvp 阅读(210) 评论(0) 推荐(0) 编辑
crawler_js_模拟点击
该文被密码保护。
posted @ 2015-03-19 16:18 cphmvp 阅读(9) 评论(0) 推荐(0) 编辑
crawler_google工作原理
摘要： 阅读全文
posted @ 2015-03-17 09:26 cphmvp 阅读(157) 评论(0) 推荐(0) 编辑
cralwer_爬虫代理中心的简要设计
摘要：代理中心：简单讲： 精细化控制限制资源的使用，保证有限资源的充分利用及有效性。支持动态增减，实时更新。需求rest api提供请求输入与输出客户端使用代理心跳接收，用于更新代理的使用次数，被占用情况监测代理可用情况，检查代理对指定请求的响应按客户端，线程名称，请求任务号，分配代理代理中心表的curd... 阅读全文
posted @ 2014-12-31 10:10 cphmvp 阅读(388) 评论(0) 推荐(0) 编辑
httppost body的实现， 和body是gb2312等编码的实现
摘要：使用的是http4.X版本，里面推荐使用的post是keyvalue的形式Listformparams=newArrayList(); for(Stringkey:params.keySet()){formparams.add(newBasicNameValuePair(key,newString(... 阅读全文
posted @ 2014-12-05 10:01 cphmvp 阅读(1784) 评论(0) 推荐(0) 编辑
crawler_正则收集
该文被密码保护。
posted @ 2014-12-02 15:01 cphmvp 阅读(1) 评论(0) 推荐(0) 编辑
linux_安装 redis
摘要：InstallationDownload, extract and compile Redis with:$ wget http://download.redis.io/releases/redis-2.8.17.tar.gz$ tar xzf redis-2.8.17.tar.gz$ cd red... 阅读全文
posted @ 2014-11-26 16:21 cphmvp 阅读(161) 评论(0) 推荐(0) 编辑
php_crawler_下载公共类_demo
该文被密码保护。
posted @ 2014-11-26 10:08 cphmvp 阅读(3) 评论(0) 推荐(0) 编辑
crawler_java_数据平台结构
摘要：大数据生态架构 阅读全文
posted @ 2014-11-18 14:23 cphmvp 阅读(233) 评论(0) 推荐(0) 编辑

1 2 3 4 下一页
爬虫在线测试小工具： http://tool.haoshuju.cn/