一只知乎爬虫

　　一只知乎爬虫

　　本文经作者授权发布。

　　文 | 程柳锋@Tencent

　　爬虫的基本流程

　　

　　网络爬虫的基本工作流程如下：

　　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：

　　

　　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？

　　技术栈基本实现

　　下面是一个伪代码

　　<p>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</p>

　　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。

　　<p># 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]</p>

　　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：

　　<p>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';</p>

　　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。

　　<p>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)</p>

　　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:

　　<p>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('rn')

　　                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</p>

　　后续

　　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：