詳解4種類型的爬蟲(chóng)技術(shù)
- 聚焦網(wǎng)絡(luò)爬蟲(chóng)是“面向特定主題需求”的一種爬蟲(chóng)程序，而通用網(wǎng)絡(luò)爬蟲(chóng)則是捜索引擎抓取系統(tǒng)(Baidu、Google、Yahoo等)的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁(yè)下載到本地，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
- 增量抓取意即針對(duì)某個(gè)站點(diǎn)的數(shù)據(jù)進(jìn)行抓取，當(dāng)網(wǎng)站的新增數(shù)據(jù)或者該站點(diǎn)的數(shù)據(jù)發(fā)生變化后，自動(dòng)地抓取它新增的或者變化后的數(shù)據(jù)。
- Web頁(yè)面按存在方式可以分為表層網(wǎng)頁(yè)(surface Web)和深層網(wǎng)頁(yè)(deep Web，也稱invisible Web pages或hidden Web)。
- 表層網(wǎng)頁(yè)是指?jìng)鹘y(tǒng)搜索引擎可以索引的頁(yè)面，即以超鏈接可以到達(dá)的靜態(tài)網(wǎng)頁(yè)為主來(lái)構(gòu)成的Web頁(yè)面。
- 深層網(wǎng)頁(yè)是那些大部分內(nèi)容不能通過(guò)靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關(guān)鍵詞才能獲得的Web頁(yè)面。
01 聚焦爬蟲(chóng)技術(shù)
聚焦網(wǎng)絡(luò)爬蟲(chóng)(focused crawler)也就是主題網(wǎng)絡(luò)爬蟲(chóng)。聚焦爬蟲(chóng)技術(shù)增加了鏈接評(píng)價(jià)和內(nèi)容評(píng)價(jià)模塊，其爬行策略實(shí)現(xiàn)要點(diǎn)就是評(píng)價(jià)頁(yè)面內(nèi)容以及鏈接的重要性。
基于鏈接評(píng)價(jià)的爬行策略，主要是以Web頁(yè)面作為半結(jié)構(gòu)化文檔，其中擁有很多結(jié)構(gòu)信息可用于評(píng)價(jià)鏈接重要性。還有一個(gè)是利用Web結(jié)構(gòu)來(lái)評(píng)價(jià)鏈接價(jià)值的方法，也就是HITS法，其通過(guò)計(jì)算每個(gè)訪問(wèn)頁(yè)面的Authority權(quán)重和Hub權(quán)重來(lái)決定鏈接訪問(wèn)順序。
而基于內(nèi)容評(píng)價(jià)的爬行策略，主要是將與文本相似的計(jì)算法加以應(yīng)用，提出Fish-Search算法，把用戶輸入查詢?cè)~當(dāng)作主題，在算法的進(jìn)一步改進(jìn)下，通過(guò)Shark-Search算法就能利用空間向量模型來(lái)計(jì)算頁(yè)面和主題相關(guān)度大小。
面向主題爬蟲(chóng)，面向需求爬蟲(chóng)：會(huì)針對(duì)某種特定的內(nèi)容去爬取信息，而且會(huì)保證信息和需求盡可能相關(guān)。一個(gè)簡(jiǎn)單的聚焦爬蟲(chóng)使用方法的示例如下所示。
- 【例1】一個(gè)簡(jiǎn)單的爬取圖片的聚焦爬蟲(chóng)
- import urllib.request
- # 爬蟲(chóng)專用的包urllib，不同版本的Python需要下載不同的爬蟲(chóng)專用包
- import re
- # 正則用來(lái)規(guī)律爬取
- keyname=""
- # 想要爬取的內(nèi)容
- key=urllib.request.quote(keyname)
- # 需要將你輸入的keyname解碼，從而讓計(jì)算機(jī)讀懂
- for i in range(0,5): # (0,5)數(shù)字可以自己設(shè)置，是淘寶某產(chǎn)品的頁(yè)數(shù)
- url="https://s.taobao.com/search?q="+key+"&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180815&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s="+str(i*44)
- # url后面加上你想爬取的網(wǎng)站名，然后你需要多開(kāi)幾個(gè)類似的網(wǎng)站以找到其規(guī)則
- # data是你爬取到的網(wǎng)站所有的內(nèi)容要解碼要讀取內(nèi)容
- pat='"pic_url":"//(.*?)"'
