Web spider (crawling)

By kaiaukung on Tag:

คือพอดีมี project เข้ามาให้ทำครับ อยากทราบว่าถ้าจะเขียน web spider ต้องเริ่มอย่างไรดีครับ พอดีผมมือใหม่ด้าน python มากๆ เลยครับ รบกวนด้วยนะครับ

Hiring! บริษัทที่น่าสนใจ

Carmen Software company cover
Carmen Software
Hotel Financial Solutions
 Next Innovation (Thailand) Co., Ltd. company cover
Next Innovation (Thailand) Co., Ltd.
We are web design with consulting & engineering services driven the future stronger and flexibility.
 KKP Dime company cover
KKP Dime
KKP Dime บริษัทในเครือเกียรตินาคินภัทร
 Kiatnakin Phatra Financial Group company cover
Kiatnakin Phatra Financial Group
Financial Service
 Fastwork Technologies company cover
Fastwork Technologies
Fastwork.co เว็บไซต์ที่รวบรวม ฟรีแลนซ์ มืออาชีพจากหลากหลายสายงานไว้ในที่เดียวกัน
 Thoughtworks Thailand company cover
Thoughtworks Thailand
Thoughtworks เป็นบริษัทที่ปรึกษาด้านเทคโนโยลีระดับโลกที่คว้า Great Place to Work 3 ปีซ้อน
 Iron Software company cover
Iron Software
Iron Software is an American company providing a suite of .NET libraries by engineer for engineers.
 CLEVERSE company cover
CLEVERSE
Cleverse is a Venture Builder. Our team builds several tech companies.
 Nipa Cloud company cover
Nipa Cloud
#1 OpenStack cloud provider in Thailand with our own data center and software platform.
 Bangmod Enterprise company cover
Bangmod Enterprise
The leader in Cloud Server and Hosting in Thailand.
 CIMB THAI Bank company cover
CIMB THAI Bank
MOVING FORWARD WITH YOU - CIMB is the leading ASEAN Bank
 Bangkok Bank company cover
Bangkok Bank
Bangkok Bank is one of Southeast Asia's largest regional banks, a market leader in business banking
 MuvMi (Urban Mobility Tech Co.,Ltd.) company cover
MuvMi (Urban Mobility Tech Co.,Ltd.)
Shape the future of urban mobility towards affordable, clean, and safe solutions
 T.N. Digital Solution Co., Ltd. company cover
T.N. Digital Solution Co., Ltd.
TNDS has been involving in every first move of banking’s major digital transformation.
 KBTG - KASIKORN Business-Technology Group company cover
KBTG - KASIKORN Business-Technology Group
KBTG - "The Technology Company for Digital Business Innovation"
 Siam Commercial Bank Public Company Limited company cover
Siam Commercial Bank Public Company Limited
"Let's start a brighter career future together"
 Icon Framework co.,Ltd. company cover
Icon Framework co.,Ltd.
Global Standard Platform for Real Estate แพลตฟอร์มสำหรับธุรกิจอสังหาริมทรัพย์ครบวงจร มาตรฐานระดับโลก
 REFINITIV company cover
REFINITIV
The Financial and Risk business of Thomson Reuters is now Refinitiv
 H LAB company cover
H LAB
Re-engineering healthcare systems through intelligent platforms and system design.
 The Gang Technology Co., Ltd. company cover
The Gang Technology Co., Ltd.
We're a Digital Agency that helps our customers transform their business into digital with ease.
 LTMH company cover
LTMH
LTMH มุ่งเน้นการพัฒนาผลิตภัณฑ์ที่สามารถช่วยพันธมิตรของเราให้บรรลุเป้าหมาย
 Seven Peaks company cover
Seven Peaks
We Drive Digital Transformation
 Wisesight (Thailand) Co., Ltd. company cover
Wisesight (Thailand) Co., Ltd.
The Best Choice For Handling Social Media · High Expertise in Social Data · Most Advanced and Secure
 MOLOG Tech company cover
MOLOG Tech
We are Modern Logistic Platform, Specialize in WMS, OMS and TMS.
 Data Wow Co.,Ltd company cover
Data Wow Co.,Ltd
We enable our clients to realize increased productivity by solving their most complex issues by Data
 LINE Company Thailand company cover
LINE Company Thailand
LINE, the world's hottest mobile messaging platform, offers free text and voice messaging + Call
 LINE MAN Wongnai company cover
LINE MAN Wongnai
Join our journey to becoming No.1 food platform in Thailand

kittipat Thu, 07/05/2009 - 08:02

ลองเข้าไป download lecture notes จาก Text Technologies ดูนะครับ (เป็นวิชาเรียนผมเอง) หรือถ้าอยากได้หนังสือผมแนะนำ "Search Engines: Information Retrieval in Practice"

จริงๆผมมี python web crawler เขียนเองอยู่นะ (การบ้านวิชาที่เรียนนั่นแหละ) แต่ในเมื่อเป็น project ก็ลองทำดูเองก่อนแล้วกันนะครับ

กระบวนการทำงานคร่าวๆของ crawler

  1. ใส่ url เริ่มต้น (ศัพท์เฉพาะเรียกว่า seed) เข้าไปใน frontier queue (ยังนึกคำแปลเพราะๆไม่ออก)
  2. ดึง url ขึ้นมาจาก frontier queue
  3. อ่าน robots.txt ของ host ของ url นั้น
  4. เข้าไปดึง web page มา เก็บ
  5. แกะ link ใน web page ออกมา แล้วก็เช็คกับ robots.txt ว่าเข้าไปอ่านได้หรือเปล่า ถ้าเข้าได้ก็ยัดลงไปใน frontier queue
  6. กลับไปเริ่มที่ 2.

โดยในระหว่างกระบวนการจริงๆแล้วควรมีการเช็คเนื้อหาซ้ำกันด้วย วิธีเช็คเข้าไปอ่านได้ตามเว็บข้างบนนะครับ นอกจากนั้นยังควรจะหน่วงเวลาระหว่างการดึงข้อมูลจากเว็บเดียวกันไว้ด้วย หรือถ้าให้ดีก็สลับเปลี่ยน host ไปเรื่อยๆ แล้วจริงๆข้อ 5. นี่ก็แยกเป็นอีก thread นึงไปก็ได้ครับ

แต่ถ้าไม่ lock spec ว่าต้อง python แนะนำให้ลองดู Lucene ครับ

crucifier Fri, 11/12/2015 - 22:09

ไม่ทันกินหรอกครับ มันไม่ใช่แค่การจัดการข้อมูลที่โหลดมาได้ แต่ต้องจัดการพวก session/cookie และ จัดการข้อมูลที่โยนไปมาเสมือนเป็น browser ตัวหนึ่งด้วย หา library ที่ทำหน้าที่พวกนี้โดยเฉพาะมาใช้เอาสะดวกกว่าครับ

peacedev Sat, 12/12/2015 - 12:50

แต่ผมว่ามันไม่ยากนะ
แค่ Python เองก็มี build-in lib ที่ต้องการอยู่ครบละ
แค่ต้องศึกษาวิธีใช้หน่อย

แค่ตัว build-in ของ Python ก็ทำ Back-End ของ Web-Browser ได้เลย