技术选型：
Scrapy vs requsts+beautifulsoup
1,reqests,beautifulsoup都是库，Scrapy是框架 2,Scrapy中可以加入requests beautifulsoup 3,Scrapy基于twisted，异步IO框架，性能最大的优势 4,Scrapy 扩展方便，提供了许多内置功能 5,内置css和xpath selector（都是c写的）非常方便，beautifulsoup(是纯python写的缺点就是慢)
网页分类
1，静态网页
2，动态页面 3，webservice(restapi)
爬虫能做什么
1，搜索引擎，百度google,垂直领域的搜索引擎
2，推荐引擎，--今日头条 3，机器学习的数据样本 4，数据分析，金融分析
正则表达式
1，为什么学习
精细化提取
2，基础内容 特殊字符 1) ^：^b 必须以b开头 . : 代表任意字符 * ：前面出现的字符任意多次 $ : b$ 必须以b结尾的 ? ：非贪婪匹配模式，尽量少的匹配 + ：前面出现的字符出现(1,+00) {2} : 前面的字符出现了两次 {3，}：前面的字符出现了最少3次 {2,5} : 前面的字符出现了2-5次 | ： 数线 或的关系，先提取前面的 2) [] : [abc] 从abc中都选一个都可以;[0-9a-Z]区间;[.]进入[]中的.*等没特殊意义； [^1] 排除1的都可以匹配 手机号： "1[48357][0-9]{9}" 3) \s : 空格 \S : 只要不是空格就匹配了 \w : 等价于[a-zA-Z0-9_] \W : 除了[a-zA-Z0-9_]都匹配 4) [\u4E00-\u9FA5] ：值提取中文 \d : 数字体会一下非贪婪匹配： 匹配boooobby 中的boooob1 import re2 a = "aaboooobby123"3 match_obj = re.match(".*?(b.*?b).*",a)4 if match_obj:5 print(match_obj.group(1)) #输出匹配子串16 # ".*(b.*b).*" --> bb 贪婪匹配，从左边开始匹配或者7 #说从右边开始找到最后一个符合条件的8 # ".*?(b.*b).*" --> boooobb 括号中是贪婪匹配，直至找到最后一个b9 #".*?(b.*?b).*" --> boooob 都是非贪婪匹配
网站的深度优先和广度优先
深度优先：
对于二叉树，先考虑一边，往深了寻找
Scrapy 默认也是深度优先，递归算法实现 广度优先：优先兄弟节点而不是子节点；按每层遍历
通过队列形式实现URL去重：
1,将URL报存到数据库，麻烦，慢 2,保存到set中，只需要O(1)代价就能查询URL
但是：一亿 100000000*2byte*50个字符/1024/1024=9G 小型爬虫一亿不多 3,url 经过md5等方法哈希后保存到set中 Scrapy采用的就是此；可将字符缩短到固定一般长度16个byte 4,bitmap方法将访问的URL通过hash函数映射到某一位 缺点：冲突可能性较大 5，bloomfilter方法对bitmap进行改进，多重hash函数降低冲突