• 等级
  • 195958 访问
  • 28 原创
  • 1 转发
  • 42370 排名
  • 48 评论
  • 30 获赞

(Gitchat备份)微博爬虫,单机每日千万级的数据 && 吐血整理的微博爬虫总结

前言 此前我发布了一篇博客微博爬虫,每日百万级数据,并且把代码开源在了Github上,然后就有很多人联系我,也有公众号转载了这篇文章。 不过对于微博爬虫,我还是心虚的,因为没有解决了账号池的问题,所以每天百万级的数据,是有水分的。单单爬好友关系,这种简单数据可以达到百万级,如果爬关键词搜索的微博,或者一个人的全部微博,是达不到百万级数据这个量的。 不过既然已经埋了坑,就要填啊。所以自从写了那...

2018-07-27 17:54:57

Ubuntu空间不足清理

前言 Ubuntu 报错 No space left on device 说明磁盘空间占满了,所以就需要找到是什么文件占用了磁盘,并且删除它. 方案 1 首先通过命令 df -a 显示目前在Linux系统上的文件系统的磁盘使用情况统计 可以看到是/目录占用情况最大 2 进入这个目录执行 du -sh * 会显示指定的目录或文件所占用的磁盘空间. -s表示总计,-h是以K,M...

2018-07-04 11:22:46

千万级微博语料数据整理

数据说明 整理了千万级的微博数据,可以做各种微博语料分析,字段非常丰富 数据最终是一个json文件,每一行都是一个小的json { "_id": { "$oid": "5a6c0686ac7eef81e560e719" }, "reposts_num2"

2018-01-27 14:53:55

微博爬虫,每日百万级数据

前言新浪微博绝对是一个巨大的,实时的语料库!对微博数据爬取和分析,有重大的意义。 比如,现在要调查工商银行的服务态度,就可以抓取微博内容中包含工商银行的微博语料,然后做情感分析,就可以得到用户对银行服务的满意程度。再比如,最近火热的明星鹿晗,可以抓取鹿晗的粉丝信息,分析这些粉丝处于什么年龄段,有什么标签,爱好,性别分布等等。这种对人群的分析,还可以同理应用到商业品牌上,用用户市场调研。

2017-11-01 15:58:28

构建爬虫代理池

proxypoolproxypool是一个自动抓取免费代理并检测入库的程序,并提供开放的实时API服务:proxypool-open-WebAPI使用本项目采用python3进行开发,建议使用virtualenv# 下载源码 git clone https://github.com/SimpleBrightMan/proxypool.git cd proxypool # 安装依赖 pip insta

2017-11-01 15:56:58

proxypool:自动抓取检测爬虫IP代理,并提供实时开放的WebAPI

欢迎Star/Fork,https://github.com/SimpleBrightMan/proxypoolproxypoolproxypool是一个自动抓取免费代理并检测入库的程序,并提供开放的实时API服务:proxypool-open-WebAPI使用本项目采用python3进行开发,建议使用virtualenv# 下载源码 git clone https://github.com/Si...

2017-10-17 22:27:07

异步爬虫

异步爬虫以往写爬虫就是单进程单线程,假设要爬取100哥页面,就是一个循环挨个爬。但是要执行下面一条抓取,就需要等待网络IO请求执行完毕,所以效率就不高了。 一开始处理的数据不大,还意识不到,如果要爬取上万个页面,差距马上就能凸显了。 所以爬虫必须要并发执行,异步编程。 在python中并发编程,有三种途径:多进程,多线程和协程。当然这三者还可以组合使用,比如多进程+多线程。 由于存在GIL锁

2017-10-09 23:15:14

logging模块,还在使用print打印?

为什么使用日志使用日志来看程序的输入,相比于print,多了一个层级的概念。并且可以将不同层级的日志信息,进行不同的处理。比如正常的debug信息,就可以正常记录到log文件中,供以后日志挖掘使用。critical级别的可能就需要发送一封邮件给运维人员,及时提醒。日志的级别日志一共分成5个等级,从低到高分别是:DEBUG INFO WARNING ERROR CRITICAL。 DEBUG:详细的信

2017-10-02 23:05:14

pDHS-SVM:A prediction method for plant DNase I hypersensitive sites based on support vector machine

写在前面这是一篇论文的整理,看题目很高大上!确实,这是一篇SCI。 文章地址:http://www.sciencedirect.com/science/article/pii/S0022519317302527 我因为做了一点微小的贡献,也挂了名字。所以有必要把这篇文章整理一下。 文章题目:pDHS-SVM:A prediction method for plant DNase I hyper

2017-06-18 23:02:17

常用的推荐算法小结

推荐系统的必然互联网发展到现阶段,信息已经不是匮乏,而是爆炸。所以良好的用户体验就是把用户喜欢的,感兴趣的从大量的数据中筛选出来,再呈现给用户,实现千人千面的效果。所以推荐系统的出现就是必然了,他可以推荐每个用户感兴趣的产品,同时也将每个产品呈现到感兴趣的用户面前。实现用户和产品的双赢。推荐系统架构一个常见的推荐系统架构一般如下图: 可以看到分为数据来源、推荐引擎和推荐交互三个方面。 数据

