Python編寫知乎爬蟲實踐
爬蟲的基本流程
網(wǎng)絡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，并且得到主機的ip，并將URL對應的網(wǎng)頁下載下來，存儲進已下載網(wǎng)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，并且將URL放入待抓取URL隊列，從而進入下一個循環(huán)。
- 解析下載下來的網(wǎng)頁，將需要的數(shù)據(jù)解析出來。
- 數(shù)據(jù)持久話，保存至數(shù)據(jù)庫中。
爬蟲的抓取策略
在爬蟲系統(tǒng)中，待抓取URL隊列是很重要的一部分。待抓取URL隊列中的URL以什么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，后抓取哪個頁面。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(yōu)先策略(DFS)
深度優(yōu)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(yōu)先策略(BFS)
寬度優(yōu)先遍歷策略的基本思路是，將新下載網(wǎng)頁中發(fā)現(xiàn)的鏈接直接插入待抓取URL隊列的末尾。也就是指網(wǎng)絡爬蟲會先抓取起始網(wǎng)頁中鏈接的所有網(wǎng)頁，然后再選擇其中的一個鏈接網(wǎng)頁，繼續(xù)抓取在此網(wǎng)頁中鏈接的所有網(wǎng)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后，就可以動手實現(xiàn)一個爬蟲了!那么在python里怎么實現(xiàn)呢?
技術棧
- requests 人性化的請求發(fā)送
- Bloom Filter 布隆過濾器，用于判重
- XPath 解析HTML內容
- murmurhash
- Anti crawler strategy 反爬蟲策略
- MySQL 用戶數(shù)據(jù)存儲
基本實現(xiàn)
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***個的url
- store(current_url) #把這個url代表的網(wǎng)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(wǎng)的內容了。那么問題出現(xiàn)在哪里?
布隆過濾器
需要爬的網(wǎng)頁實在太多太多了，而上面的代碼太慢太慢了。設想全網(wǎng)有N個網(wǎng)站，那么分析一下判重的復雜度就是N*log(N)，因為所有網(wǎng)頁要遍歷一次，而每次判重用set的話需要log(N)的復雜度。OK，我知道python的set實現(xiàn)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(shù)量而增長)以O(1)的效率判定url是否已經(jīng)在set中?？上煜聸]有白吃的午餐，它的唯一問題在于，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(jīng)出現(xiàn)過，不過我有2%的不確定性。注意這里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(xiàn)
建表
用戶有價值的信息包括用戶名、簡介、行業(yè)、院校、專業(yè)及在平臺上活動的數(shù)據(jù)比如回答數(shù)、文章數(shù)、提問數(shù)、粉絲數(shù)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(yè)',
- `education` varchar(50) COMMENT '畢業(yè)院校',
- `major` varchar(50) COMMENT '主修專業(yè)',
- `answer_count` int(10) unsigned DEFAULT 0 COMMENT '回答數(shù)',
- `article_count` int(10) unsigned DEFAULT 0 COMMENT '文章數(shù)',
- `ask_question_count` int(10) unsigned DEFAULT 0 COMMENT '提問數(shù)',
- `collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏數(shù)',
- `follower_count` int(10) unsigned DEFAULT 0 COMMENT '被關注數(shù)',
- `followed_count` int(10) unsigned DEFAULT 0 COMMENT '關注數(shù)',
- `follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '關注直播數(shù)',
- `follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '關注話題數(shù)',
- `follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '關注專欄數(shù)',
- `follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '關注問題數(shù)',
- `follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '關注收藏夾數(shù)',
- `gmt_create` datetime NOT NULL COMMENT '創(chuàng)建時間',
- `gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '***一次編輯',
- PRIMARY KEY (`uid`)
- ) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用戶基本信息表';
網(wǎng)頁下載后通過XPath進行解析，提取用戶各個維度的數(shù)據(jù)，***保存到數(shù)據(jù)庫中。
反爬蟲策略應對-Headers
一般網(wǎng)站會從幾個維度來反爬蟲：用戶請求的Headers，用戶行為，網(wǎng)站和數(shù)據(jù)加載的方式。從用戶請求的Headers反爬蟲是最常見的策略，很多網(wǎng)站都會對Headers的User-Agent進行檢測，還有一部分網(wǎng)站會對Referer進行檢測(一些資源網(wǎng)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復制到爬蟲的Headers中;或者將Referer值修改為目標網(wǎng)站域名。對于檢測Headers的反爬蟲，在爬蟲中修改或者添加Headers就能很好的繞過。
- cookies = {
- "d_c0": "AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182",
- "login": "NzM5ZDc2M2JkYzYwNDZlOGJlYWQ1YmI4OTg5NDhmMTY=|1480901173|9c296f424b32f241d1471203244eaf30729420f0",
- "n_c": "1",
- "q_c1": "395b12e529e541cbb400e9718395e346|1479808003000|1468847182000",
- "l_cap_id": "NzI0MTQwZGY2NjQyNDQ1NThmYTY0MjJhYmU2NmExMGY=|1480901160|2e7a7faee3b3e8d0afb550e8e7b38d86c15a31bc",
- "d_c0": "AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182",
- "cap_id": "N2U1NmQwODQ1NjFiNGI2Yzg2YTE2NzJkOTU5N2E0NjI=|1480901160|fd59e2ed79faacc2be1010687d27dd559ec1552a"
- }
- 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(wǎng)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。
大多數(shù)網(wǎng)站都是前一種情況，對于這種情況，使用IP代理就可以解決。這樣的代理ip爬蟲經(jīng)常會用到，***自己準備一個。有了大量代理ip后可以每請求幾次更換一個ip，這在requests或者urllib2中很容易做到，這樣就能很容易的繞過***種反爬蟲。目前知乎已經(jīng)對爬蟲做了限制，如果是單個IP的話，一段時間系統(tǒng)便會提示異常流量，無法繼續(xù)爬取了。因此代理IP池非常關鍵。網(wǎng)上有個免費的代理IP API: http://api.xicidaili.com/free2016.txt
- 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):
- api_url = 'http://api.xicidaili.com/free2016.txt'
- try:
- r = requests.get(api_url)
- ip_list = r.text.split('\r\n')
- 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
后續(xù)
- 使用日志模塊記錄爬取日志和錯誤日志
- 分布式任務隊列和分布式爬蟲
爬蟲源代碼：zhihu-crawler 下載之后通過pip安裝相關三方包后，運行$ python crawler.py即可(喜歡的幫忙點個star哈，同時也方便看到后續(xù)功能的更新)
運行截圖：
