更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】pyautogui出现“SyntaxError: 'return' with argument inside generator”异常(如图所示)的解决:卸载pyscreeze,安装pyscreeze 0.1.19版本即可。

    sudo pip uninstall pyscreeze   
    sudo pip install pyscreeze==0.1.19 ​​​​
    发布时间:2019-03-27 11:51:05
  • 【经验分享】使用 Chrome DevTools Protocol 协议,在Network.responseReceived时调用Network.getResponseBody获取应答正文有时会出现“No resource with given identifier”异常,是什么原因?
    解答:当浏览器接收到HTTP应答头之后Network.responseReceived被调用,但此时HTTP应答正文(ResponseBody)可能还没到位,应当在Network.loadingFinished时再调用Network.getResponseBody。
    发布时间:2019-03-25 16:42:04
  • 【经验分享】使用Fiddler时如何屏蔽Chrome的证书警告:"Your connection is not private"/"您的连接不是私密连接"(如图1所示)?
    启动chrome的时候加上--ignore-certificate-errors命令行参数(如图2所示)即可。
    测试效果如图3所示。 ​​​​
    发布时间:2019-03-21 17:30:46
  • 【经验分享】Ubuntu server下google-chrome启动出现"[5430:5430:0321/124708.367027:ERROR:browser_dm_token_storage_linux.cc(101)] Error: /etc/machine-id contains 0 characters (32 were expected)."问题的解决:

    sudo cp /var/lib/dbus/machine-id /etc/machine-id

    参考:https://unix.stackexchange.com/questions/477180/error-etc-machine-id-contains-32-characters-32-were-expected ​​​​
    发布时间:2019-03-21 12:57:06
  • 【经验分享】requests库使用py2exe打包之后出现"Could not find a suitable TLS CA certificate bundle"问题的解决:
    原因是打包之后按默认路径无法找到cacert.pem文件。将cacert.pem复制到exe同目录下,然后在程序里设置REQUESTS_CA_BUNDLE环境变量,如下:
    os.environ['REQUESTS_CA_BUNDLE'] =  os.path.join(os.path.dirname(sys.argv[0]), 'cacert.pem')
    重新打包,问题消失。

    参考:https://stackoverflow.com/questions/10667960/python-requests-throwing-sslerror
    发布时间:2019-03-20 13:11:35
  • 【经验分享】Ubuntu上添加可信任根证书
    1. 如果是pem格式的根证书,先重命名为 .crt格式,例如( mitmproxy-ca-cert.crt)。
    2. sudo cp  mitmproxy-ca-cert.crt  /usr/local/share/ca-certificates。
    3. sudo update-ca-certificates

    update-ca-certificates命令将PEM格式的根证书内容附加到/etc/ssl/certs/ca-certificates.crt ,而/etc/ssl/certs/ca-certificates.crt 包含了系统自带的各种可信根证书.
    发布时间:2019-03-18 11:03:48
  • 【经验分享】Python urllib2连接HTTPS网站出现“SSL routines:SSL23_GET_SERVER_HELLO:sslv3 alert handshake failure”问题(如图1所示)的解决。从这里github.com/pytorch/pytorch/issues/3193得知,Python2.7.9之前的版本连接某些HTTPS网站会有这个问题,之后的版本没有问题。于是测了下别的服务器上的Python2.7.12版本,果然没有问题(如图2所示)。

    似乎也是跟SNI有关,去年我们曾写过一篇文章《SNI导致Python 2.7建立TLS连接出现104错误问题的解决》 ,也是升级到最新版本的Python之后问题解决,详细过程见这里 :http://t.cn/EZSeTBn

    附:测试连接 https://jobs.51job.com/beijing-hdq/111488127.html?s=01&t=0
    发布时间:2019-03-14 15:41:19
  • 【经验分享】远程GeckoDriver的使用 - 鲲之鹏的技术人员在本文向您介绍如何远程使用GeckoDriver调用多台服务器上的Firefox浏览器进行数据抓取。  >>> http://www.site-digger.com/html/articles/20190313/716.html ​​​​
    发布时间:2019-03-14 15:26:50
  • 【经验分享】PDF表格抽取Python库 Camelot - https://github.com/socialcopsdev/camelot
    Camelot is a Python library that makes it easy for anyone to extract tables from PDF files!

    依赖的库有点多,不过效果超赞!

