青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品

socketref,再見!高德

https://github.com/adoggie

  C++博客 :: 首頁 :: 聯系 :: 聚合  :: 管理
  246 Posts :: 4 Stories :: 312 Comments :: 0 Trackbacks

常用鏈接

留言簿(54)

我參與的團隊

搜索

  •  

最新評論

閱讀排行榜

評論排行榜

幾個性能問題: 
  1. 商品圖像信息加入pgsql, 字段類型: model.BinaryField  (django 1.6) 
  2. django1.6提供數據庫長連接功能  
CONN_MAX_AGE 參數,可加快訪問速度
  3. gevent.spawn() 創建所有task,將導致進程被直接Kill掉,因為內存瘋長,所涉及的資源達到頂端將被OS殺死,包括:內存overload,file handle...
      使用 gevent.pool.Pool控制并發數量
   4. postgresql.conf 修改max_connections參數到300并發數
  5. 導入數據時,可先去除Table的索引,加快插入速度 
  
6 . django關閉DEBUG模式(會導致內存泄露不釋放) 





#
--coding:utf-8--


'''
    yixun_crawler - 易迅網站商品信息收集器
    author: scott
    date:

    目前僅考慮單點設備登錄

    lxml 的xpath還存在部分問題(還是自己沒完全領會呢?)

    source-code and db-sample:
           http://114.215.178.29/static/projects/crawler/
'''

import imp
imp.load_source('init','../init_script.py')
import gevent
import os,os.path,sys,struct,time,traceback,signal,threading,copy,base64,datetime

# from django.db import connection
#
 from django.db.models import Sum
from django.db import transaction

import yixun.models as  yixun

from bson.objectid import ObjectId
import lxml.etree as etree

import urllib2,urlparse

dbfile = 'goods.txt'

fdbfile = open(dbfile,'wb')

class ResourceItem:
    def __init__(self,text,href=None,tag=None,parent=None):
        self.text = text
        self.tag=tag
        self.href=href
        self.children=[]
        self.parent = parent


def scrape_page(url,pageIndex,cat1,cat2,cat3):
    print 'scrape_page:',url

    req = urllib2.urlopen(url)
    data = req.read()
    # savefile(data)
    html = etree.HTML(data.decode('utf-8'))

    #page size

    curPage = 0
    r = html.xpath('//*[@id="list"]/div[5]/div[2]/span/b/text()')
    if not r: return False
    curPage = r[0]
    r = html.xpath('//*[@id="list"]/div[5]/div[2]/span/text()')
    if not r : return False
    pageNum = int(r[0][1:])
    print pageNum,curPage

    #有一種情況,傳入大于總page數量的值,server會返回第一個page

    if pageIndex > pageNum:
        return False


    #檢索品牌
    goods = html.xpath(u"//div[@class='mod_goods']")
    if not goods:
        print 'skipped..'
        return False
    for g in goods:
        for e in g.getchildren():
            if e.get('class') ==  'mod_goods_info':    #一下search動作用xpath無法實現,所以只好挨個查找
                name = ''
                price =None
                link = ''
                for  p in e.getchildren():
                    if p.get('class')=='mod_goods_tit':
                        a= p.getchildren()[0]
                        name =  a.text.encode('utf-8')
                        link = a.get('href')

                    if p.get('class')=='mod_goods_price':
                        price = p.getchildren()[0].getchildren()[1].text.encode('utf-8')
                if name and price and link:
                    # print name , price ,link
                    text = "%s || %s || %s || %s || %s || %s\n"%(cat1,cat2,cat3,name,price,link.strip())

                    print text

                    gitem = yixun.GoodsItem()
                    gitem.cat1 = cat1
                    gitem.cat2 = cat2
                    gitem.cat3 = cat3
                    gitem.name = name
                    gitem.cat5 =  link

                    try:
                        gitem.price = float(price)
                    except:
                        pass
                    gitem.save()

                    # fdbfile.write(text)
                    # fdbfile.flush()


    return True

    # ss= p.xpath('..//dd/a')

'''
http://searchex.yixun.com/705740t705741-1-/?YTAG=2.1738456040037
http://searchex.yixun.com/html?path=705740t705741&area=1&sort=0&show=0&page=2&size=40&pf=0&as=0&charset=utf-8&YTAG=2.1738456040037#list
http://searchex.yixun.com/html?path=705740t705741&area=1&sort=0&show=0&page=1&size=40&pf=0&as=0&charset=utf-8&YTAG=2.1738456040037#list
'''
def scrape_cat(cat,yPageId,yPageLevel,tag,cat1,cat2,cat3):
    try:
        print cat.href
        #parse url
        url = cat.href
        fs =  urlparse.urlparse(url)
        path,qs=fs[2],fs[4]
        cat_idx =  path[1:].split('-')[0]
        # tag = qs.split('=')[1]
        tag = "%s.%s%s"%(yPageLevel,yPageId,tag)
        #make path url
        for page in range(1,500):
            url = "http://searchex.yixun.com/html?path=%s&area=1&sort=0&show=0&page=%s&size=40&pf=0&as=0&charset=utf-8&YTAG=%s#list"%(cat_idx,page,tag)
            if not scrape_page(url,page,cat1,cat2,cat3):
                break

        return


    except:
        traceback.print_exc()
        # print 'page is null,skipped..'

