微信号:PythonPush

介绍:人生苦短,我用 Python.Python 越来越受广大程序员的喜爱.

Python 编写知乎爬虫实践

2018-04-12 19:30 Python开发

点击上方Python开发”,选择“置顶公众号”

关键时刻,第一时间送达!

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

 
           
  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: 

  • 作者:程柳锋@Tencent

  • Python开发整理发布,转载请联系作者获得授权

【点击成为Java大神】

 
Python开发 更多文章 Airflow:Python 工作流管理利器 装扮你的 Jupyter Notebook 小 200 行 Python 代码做了一个换脸程序 我为什么劝你不要过度纠结于技术细节? Python自动生成表情包
猜您喜欢 重磅:某大型企业私有云建设思路解析 为什么CDS本质上不是保险? 你的初心,我能“听见“ 运维的冬天来了,我给你暖暖 Folly源码分析系列(一) — ThreadLocalPtr