    实测效果:
    图1为PDF原始文件截图;
    图2为抽取为CSV后截图; ​​​​
    发布时间:2019-02-20 12:00:43
  • 【经验分享】“永辉生活微信小程序”不响应KEYCODE_PAGE_UP(92) 怎么破?
    测试发现可以响应KEYCODE_DPAD_DOWN(20),不过KEYCODE_DPAD_DOWN一次只能滚动很小的幅度。怎么提升效率? 一次发送多个CODE即可。
    例如,一次发送10个KEYCODE_DPAD_DOWN操作:
    adb shell input keyevent 20 20 20 20 20 20 20 20 20 20
    发布时间:2019-02-15 19:14:57
当前位置: 首页 > 技术文章 >
高速网页缓存方案分享-SSDB缓存 快了不是一点点!
发布时间:2015-06-06 来源:未知 浏览:

鲲鹏数据的技术人员认为一套成熟可靠的的采集系统方案必须具备数据缓存功能,因为:

1)有了页面缓存,在二次运行的时候(比如,添加了字段)可以避免重复下载,大大减少运行时间。特别是针对那些对IP访问频率有限制的网站。
比如,某点评网站拥有超过千万的页面,网站对IP访问频率有限制(太快会出现验证码),完整下载一遍需要一个月左右的时间。如果没有做页面缓存,当客户要求添加一个字段的时候只能重新再下载一遍,就需要再等一个月的时间。而有了页面缓存,就可以在数小时内完成二次运行。
2)有了页面缓存,可以帮助我们查找问题。在数据提取和页面显示不一致时就有据可查。
 
鲲鹏数据的技术人员一直在努力探索最好的页面缓存方案,因为读写缓存的速度对整个采集的速度影响很大。
 
我们先后尝试了SQLite、MongoDB以及直接操作文件系统的方案:
 
1)SQLite,比如我们使用的webscraping库中的PersistentDict就是使用SQLite3作为后端存储实现的。
优点:便携(无依赖),无需额外配置,单文件便于迁移。
缺点:速度非常慢。不支持网络访问。
 
2)MongoDB。
缺点:配置复杂、占用存储空间特别大,速度差强人意。
 
3)直接操作文件系统。我们之前开源的KPCache库就是基于此(http://www.site-digger.com/html/articles/20140123/74.html)。
优点:无需额外配置,兼容所有平台。速度也的确快了很多(100万6KB文档,写入耗费1000秒)。  
缺点:由于方案本身的缺陷,对磁盘inode数量占用很大,海量零散文件,数据难以迁移和销毁。
 
近日,我们又尝试了SSDB(http://ssdb.io/),它号称是Redis的替代者,并且存储容量不受限于系统内存的大小(Redis的存储容量受限于系统内存大小)。测试结果相当令人满意!
 
下面是我们做的一个对比实验:
测试对象:
1)用SQLite做后端的缓存(下面简称SQLite缓存),已将代码公开在这里:https://bitbucket.org/richardpenman/webscraping/src/49c4bbbcfcb6fcd2c3a8e13063fd11ad99b447e3/pdict.py
2)用SSDB做后端的缓存(下面简称SSDB缓存),代码见这里https://bitbucket.org/snippets/kunzhipeng/qyEyy/ssdb
测试环境:Ubuntu 12.04 LTS,16核CPU(2.27GHZ),24GB RAM。
测试过程:
1)单线程写100万个文档(单个大小为10KB)。
2)单线程读100万个文档。
3)多线程(10个线程)写100万个文档(单个文档大小为10KB)。
4)多线程(10个线程)读100万个文档。
下面是测试耗时的对比结果:

SQLite缓存 VS  SSDB缓存

 
多线程情况下SSDB缓存写速度高达4237个页面/秒,读速度高达5291个页面/秒!秒杀之前的任何方案。
我们将在实际的大规模采集项目中对SSDB缓存方案做更多的测试,届时将会向大家分享更多的测试结果。
 
总结一下SSDB的优缺点:
优点:速度快(上面的测试结果显而易见)、支持网络访问。自带数据压缩功能,占用存储空间小。
缺点:经过我们测试,目前SSDB的Windows版本在多线程环境下还不稳定(经常出现socket timeout的问题),因此不建议大家在Windows环境下使用。
特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。

加微信咨询