最近需要收集資料，在瀏覽器上用另存為的方式實(shí)在是很麻煩，而且不利于存儲(chǔ)和檢索。所以自己寫了一個(gè)小爬蟲(chóng)，在網(wǎng)上爬東西，迄今為止，已經(jīng)爬了近百萬(wàn)張網(wǎng)頁(yè)。
現(xiàn)在正在想辦法著手處理這些數(shù)據(jù)。
爬蟲(chóng)的結(jié)構(gòu)：
爬蟲(chóng)的原理其實(shí)很簡(jiǎn)單，就是分析下載的頁(yè)面，找出其中的連接，然后再下載這些鏈接，再分析再下載，周而復(fù)始。在數(shù)據(jù)存儲(chǔ)方面，數(shù)據(jù)庫(kù)是首選，便于檢索，而開(kāi)發(fā)語(yǔ)言，只要支持正則表達(dá)式就可以了，數(shù)據(jù)庫(kù)我選擇了mysql，所以，開(kāi)發(fā)腳本我選擇了php。它支持perl兼容正則表達(dá)式，連接mysql很方便，支持http下載，而且windows系統(tǒng)和linux系統(tǒng)都可以部署。
正則表達(dá)式:
正則表達(dá)式是處理文字的基本工具，要取出html中的鏈接和圖片，使用的正則表達(dá)式如下。
"#<a[^>]+href=(['\"])(.+)\\1#isU" 處理鏈接
"#<img[^>]+src=(['\"])(.+)\\1#isU" 處理圖片
其他問(wèn)題:
寫爬蟲(chóng)還需要注意的一個(gè)問(wèn)題是，對(duì)于已經(jīng)下載過(guò)的url，不能重復(fù)進(jìn)行下載，而有些網(wǎng)頁(yè)的鏈接會(huì)形成環(huán)路，所以需要處理這個(gè)問(wèn)題，我的處理方法是計(jì)算已經(jīng)處理的url的MD5 值，并存入數(shù)據(jù)庫(kù)，這樣就可以檢驗(yàn)是否已經(jīng)下載過(guò)。當(dāng)然還有更好的算法，有興趣的話，可以在網(wǎng)上找一下。
相關(guān)協(xié)議:
爬蟲(chóng)也有自己的協(xié)議，有個(gè)robots.txt文件定義了那些是網(wǎng)站允許遍歷的，但是由于我的時(shí)間有限，沒(méi)有實(shí)現(xiàn)這個(gè)功能。
其他說(shuō)明:
php支持類編程,我寫的爬蟲(chóng)主要的類.
1.url處理web_site_info，主要用處理url，分析域名等。
2.數(shù)據(jù)庫(kù)操作mysql_insert.php,處理和數(shù)據(jù)庫(kù)相關(guān)的操作。
3.歷史記錄處理，記錄已經(jīng)處理的url。
4.爬蟲(chóng)類。
存在的問(wèn)題和不足
這個(gè)爬蟲(chóng)在小數(shù)據(jù)量的情況下，運(yùn)行良好，但是在大數(shù)據(jù)量的情況下，歷史記錄處理類的效率就不是很高，通過(guò)在數(shù)據(jù)庫(kù)結(jié)構(gòu)中，對(duì)相關(guān)字段進(jìn)行了索引，速度有了提高，但是需要不斷得讀取數(shù)據(jù)，可能和php本身的array實(shí)現(xiàn)有關(guān)系，如果一次加載10萬(wàn)條歷史記錄，速度非常慢。
不支持多線程，每次只能處理一個(gè)url。
php運(yùn)行本身有內(nèi)存使用量限制，有一次在抓取深度為20的頁(yè)面的時(shí)候，內(nèi)存用盡程序被殺。
下面的url是源碼下載。
http://m.shnenglu.com/Files/hdqqq/net_spider.rar
使用的時(shí)候，先在mysql中創(chuàng)建net_spider數(shù)據(jù)庫(kù)，然后用db.sql創(chuàng)建相關(guān)表。再在config.php中設(shè)置mysql的用戶名口令。
最后
php -f spider.php 深度(數(shù)值) url
就可以開(kāi)始工作。如
php -f spider.php 20 http://news.sina.com.cn
現(xiàn)在感覺(jué)下來(lái)，其實(shí)做個(gè)爬蟲(chóng)沒(méi)那么復(fù)雜，難的是數(shù)據(jù)的存儲(chǔ)和檢索。我現(xiàn)在的數(shù)據(jù)庫(kù)，最大一個(gè)數(shù)據(jù)表已經(jīng)15G，正在想辦處理這些數(shù)據(jù)，mysql進(jìn)行查詢已經(jīng)感覺(jué)有點(diǎn)力不從心了。這點(diǎn)上還真佩服google。