python入门

另外如果说知识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图一定不是一个有向无环图。因为学习 A 的经验可以帮助你学习 B。因此，你不需要学习怎么样「入门」，因为这样的「入门」点根本不存在！你需要学习的是怎么样做一个比较大的东西，在这个过程中，你会很快地学会需要学会的东西的。当然，你可以争论说需要先懂 python，不然怎么学会 python 做爬虫呢？但是事实上，你完全可以在做这个爬虫的过程中学习 python :D

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。

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:Bloom Filters by Example

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:LINSERT – Redis)

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。

其实你能想到，有人已经给你写好了你需要的：darkrho/scrapy-redis · GitHub

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：）

三.列举上述conda常用命令的具体用途及示例（部分）

查看conda版本：

命令：conda –version
用途：查看已安装的Conda的版本号。
示例：运行 conda –version，将显示Conda的版本号，如 “conda 4.10.3”。
查看conda信息：

命令：conda info
用途：显示当前Conda环境的详细信息，包括安装路径、默认环境、活动环境等。
示例：运行 conda info，将显示有关Conda配置的详细信息。
创建虚拟环境：

命令：conda create -n myenv python=x.x
用途：创建一个名为”myenv”的新虚拟环境，指定所需的Python版本。
示例：运行 conda create -n myenv python=3.8，将创建一个名为”myenv”的虚拟环境，并安装Python 3.8。
激活环境：

命令：conda activate myenv
用途：激活名为”myenv”的虚拟环境，以便在其中运行Python代码。
示例：运行 conda activate myenv，将切换到”myenv”环境。
退出当前环境：

命令：conda deactivate
用途：退出当前激活的虚拟环境，返回到基础环境。
示例：运行 conda deactivate，将退出当前虚拟环境。
查看环境列表：

命令：conda env list 或 conda info –envs
用途：列出所有已创建的Conda环境。
示例：运行 conda env list，将显示所有可用的虚拟环境。
安装包：

命令：conda install package_name
用途：安装指定的Python包或库。
示例：运行 conda install numpy，将安装NumPy包。
卸载包：

命令：conda uninstall package_name
用途：卸载已安装的Python包。
示例：运行 conda uninstall numpy，将卸载NumPy包。

总的来说，conda只是一个包管理工具，在你的代码之路上起着辅助作用，它不像编程语言那样难理解，我们经常使用的命令来来回回也就那几个，有时的遇到问题，大多也是和环境中的各种库的版本冲突有关的，在使用conda或者pip进行安装时，一定不要盲目的install，要多去网上看几篇帖子，增加自己的理解再去动手做。

下边我将附录几个conda常用的命令，欢迎大家在评论区说说自己的经验与见解，帮助小白尽快走上正轨。

conda常用命令
查看conda版本 conda –version
查看conda信息 conda info
创建虚拟环境
conda create -n myenv python=x.x

激活环境 conda activate myenv
退出当前环境 conda deactivate
查看环境列表
conda env list OR conda info –envs

安装包 conda instal package_name
卸载包 conda unintall package_name
更新conda conda update conda
更新所有已安装的包 conda update –all
列出环境中

已安装的包列表

conda list
搜索你要安装的

包的所有版本

conda search package_name
列出环境中某个包的信息 conda list package_name
删除环境 conda env remove –name myenv