- # pat使用正則表達(dá)式從網(wǎng)頁(yè)爬取圖片
- # 將你爬取到的內(nèi)容放在一個(gè)列表里面
- print(picturelist)
- # 可以不打印，也可以打印下來(lái)看看
- for j in range(0,len(picturelist)):
- picture=picturelist[j]
- pictureurl="http://"+picture
- # 將列表里的內(nèi)容遍歷出來(lái)，并加上http://轉(zhuǎn)到高清圖片
- file="E:/pycharm/vscode文件/圖片/"+str(i)+str(j)+".jpg"
- # 再把圖片逐張編號(hào)，不然重復(fù)的名字將會(huì)被覆蓋掉
- urllib.request.urlretrieve(pictureurl,filename=file)
- # 最后保存到文件夾
02 通用爬蟲(chóng)技術(shù)
通用爬蟲(chóng)技術(shù)(general purpose Web crawler)也就是全網(wǎng)爬蟲(chóng)。其實(shí)現(xiàn)過(guò)程如下。
- 第一，獲取初始URL。初始URL地址可以由用戶人為指定，也可以由用戶指定的某個(gè)或某幾個(gè)初始爬取網(wǎng)頁(yè)決定。
- 第二，根據(jù)初始的URL爬取頁(yè)面并獲得新的URL。獲得初始的URL地址之后，需要先爬取對(duì)應(yīng)URL地址中的網(wǎng)頁(yè)，接著將網(wǎng)頁(yè)存儲(chǔ)到原始數(shù)據(jù)庫(kù)中，并且在爬取網(wǎng)頁(yè)的同時(shí)，發(fā)現(xiàn)新的URL地址，并且將已爬取的URL地址存放到一個(gè)URL列表中，用于去重及判斷爬取的進(jìn)程。
- 第三，將新的URL放到URL隊(duì)列中，在于第二步內(nèi)獲取下一個(gè)新的URL地址之后，會(huì)將新的URL地址放到URL隊(duì)列中。
- 第四，從URL隊(duì)列中讀取新的URL，并依據(jù)新的URL爬取網(wǎng)頁(yè)，同時(shí)從新的網(wǎng)頁(yè)中獲取新的URL并重復(fù)上述的爬取過(guò)程。
第五，滿足爬蟲(chóng)系統(tǒng)設(shè)置的停止條件時(shí)，停止爬取。在編寫(xiě)爬蟲(chóng)的時(shí)候，一般會(huì)設(shè)置相應(yīng)的停止條件。如果沒(méi)有設(shè)置停止條件，爬蟲(chóng)便會(huì)一直爬取下去，一直到無(wú)法獲取新的URL地址為止，若設(shè)置了停止條件，爬蟲(chóng)則會(huì)在停止條件滿足時(shí)停止爬取。詳情請(qǐng)參見(jiàn)圖2-5中的右下子圖。
通用爬蟲(chóng)技術(shù)的應(yīng)用有著不同的爬取策略，其中的廣度優(yōu)先策略以及深度優(yōu)先策略都是比較關(guān)鍵的，如深度優(yōu)先策略的實(shí)施是依照深度從低到高的順序來(lái)訪問(wèn)下一級(jí)網(wǎng)頁(yè)鏈接。
關(guān)于通用爬蟲(chóng)使用方法的示例如下。
- 【例2】爬取京東商品信息
- '''
- 爬取京東商品信息：
- 請(qǐng)求url：https://www.jd.com/
- 提取商品信息：
- 1.商品詳情頁(yè)
- 2.商品名稱
- 3.商品價(jià)格
- 4.評(píng)價(jià)人數(shù)
- 5.商品商家
- '''
- from selenium import webdriver # 引入selenium中的webdriver
- from selenium.webdriver.common.keys import Keys
- import time
- def get_good(driver):
- try:
- # 通過(guò)JS控制滾輪滑動(dòng)獲取所有商品信息
- js_code = '''
- window.scrollTo(0,5000);
- '''
- driver.execute_script(js_code) # 執(zhí)行js代碼
- # 等待數(shù)據(jù)加載
- time.sleep(2)
- # 查找所有商品div
- # good_div = driver.find_element_by_id('J_goodsList')
- good_list = driver.find_elements_by_class_name('gl-item')
- n = 1
- for good in good_list:
- # 根據(jù)屬性選擇器查找
- # 商品鏈接
- good_url = good.find_element_by_css_selector(
- '.p-img a').get_attribute('href')
- # 商品名稱
- good_name = good.find_element_by_css_selector(
- '.p-name em').text.replace("\n", "--")
- # 商品價(jià)格
- good_price = good.find_element_by_class_name(
- 'p-price').text.replace("\n", ":")
- # 評(píng)價(jià)人數(shù)
