新技术论坛
搜索
查看: 262|回复: 0

[Python] Python编写知乎爬虫实践

[复制链接]
  • TA的每日心情
    开心
    2016-12-9 18:18
  • 签到天数: 85 天

    连续签到: 1 天

    [LV.6]常住居民II

    扫一扫,手机访问本帖
    发表于 2017-6-19 09:39:08 | 显示全部楼层 |阅读模式


    wKiom1lD3InRwB6rAAP0pNeOc90533.jpg-wh_651x-s_215126882.jpg


      爬虫的基本流程

    wKiom1lD3KCx-bUdAAD4ri9HCcc962.jpg


      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
      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:

    wKioL1lD3NyR1BtmAAF0YeXIsEA591.jpg


      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
    复制代码

      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.      
    5.     def __init__(self):
    6.         # Initialize bloom filter, set size and all bits to 0
    7.         bit_array = bitarray(BIT_SIZE)
    8.         bit_array.setall(0)

    9.         self.bit_array = bit_array
    10.          
    11.     def add(self, url):
    12.         # Add a url, and set points in bitarray to 1 (Points count is equal to hash funcs count.)
    13.         # Here use 7 hash functions.
    14.         point_list = self.get_postions(url)

    15.         for b in point_list:
    16.             self.bit_array[b] = 1

    17.     def contains(self, url):
    18.         # Check if a url is in a collection
    19.         point_list = self.get_postions(url)

    20.         result = True
    21.         for b in point_list:
    22.             result = result and self.bit_array[b]
    23.      
    24.         return result

    25.     def get_postions(self, url):
    26.         # Get points positions in bit vector.
    27.         point1 = mmh3.hash(url, 41) % BIT_SIZE
    28.         point2 = mmh3.hash(url, 42) % BIT_SIZE
    29.         point3 = mmh3.hash(url, 43) % BIT_SIZE
    30.         point4 = mmh3.hash(url, 44) % BIT_SIZE
    31.         point5 = mmh3.hash(url, 45) % BIT_SIZE
    32.         point6 = mmh3.hash(url, 46) % BIT_SIZE
    33.         point7 = mmh3.hash(url, 47) % BIT_SIZE


    34.         return [point1, point2, point3, point4, point5, point6, point7]  
    复制代码

      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';  
    复制代码

      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)  
    复制代码

      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('\r\n')
    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  
    复制代码

      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:

    wKiom1lD3bHROYaAAAGblZYCwP8546.jpg




    高级模式
    B Color Image Link Quote Code Smilies

    本版积分规则

    手机版|Archiver|新技术论坛由 中国讯网 版权所有 ( ICP/ISP证:辽B-2-4-20110106号 IDC证:辽B-1-2-20070003号 )

    GMT+8, 2018-1-20 13:11 , Processed in 0.353769 second(s), 23 queries .

    X+ Open Developer Network (xodn.com)

    © 2009-2017 沈阳讯网网络科技有限公司

    快速回复 返回顶部 返回列表