def savefile(d,filename='sample.html'):
    f = open(filename,'w')
    f.write(d)
    f.close()

def test():
    try:
        url = 'http://searchex.yixun.com/705740t705741-1-/?YTAG=2.1738456040037'
        fs =  urlparse.urlparse(url)
        path,qs=fs[2],fs[4]
        cat_idx =  path[1:].split('-')[0]
        tag = qs.split('=')[1]
        print cat_idx,tag

        return

        all_url = 'http://searchex.yixun.com/html?YTAG=3.705766287001&path=705882t705893'
        req = urllib2.urlsplit(all_url)
        html = req.read()
        savefile(html)

        dom = etree.HTML(html.decode('utf-8'))
        p = dom.xpath(u"//div[@title='品牌']")[0]
        ss= p.xpath('..//dd/a')
        print ss[0].text.encode('utf-8')

    except:
        traceback.print_exc()

def craw_start():
    import re
    try:
        all_url = 'http://searchex.yixun.com/?YTAG=2.1738456090000'
        req = urllib2.urlopen(all_url)
        html = req.read()

        # group = re.search("window\.yPageId ='(.*?)'",html)
        yPageId = re.search("window\.yPageId\s*=\s*'(\d+?)'",html).group(1)
        yPageLevel = re.search("window\.yPageLevel\s*=\s*'(\d+?)'",html).group(1)
        print yPageId,yPageLevel

        dom = etree.HTML(html.decode('gb2312'))
        all_cats=[]
        cat1_list = dom.xpath("//div[@class='m_classbox']")
        for cat in cat1_list:
            cat1_text = cat.xpath('h3/text()')[0]
            cat1_e = ResourceItem(cat1_text)
            all_cats.append(cat1_e)
            print cat1_e.text.encode('utf-8')
            div = cat.xpath("div")[0]
            for dl in  div.xpath('dl'):
                cat2 = dl.xpath('dt/a')[0]
                cat2_e = ResourceItem(cat2.text,href=cat2.attrib['href'],tag=cat2.attrib['ytag'],parent=cat1_e)
                cat1_e.children.append(cat2_e)
                print ' '*4,cat1_e.text.encode('utf-8'),cat2_e.href,cat2_e.tag
                for cat3 in dl.xpath('dd/a'):
                    cat3_e = ResourceItem(cat3.text,href=cat3.attrib['href'],tag=cat3.attrib['ytag'],parent=cat2_e)
                    cat2_e.children.append(cat3_e)
                    print ' '*8,cat3_e.text.encode('utf-8'),cat3_e.href,cat3_e.tag
        tasks =[]
        for e1 in all_cats:
            print '-'*1,e1.text.encode('utf-8')
            for e2 in e1.children:
                print '  '*2    ,e2.text.encode('utf-8')
                for e3 in e2.children:
                    print '  '*4,e3.text.encode('utf-8')
                    task = gevent.spawn(scrape_cat,e3,yPageId,yPageLevel,e2.tag,e1.text.encode('utf-8'),e2.text.encode('utf-8'),e3.text.encode('utf-8'))
                    tasks.append(task)
                    # scrape_cat(e3,yPageId,yPageLevel,e2.tag,e1.text.encode('utf-8'),e2.text.encode('utf-8'),e3.text.encode('utf-8'))
                    # return
        gevent.joinall(tasks)
    except:
        traceback.print_exc()


if __name__ == '__main__':
    craw_start()
    # test()
    pass
posted on 2014-05-20 11:33 放屁阿狗 閱讀(17192) 評論(0)  編輯 收藏 引用

