Python 编写知乎爬虫实践!这是我见过最工整的爬虫教程了!

wyl

收藏于 : 2019-11-18 19:15   被转藏 : 1   

爬虫的基本流程

网络爬虫的基本工作流程如下:

  • 首先选取一部分精心挑选的种子 URL
  • 将种子 URL 加入任务队列
  • 从待抓取 URL 队列中取出待抓取的 URL,解析 DNS,并且得到主机的 ip,并将 URL 对应的网页下载下来,存储进已下载网页库中。此外,将这些 URL 放进已抓取 URL 队列。
  • 分析已抓取 URL 队列中的 URL,分析其中的其他 URL,并且将 URL 放入待抓取 URL 队列,从而进入下一个循环。
  • 解析下载下来的网页,将需要的数据解析出来。
  • 数据持久话,保存至数据库中。

爬虫的抓取策略

私信小编007即可获取数十套PDF哦!

在爬虫系统中,待抓取 URL 队列是很重要的一部分。待抓取 URL 队列中的 URL 以什么样的顺序排列也是一个很重要的问题,因为这涉及到先抓取那个页面,后抓取哪个页面。而决定这些 URL 排列顺序的方法,叫做抓取策略。下面重点介绍几种常见的抓取策略:

  • 深度优先策略(DFS)
  • 深度优先策略是指爬虫从某个 URL 开始,一个链接一个链接的爬取下去,直到处理完了某个链接所在的所有线路,才切换到其它的线路。
  • 此时抓取顺序为:A -> B -> C -> D -> E -> F -> G -> H -> I -> J
  • 广度优先策略(BFS)
  • 宽度优先遍历策略的基本思路是,将新下载网页中发现的链接直接插入待抓取 URL 队列的末尾。也就是指网络爬虫会先抓取起始网页中链接的所有网页,然后再选择其中的一个链接网页,继续抓取在此网页中链接的所有网页。
  • 此时抓取顺序为:A -> B -> E -> G -> H -> I -> C -> F -> J -> D

了解了爬虫的工作流程和爬取策略后,就可以动手实现一个爬虫了!那么在 python 里怎么实现呢?

技术栈

  • requests 人性化的请求发送
  • Bloom Filter 布隆过滤器,用于判重
  • XPath 解析 HTML 内容
  • murmurhash
  • Anti crawler strategy 反爬虫策略
  • MySQL 用户数据存储

基本实现

下面是一个伪代码

  1. import Queue
  2. initial_page = 'https://www.zhihu.com/people/gaoming623'
  3. url_queue = Queue.Queue()
  4. seen = set()
  5. seen.insert(initial_page)
  6. url_queue.put(initial_page)
  7. while(True): #一直进行
  8. if url_queue.size()>0:
  9. current_url = url_queue.get() #拿出队例中第一个的 url
  10. store(current_url) #把这个 url 代表的网页存储好
  11. for next_url in extract_urls(current_url): #提取把这个 url 里链向的 url
  12. if next_url not in seen:
  13. seen.put(next_url)
  14. url_queue.put(next_url)
  15. else:
  16. break

如果你直接加工一下上面的代码直接运行的话,你需要很长的时间才能爬下整个知乎用户的信息,毕竟知乎有 6000 万月活跃用户。更别说 Google 这样的搜索引擎需要爬下全网的内容了。那么问题出现在哪里?

布隆过滤器

需要爬的网页实在太多太多了,而上面的代码太慢太慢了。设想全网有 N 个网站,那么分析一下判重的复杂度就是 N*log(N),因为所有网页要遍历一次,而每次判重用 set 的话需要 log(N) 的复杂度。OK,我知道 python 的 set 实现是 hash——不过这样还是太慢了,至少内存使用效率不高。

通常的判重做法是怎样呢?Bloom Filter. 简单讲它仍然是一种 hash 的方法,但是它的特点是,它可以使用固定的内存(不随 url 的数量而增长)以 O(1) 的效率判定 url 是否已经在 set 中。可惜天下没有白吃的午餐,它的唯一问题在于,如果这个 url 不在 set 中,BF 可以 100%确定这个 url 没有看过。但是如果这个 url 在 set 中,它会告诉你:这个 url 应该已经出现过,不过我有 2%的不确定性。注意这里的不确定性在你分配的内存足够大的时候,可以变得很小很少。

  1. # bloom_filter.py
  2. BIT_SIZE = 5000000
  3. class BloomFilter:
  4. def __init__(self):
  5. # Initialize bloom filter, set size and all bits to 0
  6. bit_array = bitarray(BIT_SIZE)
  7. bit_array.setall(0)
  8. self.bit_array = bit_array
  9. def add(self, url):
  10. # Add a url, and set points in bitarray to 1 (Points count is equal to hash funcs count.)
  11. # Here use 7 hash functions.
  12. point_list = self.get_postions(url)
  13. for b in point_list:
  14. self.bit_array[b] = 1
  15. def contains(self, url):
  16. # Check if a url is in a collection
  17. point_list = self.get_postions(url)
  18. result = True
  19. for b in point_list:
  20. result = result and self.bit_array[b]
  21. return result
  22. def get_postions(self, url):
  23. # Get points positions in bit vector.
  24. point1 = mmh3.hash(url, 41) % BIT_SIZE
  25. point2 = mmh3.hash(url, 42) % BIT_SIZE
  26. point3 = mmh3.hash(url, 43) % BIT_SIZE
  27. point4 = mmh3.hash(url, 44) % BIT_SIZE
  28. point5 = mmh3.hash(url, 45) % BIT_SIZE
  29. point6 = mmh3.hash(url, 46) % BIT_SIZE
  30. point7 = mmh3.hash(url, 47) % BIT_SIZE
  31. return [point1, point2, point3, point4, point5, point6, point7]