- good_commit = good.find_element_by_class_name(
- 'p-commit').text.replace("\n", " ")
- good_content = f'''
- 商品鏈接: {good_url}
- 商品名稱: {good_name}
- 商品價(jià)格: {good_price}
- 評(píng)價(jià)人數(shù): {good_commit}
- \n
- '''
- print(good_content)
- with open('jd.txt', 'a', encoding='utf-8') as f:
- f.write(good_content)
- next_tag = driver.find_element_by_class_name('pn-next')
- next_tag.click()
- time.sleep(2)
- # 遞歸調(diào)用函數(shù)
- get_good(driver)
- time.sleep(10)
- finally:
- driver.close()
- if __name__ == '__main__':
- good_name = input('請(qǐng)輸入爬取商品信息:').strip()
- driver = webdriver.Chrome()
- driver.implicitly_wait(10)
- # 往京東主頁(yè)發(fā)送請(qǐng)求
- driver.get('https://www.jd.com/')
- # 輸入商品名稱，并回車搜索
- input_tag = driver.find_element_by_id('key')
- input_tag.send_keys(good_name)
- input_tag.send_keys(Keys.ENTER)
- time.sleep(2)
- get_good(driver)
03 增量爬蟲(chóng)技術(shù)
某些網(wǎng)站會(huì)定時(shí)在原有網(wǎng)頁(yè)數(shù)據(jù)的基礎(chǔ)上更新一批數(shù)據(jù)。例如某電影網(wǎng)站會(huì)實(shí)時(shí)更新一批最近熱門的電影，小說(shuō)網(wǎng)站會(huì)根據(jù)作者創(chuàng)作的進(jìn)度實(shí)時(shí)更新最新的章節(jié)數(shù)據(jù)等。在遇到類似的場(chǎng)景時(shí)，我們便可以采用增量式爬蟲(chóng)。
增量爬蟲(chóng)技術(shù)(incremental Web crawler)就是通過(guò)爬蟲(chóng)程序監(jiān)測(cè)某網(wǎng)站數(shù)據(jù)更新的情況，以便可以爬取到該網(wǎng)站更新后的新數(shù)據(jù)。
關(guān)于如何進(jìn)行增量式的爬取工作，以下給出三種檢測(cè)重復(fù)數(shù)據(jù)的思路：
- 在發(fā)送請(qǐng)求之前判斷這個(gè)URL是否曾爬取過(guò);
- 在解析內(nèi)容后判斷這部分內(nèi)容是否曾爬取過(guò);
- 寫(xiě)入存儲(chǔ)介質(zhì)時(shí)判斷內(nèi)容是否已存在于介質(zhì)中。
- 第一種思路適合不斷有新頁(yè)面出現(xiàn)的網(wǎng)站，比如小說(shuō)的新章節(jié)、每天的實(shí)時(shí)新聞等;
- 第二種思路則適合頁(yè)面內(nèi)容會(huì)定時(shí)更新的網(wǎng)站;
- 第三種思路則相當(dāng)于最后一道防線。這樣做可以最大限度地達(dá)到去重的目的。
不難發(fā)現(xiàn)，實(shí)現(xiàn)增量爬取的核心是去重。目前存在兩種去重方法。
- 第一，對(duì)爬取過(guò)程中產(chǎn)生的URL進(jìn)行存儲(chǔ)，存儲(chǔ)在Redis的set中。當(dāng)下次進(jìn)行數(shù)據(jù)爬取時(shí)，首先在存儲(chǔ)URL的set中對(duì)即將發(fā)起的請(qǐng)求所對(duì)應(yīng)的URL進(jìn)行判斷，如果存在則不進(jìn)行請(qǐng)求，否則才進(jìn)行請(qǐng)求。
- 第二，對(duì)爬取到的網(wǎng)頁(yè)內(nèi)容進(jìn)行唯一標(biāo)識(shí)的制定(數(shù)據(jù)指紋)，然后將該唯一標(biāo)識(shí)存儲(chǔ)至Redis的set中。當(dāng)下次爬取到網(wǎng)頁(yè)數(shù)據(jù)的時(shí)候，在進(jìn)行持久化存儲(chǔ)之前，可以先判斷該數(shù)據(jù)的唯一標(biāo)識(shí)在Redis的set中是否存在，從而決定是否進(jìn)行持久化存儲(chǔ)。
關(guān)于增量爬蟲(chóng)的使用方法示例如下所示。
- 【例3】爬取4567tv網(wǎng)站中所有的電影詳情數(shù)據(jù)
- import scrapy
- from scrapy.linkextractors import LinkExtractor
- from scrapy.spiders import CrawlSpider, Rule
- from redis import Redis
- from incrementPro.items import IncrementproItem
