收藏的论坛
[杂谈]某MM写给某GG的情书，你是那个他吗？
此文章版权归原作者所有 　　某MM写给某GG的情书，你是那个他吗？　　亲爱的:　　在我敲这些字的时候你已经睡下了。　　秋天深了，天津已经开始变得寒冷，你的被子要盖得暖暖的。　　想捏捏你的脸，告诉你我真的非常想念你。虽然晚上还一起吃了一顿饭。　　玩穿越火线到底是不是因为你，这个我自己都不清楚了。　　但是确实与你有关，并且是大大的关联。因为想走进你的心里，想和你贴得近一些，再近一些。　　一个人，在这样的深夜。打开你的CF账号，关掉游戏的背景乐，点起温柔的firstkiss，静静的看你做的任务，想起你说一定会做完拿到那把水晶。这样的场景，仿佛，你就坐在我的身边。仿佛，你在摸我的头发问我为什么还不睡。仿佛，我们就能手牵手在夕阳里散步，看我们的背影被拉成长长的金黄色。　　你不喜欢用YY。更喜欢一起去网吧，面对面的报点儿。每次，你都是金黄的ACE，而我总是拉你的后腿。每次我因为打得不好阴着脸不说话，你都小心翼翼的摸着我的手说是网吧的和不好。其实傻瓜，每次替你冲锋，死在你之前，我都那么踏实。因为我知道冲上来的你一定会为我报仇。死也死得很幸福。和你一起野战，我总是打得很烂。自己出去打的时候却很好。可能就是因为有你，我太放松，总是千方百计依赖你。而当我一个人的时候，心里面总是在紧锣密鼓地想，不要给你丢脸，不要给战队丢脸，我能很坚强很坚强，结果像偶像剧一样，战绩就很棒了。你在我心里就是这样，坚实的依靠以及源源不绝的力量。你看到这句话的时候一定会说我肉麻吧？　　明天的见面地点约在我家。看来又要和我抢了。说好了一个人两个回合，你不许再耍赖了。我会煮非常美味的面给你，当然前提是你帮我捶背。明天晚上就开学了，假期因为有你，所以很短暂，所以很让人舍不得，所以很粉红色。　　咱们的课程都紧了，大二了，不能总是和大一一样逃课。我的四级侥幸过了，12月份的六级是真的要努力了。你总是督促我背单词，可是自己却不背。就连在CF，你都不放过我，要我一遍遍跟猎狐者说话。就因为要考六级，才没选择飞虎队，才买了猎狐者。而你，买了大白腿的夜玫瑰。　　记得水晶刚出的时候，我在游戏里面总是追着用水晶的人走，等人家死了就去捡枪。结果某天上号的时候就发现在自己的仓库里面出现了一把水晶。应该是叫爱心水晶对不对？枪是很好用，可是自打有了这把枪，大家就都追着我，恨不得我赶紧死了，把枪捡走。　　你送给我的，不只有水晶M4。还有你的心。还有你愿意照顾我这个笨的不行的女人的心愿。你说要给我依靠，你说要在我需要依靠的时候，给我依靠。你知道的，这种依靠只有你给得起。　　你老是怪我不给你写情书。这次，终于圆满完成任务了。　　很感谢穿越火线，其实不管是在CF还是现实生活，你，都能给我最无微不至的保护。　　两个世界，网络和真实。可能偶尔会混淆吧，因为你给我的温柔，一直都没改变过，一直都安静的包围着我。　　晚安，我最亲爱的小智同学。　　小棫敬上
近期游戏热闻47,603被浏览2,867,576分享邀请回答github.com/nvie/rqrq和Scrapy的结合：后续处理，网页析取()，存储(Mongodb)以下是短话长说：说说当初写的一个集群爬下整个豆瓣的经验吧。1）首先你要明白爬虫怎样工作。想象你是一只蜘蛛，现在你被放到了互联“网”上。那么，你需要把所有的网页都看一遍。怎么办呢？没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧。在人民日报的首页，你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了，这样你就已经爬完了俩页面（首页和国内新闻）！暂且不用管爬下来的页面怎么处理的，你就想象你把这个页面完完整整抄成了个html放到了你身上。突然你发现， 在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊。所以，你需要用你的脑子，存下你已经看过的页面地址。这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址。如果去过，那就别去了。好的，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页。那么在python里怎么实现呢？很简单import Queue
initial_page = "http://www.renminribao.com"
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直进行直到海枯石烂
if url_queue.size()&0:
current_url = url_queue.get()
#拿出队例中第一个的url
store(current_url)
#把这个url代表的网页存储好
for next_url in extract_urls(current_url): #提取把这个url里链向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
写得已经很伪代码了。所有的爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。2）效率如果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎需要爬下全网的内容了。问题出在哪呢？需要爬的网页实在太多太多了，而上面的代码太慢太慢了。设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有网页要遍历一次，而每次判重用set的话需要log(N)的复杂度。OK，OK，我知道python的set实现是hash——不过这样还是太慢了，至少内存使用效率不高。通常的判重做法是怎样呢？Bloom Filter. 简单讲它仍然是一种hash的方法，但是它的特点是，它可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中。可惜天下没有白吃的午餐，它的唯一问题在于，如果这个url不在set中，BF可以100%确定这个url没有看过。但是如果这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不确定性。