c爬虫抓取网页数据(几种-博客园爬虫的基本流程网络爬虫的抓取策略 )

　　c爬虫抓取网页数据(几种-博客园爬虫的基本流程网络爬虫的抓取策略

)

　　原文：知乎 爬虫练习写在python-cpselvis-博客园

　　

　　网络爬虫的基本工作流程如下：

　　爬虫的爬取策略

　　在爬虫系统中，要爬取的URL队列是一个非常重要的部分。URL队列中要爬取的URL的顺序也是一个很重要的问题，因为它涉及到先爬哪个页面，后爬哪个页面。确定这些 URL 顺序的方法称为抓取策略。下面重点介绍几种常见的爬取策略：

　　

　　了解了爬虫的工作流程和爬取策略后，就可以开始实现爬虫了！那么如何在python中实现呢？

　　技术栈的基本实现

　　下面是伪代码

　　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

　　如果直接处理上面的代码，直接运行，爬下整个知乎用户信息需要很长时间。毕竟，知乎 每月有 6000 万活跃用户。更不用说像谷歌这样的搜索引擎需要爬下整个网络。那么问题出在哪里呢？

　　布隆过滤器

　　需要爬取的网页太多，上面的代码太慢太慢了。假设全网有N个网站，那么分析判断的复杂度是N*log(N)，因为所有网页都需要遍历一次，每次判断集合的时候，复杂度log(N) 是必需的。. OK，我知道python的set实现是hash-但是这样还是太慢了，至少内存使用效率不高。

　　通常的判断方式是什么？布隆过滤器。简单的说还是hash方法，但是它的特点是可以使用固定内存（不随url数增加）以O(1)的效率来判断url是否已经设置好可惜世界上没有免费的午餐，唯一的问题是如果url不在set中，BF可以100%确定url没有被浏览过。但是如果url在set中，它会告诉你：这个url应该已经出现了，但是我有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情况下会变得非常小。

　　# 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的详细原理请参考我之前写的文章：Bloom Filter的原理与实现

　　建一张桌子

　　用户有价值的信息包括用户名、简介、行业、学院、专业、平台活动数据，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解析，提取出用户各个维度的数据，最后保存到数据库中。

　　反爬虫策略 response-Headers

　　一般网站会从几个维度进行反爬：用户请求的Headers、用户行为、网站以及数据加载的方式。用户请求的Headers反爬虫是最常见的策略。很多网站会检测Headers的User-Agent，有的网站会检测Referer（有些资源网站的反盗链就是检测Referer）。

　　如果遇到这种反爬虫机制，可以直接给爬虫添加Headers，将浏览器的User-Agent复制到爬虫的Headers中；或者修改Referer值为目标网站域名。对于检测header的反爬虫，在爬虫中修改或添加header很容易绕过。

　　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)

　　反爬虫策略响应-代理IP池

　　网站的另一部分是检测用户行为，比如同一IP在短时间内多次访问同一个页面，或者同一个账号在短时间内多次执行相同的操作。

　　大部分网站都是前一种情况。在这种情况下，使用IP代理来解决它。这类代理ip爬虫经常用到，最好自己准备一个。有大量代理ip后，每次请求都可以换一个ip。这在requests或urllib2中很容易做到，这样就可以轻松绕过第一个反爬虫。目前知乎已经对爬虫进行了限制。如果是单个IP​​，系统会在一段时间内提示流量异常，无法继续爬取。因此，代理IP池非常关键。网上有一个免费的代理IP API：/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

　　跟进

　　爬虫源码：下载知乎-crawler后，通过pip安装相关的三方包，运行$ python crawler.py（喜欢的请点个star，看后续功能更新也方便)

　　运行截图：