Python編寫知乎爬蟲實踐

在爬蟲系統中，待抓取URL隊列是很重要的一部分。待抓取URL隊列中的URL以什麼樣的順序排列也是一個很重要的問題，因為這涉及到先抓取那個頁面，後抓取哪個頁面。而決定這些URL排列順序的方法，叫做抓取策略。下面重點介紹幾種常見的抓取策略。

作者：cpselvis來源：36大數據|2017-06-16 21:00

移動端

收藏

分享

爬蟲的基本流程

網路爬蟲的基本工作流程如下：

首先選取一部分精心挑選的種子URL

將種子URL加入任務隊列

從待抓取URL隊列中取出待抓取的URL，解析DNS，並且得到主機的ip，並將URL對應的網頁下載下來，存儲進已下載網頁庫中。此外，將這些URL放進已抓取URL隊列。

分析已抓取URL隊列中的URL，分析其中的其他URL，並且將URL放入待抓取URL隊列，從而進入下一個循環。

解析下載下來的網頁，將需要的數據解析出來。

數據持久話，保存至資料庫中。

爬蟲的抓取策略

在爬蟲系統中，待抓取URL隊列是很重要的一部分。待抓取URL隊列中的URL以什麼樣的順序排列也是一個很重要的問題，因為這涉及到先抓取那個頁面，後抓取哪個頁面。而決定這些URL排列順序的方法，叫做抓取策略。下面重點介紹幾種常見的抓取策略：

深度優先策略(DFS)

深度優先策略是指爬蟲從某個URL開始，一個鏈接一個鏈接的爬取下去，直到處理完了某個鏈接所在的所有線路，才切換到其它的線路。

此時抓取順序為：A -> B -> C -> D -> E -> F -> G -> H -> I -> J

廣度優先策略(BFS)

寬度優先遍歷策略的基本思路是，將新下載網頁中發現的鏈接直接插入待抓取URL隊列的末尾。也就是指網路爬蟲會先抓取起始網頁中鏈接的所有網頁，然後再選擇其中的一個鏈接網頁，繼續抓取在此網頁中鏈接的所有網頁。

此時抓取順序為：A -> B -> E -> G -> H -> I -> C -> F -> J -> D

了解了爬蟲的工作流程和爬取策略後，就可以動手實現一個爬蟲了!那麼在python里怎麼實現呢?

技術棧

requests 人性化的請求發送

Bloom Filter 布隆過濾器，用於判重

XPath 解析HTML內容

murmurhash

Anti crawler strategy 反爬蟲策略

MySQL 用戶數據存儲

基本實現

下面是一個偽代碼

import Queue

initial_page = "https://www.zhihu.com/people/gaoming623"

url_queue = Queue.Queue()

seen = set()

seen.insert(initial_page)

url_queue.put(initial_page)

while(True): #一直進行

if url_queue.size()>0:

current_url = url_queue.get() #拿出隊例中第一個的url

store(current_url) #把這個url代表的網頁存儲好

for next_url in extract_urls(current_url): #提取把這個url里鏈向的url

if next_url not in seen:

seen.put(next_url)

url_queue.put(next_url)

else:

break

如果你直接加工一下上面的代碼直接運行的話，你需要很長的時間才能爬下整個知乎用戶的信息，畢竟知乎有6000萬月活躍用戶。更別說Google這樣的搜索引擎需要爬下全網的內容了。那麼問題出現在哪裡?

布隆過濾器

需要爬的網頁實在太多太多了，而上面的代碼太慢太慢了。設想全網有N個網站，那麼分析一下判重的複雜度就是N*log(N)，因為所有網頁要遍歷一次，而每次判重用set的話需要log(N)的複雜度。OK，我知道python的set實現是hash——不過這樣還是太慢了，至少內存使用效率不高。

通常的判重做法是怎樣呢?Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內存(不隨url的數量而增長)以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐，它的唯一問題在於，如果這個url不在set中，BF可以100%確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應該已經出現過，不過我有2%的不確定性。注意這裡的不確定性在你分配的內存足夠大的時候，可以變得很小很少。

# bloom_filter.py

BIT_SIZE = 5000000

class BloomFilter:

def __init__(self):

# Initialize bloom filter, set size and all bits to 0

bit_array = bitarray(BIT_SIZE)

bit_array.setall(0)

self.bit_array = bit_array

def add(self, url):

# Add a url, and set points in bitarray to 1 (Points count is equal to hash funcs count.)

# Here use 7 hash functions.

point_list = self.get_postions(url)

for b in point_list:

self.bit_array[b] = 1

def contains(self, url):