- class MovieSpider(CrawlSpider):
- name = 'movie'
- # allowed_domains = ['www.xxx.com']
- start_urls = ['http://www.4567tv.tv/frim/index7-11.html']
- rules = (
- Rule(LinkExtractor(allow=r'/frim/index7-\d+\.html'), callback='parse_item', follow=True),
- )
- # 創(chuàng)建Redis鏈接對(duì)象
- conn = Redis(host='127.0.0.1', port=6379)
- def parse_item(self, response):
- li_list = response.xpath('//li[@class="p1 m1"]')
- for li in li_list:
- # 獲取詳情頁(yè)的url
- detail_url = 'http://www.4567tv.tv' + li.xpath('./a/@href').extract_first()
- # 將詳情頁(yè)的url存入Redis的set中
- ex = self.conn.sadd('urls', detail_url)
- if ex == 1:
- print('該url沒(méi)有被爬取過(guò)，可以進(jìn)行數(shù)據(jù)的爬取')
- yield scrapy.Request(url=detail_url, callback=self.parst_detail)
- else:
- print('數(shù)據(jù)還沒(méi)有更新，暫無(wú)新數(shù)據(jù)可爬取！')
- # 解析詳情頁(yè)中的電影名稱和類型，進(jìn)行持久化存儲(chǔ)
- def parst_detail(self, response):
- item = IncrementproItem()
- item['name'] = response.xpath('//dt[@class="name"]/text()').extract_first()
- item['kind'] = response.xpath('//div[@class="ct-c"]/dl/dt[4]//text()').extract()
- item['kind'] = ''.join(item['kind'])
- yield it
管道文件：
- from redis import Redis
- class IncrementproPipeline(object):
- conn = None
- def open_spider(self,spider):
- self.conn = Redis(host='127.0.0.1',port=6379)
- def process_item(self, item, spider):
- dic = {
- 'name':item['name'],
- 'kind':item['kind']
- }
- print(dic)
- self.conn.push('movieData',dic)
- # 如果push不進(jìn)去，那么dic變成str(dic)或者改變r(jià)edis版本
- pip install -U redis==2.10.6
- return item
04 深層網(wǎng)絡(luò)爬蟲(chóng)技術(shù)
在互聯(lián)網(wǎng)中，網(wǎng)頁(yè)按存在方式可以分為表層網(wǎng)頁(yè)和深層網(wǎng)頁(yè)兩類。
所謂的表層網(wǎng)頁(yè)，指的是不需要提交表單，使用靜態(tài)的鏈接就能夠到達(dá)的靜態(tài)頁(yè)面;而深層網(wǎng)頁(yè)則隱藏在表單后面，不能通過(guò)靜態(tài)鏈接直接獲取，是需要提交一定的關(guān)鍵詞后才能夠獲取到的頁(yè)面，深層網(wǎng)絡(luò)爬蟲(chóng)(deep Web crawler)最重要的部分即為表單填寫(xiě)部分。
在互聯(lián)網(wǎng)中，深層網(wǎng)頁(yè)的數(shù)量往往要比表層網(wǎng)頁(yè)的數(shù)量多很多，故而，我們需要想辦法爬取深層網(wǎng)頁(yè)。
深層網(wǎng)絡(luò)爬蟲(chóng)的基本構(gòu)成：URL列表、LVS列表(LVS指的是標(biāo)簽/數(shù)值集合，即填充表單的數(shù)據(jù)源)、爬行控制器、解析器、LVS控制器、表單分析器、表單處理器、響應(yīng)分析器。
深層網(wǎng)絡(luò)爬蟲(chóng)的表單填寫(xiě)有兩種類型：
- 基于領(lǐng)域知識(shí)的表單填寫(xiě)(建立一個(gè)填寫(xiě)表單的關(guān)鍵詞庫(kù)，在需要的時(shí)候，根據(jù)語(yǔ)義分析選擇對(duì)應(yīng)的關(guān)鍵詞進(jìn)行填寫(xiě));
- 基于網(wǎng)頁(yè)結(jié)構(gòu)分析的表單填寫(xiě)(一般在領(lǐng)域知識(shí)有限的情況下使用，這種方式會(huì)根據(jù)網(wǎng)頁(yè)結(jié)構(gòu)進(jìn)行分析，并自動(dòng)地進(jìn)行表單填寫(xiě))。
