Python 编写知乎爬虫实践！这是我见过最工整的爬虫教程了！

Python与机器学习 徐 自远 482℃

爬虫的基本流程

简介：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 …

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

私信小编007即可获取数十套PDF哦！

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：

本文仅代表作者个人观点，不代表SEO研究协会网官方发声，对观点有疑义请先联系作者本人进行修改，若内容非法请联系平台管理员，邮箱cxb5918@163.com。更多相关资讯，请到SEO研究协会网www.seoxiehui.cn学习互联网营销技术请到巨推学院www.jutuiedu.com。

Python 编写知乎爬虫实践！这是我见过最工整的爬虫教程了！http://t.jinritoutiao.js.cn/dJWawV/

转载请注明：徐自远的乱七八糟小站 » Python 编写知乎爬虫实践！这是我见过最工整的爬虫教程了！

喜欢 (0)

苏ICP备18041234号-1 bei_an 苏公网安备 32021402001397号