BF 详细的原理参考我之前写的文章: 布隆过滤器(Bloom Filter) 的原理和实现

建表

用户有价值的信息包括用户名、简介、行业、院校、专业及在平台上活动的数据比如回答数、文章数、提问数、粉丝数等等。

用户信息存储的表结构如下:

  1. CREATE DATABASE `zhihu_user` /*!40100 DEFAULT CHARACTER SET utf8 */;
  2. -- User base information table
  3. CREATE TABLE `t_user` (
  4. `uid` bigint(20) unsigned NOT NULL AUTO_INCREMENT,
  5. `username` varchar(50) NOT NULL COMMENT '用户名',
  6. `brief_info` varchar(400) COMMENT '个人简介',
  7. `industry` varchar(50) COMMENT '所处行业',
  8. `education` varchar(50) COMMENT '毕业院校',
  9. `major` varchar(50) COMMENT '主修专业',
  10. `answer_count` int(10) unsigned DEFAULT 0 COMMENT '回答数',
  11. `article_count` int(10) unsigned DEFAULT 0 COMMENT '文章数',
  12. `ask_question_count` int(10) unsigned DEFAULT 0 COMMENT '提问数',
  13. `collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏数',
  14. `follower_count` int(10) unsigned DEFAULT 0 COMMENT '被关注数',
  15. `followed_count` int(10) unsigned DEFAULT 0 COMMENT '关注数',
  16. `follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '关注直播数',
  17. `follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '关注话题数',
  18. `follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '关注专栏数',
  19. `follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '关注问题数',
  20. `follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '关注收藏夹数',
  21. `gmt_create` datetime NOT NULL COMMENT '创建时间',
  22. `gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最后一次编辑',
  23. PRIMARY KEY (`uid`)
  24. ) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用户基本信息表';

网页下载后通过 XPath 进行解析,提取用户各个维度的数据,最后保存到数据库中。

反爬虫策略应对-Headers

一般网站会从几个维度来反爬虫:用户请求的 Headers,用户行为,网站和数据加载的方式。从用户请求的 Headers 反爬虫是最常见的策略,很多网站都会对 Headers 的 User-Agent 进行检测,还有一部分网站会对 Referer 进行检测(一些资源网站的防盗链就是检测 Referer)。

如果遇到了这类反爬虫机制,可以直接在爬虫中添加 Headers,将浏览器的 User-Agent 复制到爬虫的 Headers 中;或者将 Referer 值修改为目标网站域名。对于检测 Headers 的反爬虫,在爬虫中修改或者添加 Headers 就能很好的绕过。

  1. cookies = {
  2. 'd_c0': 'AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182',
  3. 'login': 'NzM5ZDc2M2JkYzYwNDZlOGJlYWQ1YmI4OTg5NDhmMTY=|1480901173|9c296f424b32f241d1471203244eaf30729420f0',
  4. 'n_c': '1',
  5. 'q_c1': '395b12e529e541cbb400e9718395e346|1479808003000|1468847182000',
  6. 'l_cap_id': 'NzI0MTQwZGY2NjQyNDQ1NThmYTY0MjJhYmU2NmExMGY=|1480901160|2e7a7faee3b3e8d0afb550e8e7b38d86c15a31bc',
  7. 'd_c0': 'AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182',
  8. 'cap_id': 'N2U1NmQwODQ1NjFiNGI2Yzg2YTE2NzJkOTU5N2E0NjI=|1480901160|fd59e2ed79faacc2be1010687d27dd559ec1552a'
  9. }
  10. headers = {
  11. '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',
  12. 'Referer': 'https://www.zhihu.com/'
  13. }
  14. r = requests.get(url, cookies = cookies, headers = headers)

反爬虫策略应对-代理 IP 池

还有一部分网站是通过检测用户行为,例如同一 IP 短时间内多次访问同一页面,或者同一账户短时间内多次进行相同操作。

大多数网站都是前一种情况,对于这种情况,使用 IP 代理就可以解决。这样的代理 ip 爬虫经常会用到,最好自己准备一个。有了大量代理 ip 后可以每请求几次更换一个 ip,这在 requests 或者 urllib2 中很容易做到,这样就能很容易的绕过第一种反爬虫。目前知乎已经对爬虫做了限制,如果是单个 IP 的话,一段时间系统便会提示异常流量,无法继续爬取了。因此代理 IP 池非常关键。网上有个免费的代理 IP API: http://api.xicidaili.com/free2016.txt

  1. import requests
  2. import random
  3. class Proxy:
  4. def __init__(self):
  5. self.cache_ip_list = []
  6. # Get random ip from free proxy api url.
  7. def get_random_ip(self):
  8. if not len(self.cache_ip_list):
  9. api_url = 'http://api.xicidaili.com/free2016.txt'
  10. try:
  11. r = requests.get(api_url)
  12. ip_list = r.text.split('rn')
  13. self.cache_ip_list = ip_list
  14. except Exception as e:
  15. # Return null list when caught exception.
  16. # In this case, crawler will not use proxy ip.
  17. print e
  18. return {}
  19. proxy_ip = random.choice(self.cache_ip_list)
  20. proxies = {'http': 'http://' proxy_ip}
  21. return proxies

后续

  • 使用日志模块记录爬取日志和错误日志
  • 分布式任务队列和分布式爬虫

爬虫源代码:zhihu-crawler 下载之后通过 pip 安装相关三方包后,运行$ python crawler.py 即可(喜欢的帮忙点个 star 哈,同时也方便看到后续功能的更新)

运行截图:

 阅读文章全部内容  
点击查看
文章点评
相关文章
wyl 关注

文章收藏:5152

TA的最新收藏