baiduSpider

百科类网站爬虫

特性

• 百科类网站全站词条抓取，包括百度百科、互动百科、wiki中英文站点；
• 支持断点续爬；
• 支持缓存百科词条页面；
• 可分布式部署；
• 经过单机测试，在i5-7400 内存8G 20M网络带宽下，百度百科词条一天可以抓取大概30w条(默认系统配置下)；互动百科测试结果 类似，wiki网站抓取数据量较少，受到配置的代理延迟影响较大；

如何使用

• 安装依赖 pip install -r requirement.txt
• 初始数据库 python initialize_db.py
• 初始化爬虫种子 python initialize_tasks_seeds.py
• 开始运行爬虫 python start_spiders.py

常见问题

• 理论上来说，只要你给的种子够全面，你就可以尽可能的抓取到更多的词条信息；我是通过每个类别都去找一些关键词来做 的种子，尽可能的把所有分类都涵盖完全；
• 抓取维基百科需要FQ，并且维基百科的存在反爬虫机制，建议使用代理IP池，并且调低爬虫爬取频率。

一些闲话

• 大家要是感兴趣，请动动你们勤劳的小手儿给我点个💗💗吧！非常感谢~
• 欢迎大家讨论并给作者提出一些宝贵的改进建议；