开发者社区> 行者武松> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

Python编写知乎爬虫实践

简介:
+关注继续查看

Python编写知乎爬虫实践


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.  
  3. initial_page = "https://www.zhihu.com/people/gaoming623" 
  4.  
  5. url_queue = Queue.Queue() 
  6. seen = set() 
  7.  
  8. seen.insert(initial_page) 
  9. url_queue.put(initial_page) 
  10.  
  11. while(True): #一直进行 
  12.     if url_queue.size()>0: 
  13.         current_url = url_queue.get()              #拿出队例中第一个的url 
  14.         store(current_url)                         #把这个url代表的网页存储好 
  15.         for next_url in extract_urls(current_url): #提取把这个url里链向的url 
  16.             if next_url not in seen:       
  17.                 seen.put(next_url) 
  18.                 url_queue.put(next_url) 
  19.     else
  20.         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.  
  3. BIT_SIZE = 5000000 
  4.  
  5. class BloomFilter: 
  6.      
  7.     def __init__(self): 
  8.         # Initialize bloom filter, set size and all bits to 0 
  9.         bit_array = bitarray(BIT_SIZE) 
  10.         bit_array.setall(0) 
  11.  
  12.         self.bit_array = bit_array 
  13.          
  14.     def add(self, url): 
  15.         # Add a url, and set points in bitarray to 1 (Points count is equal to hash funcs count.) 
  16.         # Here use 7 hash functions. 
  17.         point_list = self.get_postions(url) 
  18.  
  19.         for b in point_list: 
  20.             self.bit_array[b] = 1 
  21.  
  22.     def contains(self, url): 
  23.         # Check if a url is in a collection 
  24.         point_list = self.get_postions(url) 
  25.  
  26.         result = True 
  27.         for b in point_list: 
  28.             result = result and self.bit_array[b] 
  29.      
  30.         return result 
  31.  
  32.     def get_postions(self, url): 
  33.         # Get points positions in bit vector. 
  34.         point1 = mmh3.hash(url, 41) % BIT_SIZE 
  35.         point2 = mmh3.hash(url, 42) % BIT_SIZE 
  36.         point3 = mmh3.hash(url, 43) % BIT_SIZE 
  37.         point4 = mmh3.hash(url, 44) % BIT_SIZE 
  38.         point5 = mmh3.hash(url, 45) % BIT_SIZE 
  39.         point6 = mmh3.hash(url, 46) % BIT_SIZE 
  40.         point7 = mmh3.hash(url, 47) % BIT_SIZE 
  41.  
  42.  
  43.         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.  
  3.  
  4. -- User base information table 
  5. CREATE TABLE `t_user` ( 
  6.   `uid` bigint(20) unsigned NOT NULL AUTO_INCREMENT, 
  7.   `username` varchar(50) NOT NULL COMMENT '用户名',                       
  8.   `brief_info` varchar(400)  COMMENT '个人简介'
  9.   `industry` varchar(50) COMMENT '所处行业',              
  10.   `education` varchar(50) COMMENT '毕业院校',              
  11.   `major` varchar(50) COMMENT '主修专业'
  12.   `answer_count` int(10) unsigned DEFAULT 0 COMMENT '回答数'
  13.   `article_count` int(10) unsigned DEFAULT 0 COMMENT '文章数'
  14.   `ask_question_count` int(10) unsigned DEFAULT 0 COMMENT '提问数'
  15.   `collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏数'
  16.   `follower_count` int(10) unsigned DEFAULT 0 COMMENT '被关注数'
  17.   `followed_count` int(10) unsigned DEFAULT 0 COMMENT '关注数'
  18.   `follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '关注直播数'
  19.   `follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '关注话题数'
  20.   `follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '关注专栏数'
  21.   `follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '关注问题数'
  22.   `follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '关注收藏夹数'
  23.   `gmt_create` datetime NOT NULL COMMENT '创建时间',    
  24.   `gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最后一次编辑',              
  25.   PRIMARY KEY (`uid`) 
  26. ) 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.  
  4. class Proxy: 
  5.  
  6.     def __init__(self): 
  7.         self.cache_ip_list = [] 
  8.  
  9.     # Get random ip from free proxy api url. 
  10.     def get_random_ip(self): 
  11.         if not len(self.cache_ip_list): 
  12.             api_url = 'http://api.xicidaili.com/free2016.txt' 
  13.             try: 
  14.                 r = requests.get(api_url) 
  15.                 ip_list = r.text.split('\r\n'
  16.                 self.cache_ip_list = ip_list 
  17.             except Exception as e: 
  18.                 # Return null list when caught exception. 
  19.                 # In this case, crawler will not use proxy ip. 
  20.                 print e 
  21.                 return {} 
  22.  
  23.         proxy_ip = random.choice(self.cache_ip_list) 
  24.         proxies = {'http''http://' + proxy_ip} 
  25.         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:cpselvis

来源:51CTO

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
Python编程:PyThink数据库交互模块提高爬虫编写速度
Python编程:PyThink数据库交互模块提高爬虫编写速度
0 0
python爬虫爬取房源信息
写这篇博客的原因是在我爬取房产这类数据信息的时候,发现csdn中好多博主写的关于此类的文章代码已经不适用,因为好多房产网站代码已经更改,使用老的代码明显爬取不到所需要的房产信息。......
0 0
Python爬虫学习:Cookie 和 Session 的区别是什么?
Cookie意为“甜饼”,是由W3C组织提出,最早由Netscape社区发展的一种机制。目前Cookie已经成为标准,所有的主流浏览器如IE、Netscape、Firefox、Opera等都支持Cookie。
0 0
「Python」爬虫-10.代理与常见报错
本文就关于爬虫**代理**以及在爬虫过程中可能出现的**报错**做一个汇总。
0 0
「Python」爬虫-9.Scrapy框架的初识-公交信息爬取
本文将讲解如何使用scrapy框架完成北京公交信息的获取。
0 0
「Python」爬虫-8.断点调试-网易云评论爬取
>通过前面几篇文章的学习,这里我们以爬取网易云评论为例,来进行一次综合实战。本文涉及到的知识点主要是断点调试,讲述如何模拟加密。
0 0
「Python」爬虫-7.验证码的识别
> 本文主要介绍如何处理一些网页中简单的验证码问题。~~(只提供简单的思路,随着技术的发展,一些验证码已经防范的非常好了,一般的解决方法可能过不了验证码这一关🤺~~
0 0
「Python」爬虫-6.爬虫效率的提高
> 本文主要介绍如何提高爬虫效率的问题,主要涉及到的知识为多线程、线程池、进程池以及协程等。
0 0
+关注
行者武松
杀人者,打虎武松也。
文章
问答
文章排行榜
最热
最新
相关电子书
更多
给运维工程师的Python实战课
立即下载
Python 脚本速查手册
立即下载
Python第五讲——关于爬虫如何做js逆向的思路
立即下载