注意这里的不确定性在你分配的内存足够大的时候，可以变得很小很少。一个简单的教程:注意到这个特点，url如果被看过，那么可能以小概率重复看一看（没关系，多看看不会累死）。但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了！）。 [IMPORTANT: 此段有问题，请暂时略过]好，现在已经接近处理判重最快的方法了。另外一个瓶颈——你只有一台机器。不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。用一台机子不够的话——用很多台吧！当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧）。3）集群化抓取爬取豆瓣的时候，我总共用了100多台机器昼夜不停地运行了一个月。想象如果只用一台机子你就得运行100个月了...那么，假设你现在有100台机器可以用，怎么用python实现一个分布式的爬取算法呢？我们把这100台中的99台运算能力较小的机器叫作slave，另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。同样，bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave。Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。（至少平摊是O(1)，Redis的访问效率见:)考虑如何用python实现：在各台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。代码于是写成#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = "www.renmingribao.com"
while(True):
if request == 'GET':
if distributed_queue.size()&0:
send(distributed_queue.get())
elif request == 'POST':
bf.put(request.url)
好的，其实你能想到，有人已经给你写好了你需要的：4）展望及后处理虽然上面用很多“简单”，但是真正要实现一个商业规模可用的爬虫并不是一件容易的事。上面的代码用来爬一个整体的网站几乎没有太大的问题。但是如果附加上你需要这些后续处理，比如有效地存储（数据库应该怎样安排）有效地判重（这里指网页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）有效地信息抽取（比如怎么样抽取出网页上所有的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息，比如图片我存来干嘛...及时更新（预测这个网页多久会更新一次）如你所想，这里每一个点都可以供很多研究者十数年的研究。虽然如此，“路漫漫其修远兮,吾将上下而求索”。所以，不要问怎么入门，直接上路就好了：）11K269 条评论分享收藏感谢收起#-*-coding:utf-8-*- #编码声明，不要忘记！
import requests
#这里使用requests，小脚本用它最合适！
from lxml import html
#这里我们用lxml，也就是xpath的方法
#豆瓣模拟登录，最简单的是cookie，会这个方法，80%的登录网站可以搞定
cookie = {}
raw_cookies = ''#引号里面是你的cookie，用之前讲的抓包工具来获得
for line in raw_cookies.split(';'):
key,value = line.split("=", 1)
cookie[key] = value #一些格式化操作，用来装载cookies
#重点来了！用requests，装载cookies，请求网站
page = requests.get('#妹纸的豆瓣主页#',cookies=cookie)
#对获取到的page格式化操作，方便后面用XPath来解析
tree = html.fromstring(page.text)
#XPath解析，获得你要的文字段落！
intro_raw = tree.xpath('//span[@id="intro_display"]/text()')
#简单的转码工作，这步根据需要可以省略
for i in intro_raw:
intro = i.encode('utf-8')
print intro #妹子的签名就显示在屏幕上啦
#接下来就是装载邮件模块，因为与本问题关联不大就不赘述啦~
怎么样~是不是很简单~V1.2更新日志：
修改了一些细节和内容顺序
2.1K95 条评论分享收藏感谢收起下载客户端X
已选条件：
适用类型：
鼠标大小：
工作方式：
连接方式：
鼠标接口：
人体工学：
其他参数：
最高分辨率
分辨率可调
更多选项（人体工学，最高分辨率）等
共 2504 款
参考价：￥145
参考价：￥149
参考价：￥459
参考价：￥369
参考价：￥129
参考价：￥128
参考价：￥499
参考价：￥400
参考价：￥459
参考价：￥260
参考价：￥1029
参考价：￥150
参考价：￥249
参考价：￥190
参考价：￥390
参考价：￥199
参考价：￥499
参考价：￥90
参考价：￥159
参考价：￥180
参考价：￥400
参考价：￥230
参考价：￥135
参考价：￥138
参考价：￥65
参考价：￥360
参考价：￥120
参考价：￥450
参考价：￥290
参考价：￥900
参考价：￥500
参考价：￥150
参考价：￥550
参考价：￥550
参考价：￥490
参考价：￥39
参考价：￥49
参考价：￥499
参考价：￥150
参考价：￥1500
参考价：￥900
参考价：￥650
参考价：￥199
参考价：￥260
参考价：￥180
参考价：￥245
参考价：￥199
参考价：￥170
还有款鼠标&&
装机硬件相关子类
硬件外设相关子类
扩展配件相关子类
相关类别：
热门类别：