# Check if a url is in a collection

point_list = self.get_postions(url)

result = True

for b in point_list:

result = result and self.bit_array[b]

return result

def get_postions(self, url):

# Get points positions in bit vector.

point1 = mmh3.hash(url, 41) % BIT_SIZE

point2 = mmh3.hash(url, 42) % BIT_SIZE

point3 = mmh3.hash(url, 43) % BIT_SIZE

point4 = mmh3.hash(url, 44) % BIT_SIZE

point5 = mmh3.hash(url, 45) % BIT_SIZE

point6 = mmh3.hash(url, 46) % BIT_SIZE

point7 = mmh3.hash(url, 47) % BIT_SIZE

return [point1, point2, point3, point4, point5, point6, point7]

BF詳細的原理參考我之前寫的文章：布隆過濾器(Bloom Filter)的原理和實現

建表

用戶有價值的信息包括用戶名、簡介、行業、院校、專業及在平台上活動的數據比如回答數、文章數、提問數、粉絲數等等。

用戶信息存儲的表結構如下：

CREATE DATABASE `zhihu_user` /*!40100 DEFAULT CHARACTER SET utf8 */;

-- User base information table

CREATE TABLE `t_user` (

`uid` bigint(20) unsigned NOT NULL AUTO_INCREMENT,

`username` varchar(50) NOT NULL COMMENT "用戶名",

`brief_info` varchar(400) COMMENT "個人簡介",

`industry` varchar(50) COMMENT "所處行業",

`education` varchar(50) COMMENT "畢業院校",

`major` varchar(50) COMMENT "主修專業",

`answer_count` int(10) unsigned DEFAULT 0 COMMENT "回答數",

`article_count` int(10) unsigned DEFAULT 0 COMMENT "文章數",

`ask_question_count` int(10) unsigned DEFAULT 0 COMMENT "提問數",

`collection_count` int(10) unsigned DEFAULT 0 COMMENT "收藏數",

`follower_count` int(10) unsigned DEFAULT 0 COMMENT "被關注數",

`followed_count` int(10) unsigned DEFAULT 0 COMMENT "關注數",

`follow_live_count` int(10) unsigned DEFAULT 0 COMMENT "關注直播數",

`follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT "關注話題數",

`follow_column_count` int(10) unsigned DEFAULT 0 COMMENT "關注專欄數",

`follow_question_count` int(10) unsigned DEFAULT 0 COMMENT "關注問題數",

`follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT "關注收藏夾數",

`gmt_create` datetime NOT NULL COMMENT "創建時間",

`gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT "最後一次編輯",

PRIMARY KEY (`uid`)

) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT="用戶基本信息表";

網頁下載後通過XPath進行解析，提取用戶各個維度的數據，最後保存到資料庫中。

反爬蟲策略應對-Headers

一般網站會從幾個維度來反爬蟲：用戶請求的Headers，用戶行為，網站和數據載入的方式。從用戶請求的Headers反爬蟲是最常見的策略，很多網站都會對Headers的User-Agent進行檢測，還有一部分網站會對Referer進行檢測(一些資源網站的防盜鏈就是檢測Referer)。

如果遇到了這類反爬蟲機制，可以直接在爬蟲中添加Headers，將瀏覽器的User-Agent複製到爬蟲的Headers中;或者將Referer值修改為目標網站域名。對於檢測Headers的反爬蟲，在爬蟲中修改或者添加Headers就能很好的繞過。

cookies = {

"n_c": "1",

}

headers = {

"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.3",

"Referer": "https://www.zhihu.com/"

}

r = requests.get(url, cookies = cookies, headers = headers)

反爬蟲策略應對-代理IP池

還有一部分網站是通過檢測用戶行為，例如同一IP短時間內多次訪問同一頁面，或者同一賬戶短時間內多次進行相同操作。

import requests

import random

class Proxy:

def __init__(self):

self.cache_ip_list = []

# Get random ip from free proxy api url.

def get_random_ip(self):

if not len(self.cache_ip_list):

try:

r = requests.get(api_url)

self.cache_ip_list = ip_list

except Exception as e:

# Return null list when caught exception.

# In this case, crawler will not use proxy ip.

print e

return {}

proxy_ip = random.choice(self.cache_ip_list)

proxies = {"http": "http://" + proxy_ip}

return proxies

後續

使用日誌模塊記錄爬取日誌和錯誤日誌

分布式任務隊列和分布式爬蟲

爬蟲源代碼：zhihu-crawler 下載之後通過pip安裝相關三方包後，運行$ python crawler.py即可(喜歡的幫忙點個star哈，同時也方便看到後續功能的更新)

運行截圖：

本文轉自：51CTO

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！