只有注冊用戶登錄后才能發表評論。
網站導航: 博客園   IT新聞   BlogJava   博問   Chat2DB   管理


青青草原综合久久大伊人导航_色综合久久天天综合_日日噜噜夜夜狠狠久久丁香五月_热久久这里只有精品
  • <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>
    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>
            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>
            欧美一区二区成人| 一本到高清视频免费精品| 国产精品第2页| 欧美电影电视剧在线观看| 国产精品一区久久久| 亚洲国产老妈| 伊人成人网在线看| 午夜精品久久久久久久白皮肤| 日韩视频第一页| 久久综合给合久久狠狠狠97色69| 性欧美xxxx大乳国产app| 欧美日本精品在线| 亚洲国产精品成人| 亚洲黄色在线视频| 久久久综合网| 久久综合99re88久久爱| 国产日韩精品一区二区| 亚洲综合色在线| 欧美一区二区国产| 国产精品免费视频观看| 亚洲午夜黄色| 午夜精品一区二区三区在线 | 亚洲欧美精品在线观看| 中文精品视频| 欧美午夜精品一区| 在线亚洲电影| 亚久久调教视频| 国产毛片精品视频| 香蕉成人伊视频在线观看| 欧美一区日韩一区| 国产日韩一区二区三区在线播放| 亚洲欧美制服另类日韩| 欧美在线视屏| 一区二区在线视频播放| 久久婷婷丁香| 亚洲欧洲精品成人久久奇米网| 亚洲毛片在线看| 欧美日韩国产综合新一区| 一本色道久久综合狠狠躁篇的优点| 在线视频日韩| 国产美女精品人人做人人爽| 欧美亚洲一区二区在线| 免费成人黄色| 一区二区三区国产在线| 国产精品久久91| 欧美一区在线直播| 欧美成人精品| 亚洲视频精品在线| 国产午夜精品久久久| 久久综合九色综合欧美就去吻 | 玖玖玖免费嫩草在线影院一区| 狠狠综合久久av一区二区小说| 久久女同互慰一区二区三区| 亚洲激情国产精品| 亚洲综合精品一区二区| 国产亚洲欧美日韩一区二区| 免费看精品久久片| 一区二区高清在线| 久久一区精品| 亚洲一区二区四区| 在线观看三级视频欧美| 欧美精品在线观看一区二区| 午夜精品视频网站| 亚洲大胆av| 久久精品91久久香蕉加勒比 | 另类成人小视频在线| 一区二区三欧美| 国精品一区二区| 欧美另类在线观看| 久久精品人人做人人爽| 一区二区三区四区精品| 欧美福利视频在线| 久久av一区| 亚洲午夜在线观看视频在线| 激情久久久久久久久久久久久久久久| 欧美日本国产视频| 久久久久一区二区三区| 亚洲一区制服诱惑| 亚洲美女啪啪| 亚洲成人资源网| 久久久久青草大香线综合精品| 亚洲视频在线观看视频| 亚洲欧洲日本在线| 国产自产2019最新不卡| 国产精品美女一区二区在线观看| 欧美xxx成人| 久久久亚洲人| 久久精品99| 午夜精品久久久久久久| 国产精品99久久久久久久女警| 亚洲国产欧美一区二区三区同亚洲 | 欧美国产免费| 久久久另类综合| 欧美一区影院| 欧美一进一出视频| 亚洲欧美999| 亚洲视频第一页| 中文精品视频| 亚洲深夜福利网站| 在线综合视频| 一本久久a久久免费精品不卡| 亚洲欧洲一区二区天堂久久| 欧美电影在线观看| 欧美成人网在线| 蜜桃伊人久久| 欧美成年人视频网站欧美| 狂野欧美激情性xxxx| 麻豆国产精品777777在线| 久久久免费av| 美日韩精品视频| 免费人成精品欧美精品| 米奇777在线欧美播放| 老司机精品视频一区二区三区| 久久综合国产精品| 欧美aaaaaaaa牛牛影院| 欧美激情综合色| 亚洲精品孕妇| 一区二区三区视频在线观看| 亚洲伊人网站| 欧美综合二区| 欧美成人精品| 欧美婷婷久久| 国产女人精品视频| 一区在线免费观看| 亚洲激情视频网站| 亚洲视频电影图片偷拍一区| 亚洲在线国产日韩欧美| 久久精品亚洲热| 欧美第一黄色网| 一本大道久久精品懂色aⅴ | 一区二区三区你懂的| 亚洲在线观看视频| 久久国产精品毛片| 欧美国产先锋| 国产精品一区二区三区久久| 黄页网站一区| 亚洲最新在线| 欧美在线日韩| 亚洲国产一区二区三区青草影视| 99精品热视频| 久久国产一二区| 欧美巨乳在线观看| 国产三级欧美三级日产三级99| 亚洲国产精品久久久久秋霞不卡| 一区二区三区精品在线| 久久精品一本| 亚洲精选视频免费看| 欧美一区视频| 欧美日韩精品福利| 黄网站免费久久| 亚洲制服av| 欧美国产丝袜视频| 亚洲自拍偷拍福利| 欧美极品在线播放| 狠狠色2019综合网| 亚洲中字在线| 亚洲激情另类| 久久久久久高潮国产精品视| 欧美色视频在线| 亚洲人成网站色ww在线| 亚久久调教视频| 亚洲精品系列| 麻豆精品精品国产自在97香蕉| 国产精品毛片在线| 日韩一级免费观看| 欧美成人午夜视频| 欧美一区二区三区四区在线| 国产精品99免费看 | 欧美视频在线免费| 亚洲大胆美女视频| 久久精品国产成人| 亚洲午夜精品网| 欧美伦理91| 亚洲人永久免费| 欧美jizzhd精品欧美巨大免费| 日韩亚洲视频在线| 欧美不卡三区| 国产精品私拍pans大尺度在线 | 在线视频日韩精品| 欧美国产成人在线| 久久久久久久精| 国产一区日韩一区| 久久www成人_看片免费不卡| 宅男精品视频| 欧美午夜视频| 亚洲午夜视频| 在线视频精品一区| 国产精品久久一级| 亚洲免费婷婷| 亚洲欧美福利一区二区| 国产精品一二三四区| 性欧美videos另类喷潮| 亚洲欧美日本日韩| 国产精品少妇自拍| 久久se精品一区精品二区| 午夜精品一区二区三区在线播放| 国产精品一级| 久久视频一区| 久久综合中文色婷婷| 亚洲日本欧美日韩高观看|