2017-04-11 23:40:34

HTTPS与HTTP

HTTPS大创中做APP的后端,一个完整的rest框架,要求数据传输采用https协议。因为客户端与后端直接会涉及用户的私密用户数据,而采取http协议实际上就是明文传输,这是不能接受的。 而HTTPS并非是应用层的一种新协议. 只是HTTP通信接口部分用SLL(Secure Socket Layer)和TLS (Transport Layer Security) 协议替代而已.HTTPS的工作流

2017-04-11 20:45:46

DES加密

DESDES属于第一种对称加密技术 DES(数据加密标准)算法主要采用替换和移位的方式进行加密, 用56位(64位密钥只有56位有效)对64位二进制数据块进行加密, 每次加密对64位的输入数据进行16轮编码, 经过一系列替换和移位后, 输入的64位原数据转换成完全不同的64位输出数据。流程图每一轮运算 代码实现des.h#include <iostream> #include <bits

2017-03-25 15:05:15

RSA加密

RSARSA是非对称秘钥加密。用公钥加密,私钥解密。反之亦可。   (1)乙方生成两把密钥(公钥和私钥)。公钥是公开的,任何人都可以获得,私钥则是保密的。   (2)甲方获取乙方的公钥,然后用它对信息加密。   (3)乙方得到加密后的信息,用私钥解密。 解决了对称加密中秘钥传输的问题,同时也可以用于数字签名。 基于大素数难分解,算法可靠,密钥越长,就越难破解。 目前被破解的最长R

2017-03-25 14:38:39

Clean Code 读书笔记

整洁代码 勒布朗法则: 稍等等于永不 (Later equals never) 程序一开始就要好好写,不要想着以后来维护 保持代码的整洁,不但关乎效率,还关乎生存 读与写时间的比例超过10:1。写新代码的时候,我们一直在阅读旧的代码。 童子军军规:让营地比你来的时候更干净。 有意义的命名不变逻辑,通过修改变量名称。构建方法,使得逻辑清晰。x[0] == 4 cell[STATUS_VAL

2017-02-19 13:14:47

Django连接远程数据库

前言项目需要,数据库只有一个,在阿里云上。不采用原先的Sqlite3数据库,采用搭在阿里云上Mysql。这样开发的时候避免仓库中含有数据库文件,数据不能统一。所以需要在Django中配置远端Mysql数据库。 这样数据库始终只有一个!安装Mysql数据库在阿里云上安装Mysql数据库,步骤很简单:apt-get update apt-get install mysql-server-5.5.2 a

2017-01-21 00:36:32

GitHook实现Django自动化部署

前言项目中Django自动化部署的要求是:master分支,push了新的commit,需要自动拉去最新的代码,重启uwsgi,直接部署新版本上线。通过日志文件远程监控部署状态。原来一直寄托与github的webhook来实现,但是这种第三方推送,自己服务器还需要单独开一个webhook服务单独跑来响应github的推送,操作很不方便!最不能忍的是 Github非常慢 git fetch一下都要等半

2017-01-19 13:25:39

阿里云 ubuntu 部署hexo,并与本地同步,实现自动部署

前言用hexo搭建博客时看了很多教程,大部分都是讲怎样部署到Github Pages,但是Github Pages有时候访问有问题,就想直接部署在阿里云的ECS(操作系统为ubuntu)上,经过半天的搜索和摸索,找个一个比较好的方法。基本思路有两种方法 1. 在阿里云主机上执行hexo server,再配置Nginx反向代理,让blog的域名指向http://localhost:4000。 2

2017-01-14 23:26:36

Django在生产环境中的部署

基本思路 方案:Nginx+uwsgi 这样大体的流程是:nginx作为服务器最前端,负责接收client的所有请求,统一管理。静态请求由Nginx自己处理。非静态请求通过uwsgi传递给Django,由Django来进行处理,从而完成一次WEB请求。 通信请求 the web client <-> the web server(nginx) <-> the socket <-> uwsgi <

2017-01-05 00:44:40

Selenium使用小结

本篇博客记录在使用Selenium过程中遇到的问题。action的使用对于有的超链接,并不能通过获取元素后使用.click()来模拟点击。 需要使用action来进行模拟,完全模拟人的行为,即先移动鼠标到元素上面,在模拟点击! 以点解网页中常见的下一页为例:nextpage = driver.find_element_by_xpath("//[@id=\"sogou_next\"]") #下一页

2016-10-21 16:22:55

爬虫利器:Selenium+PhantomJS

Selenium是一个可以真实模拟浏览器运作的工具。 需要下载selenium.exe文件和安装selenium包。下面是一个简单的模拟访问百度,并点击进入python官网的例子。# coding=utf-8 from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdri

2016-10-20 21:07:20

千叶正志

关注
  • 计算机软件/学生
  • 中国 江苏省 南京市
奖章
  • 持之以恒