科技猎python编写知乎爬虫实践
作者：cpselvis
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
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
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
):
#一直进行
if
url_queue.size()
>
0
:
current_url
=
url_queue.get()
#拿出队例中第一个的url
store(current_url)
#把这个url代表的网页存储好
for
next_url
in
extract_urls(current_url):
#提取把这个url里链向的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。
# 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：
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
'用户名'
,
`brief_info`
varchar
(
400
)
COMMENT
'个人简介'
,
`industry`
varchar
(
50
)
COMMENT
'所处行业'
,
`education`
varchar
(
50
)
COMMENT
'毕业院校'
,
`major`
varchar
(
50
)
COMMENT
'主修专业'
,
`answer_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'回答数'
,
`article_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'文章数'
,
`ask_question_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'提问数'
,
`collection_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'收藏数'
,
`follower_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'被关注数'
,
`followed_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注数'
,
`follow_live_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注直播数'
,
`follow_topic_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注话题数'
,
`follow_column_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注专栏数'
,
`follow_question_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注问题数'
,
`follow_collection_count`
int
(
10
)
unsigned
DEFAULT
0
COMMENT
'关注收藏夹数'
,
`gmt_create`
datetime
NOT
NULL
COMMENT
'创建时间'
,
`gmt_modify`
timestamp
NOT
NULL
DEFAULT
CURRENT_TIMESTAMP
COMMENT
'最后一次编辑'
,
PRIMARY
KEY
(
`uid`
)
)
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。
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
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：
End.
转载请注明来自36大数据（36dsj.com)： 36大数据 » python编写知乎爬虫实践
