爬蟲的基本流程
網絡爬蟲的基本工作流程如下：
首先選取一部分精心挑選的種子URL 將種子URL加入任務隊列 從待抓取URL隊列中取出待抓取的URL，解析DNS，並且得到主機的ip，並將URL對應的網頁下載下來，存儲進已下載網頁庫中。此外，將這些URL放進已抓取URL隊列。 分析已抓取URL隊列中的URL，分析其中的其他URL，並且將URL放入待抓取URL隊列，從而進入下一個循環。 解析下載下來的網頁，將需要的數據解析出來。 數據持久話，保存至數據庫中。
爬蟲的抓取策略
在爬蟲系統中，待抓取URL隊列是很重要的一部分。待抓取URL隊列中的URL以什麼樣的順序排列也是一個很重要的問題，因爲這涉及到先抓取那個頁面，後抓取哪個頁面。而決定這些URL排列順序的方法，叫做抓取策略。下面重點介紹幾種常見的抓取策略：
深度優先策略(DFS)
深度優先策略是指爬蟲從某個URL開始，一個鏈接一個鏈接的爬取下去，直到處理完了某個鏈接所在的所有線路，才切換到其它的線路。
此時抓取順序爲：A -> B -> C -> D -> E -> F -> G -> H -> I -> J
廣度優先策略(BFS)
寬度優先遍歷策略的基本思路是，將新下載網頁中發現的鏈接直接插入待抓取URL隊列的末尾。也就是指網絡爬蟲會先抓取起始網頁中鏈接的所有網頁，然後再選擇其中的一個鏈接網頁，繼續抓取在此網頁中鏈接的所有網頁。
此時抓取順序爲：A -> B -> E -> G -> H -> I -> C -> F -> J -> D
瞭解了爬蟲的工作流程和爬取策略後，就可以動手實現一個爬蟲了!那麼在python裏怎麼實現呢?
技術棧
requests 人性化的請求發送 Bloom Filter 布隆過濾器，用於判重 XPath 解析HTML內容 murmurhash Anti crawler strategy 反爬蟲策略 MySQL 用戶數據存儲
基本實現
下面是一個僞代碼
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): #一直進行
if url_queue.size()>0:
current_url = url_queue.get() #拿出隊例中第一個的url
store(current_url) #把這個url代表的網頁存儲好
for next_url in extract_urls(current_url): #提取把這個url裏鏈向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
else:
break
如果你直接加工一下上面的代碼直接運行的話，你需要很長的時間才能爬下整個知乎用戶的信息，畢竟知乎有6000萬月活躍用戶。更別說Google這樣的搜索引擎需要爬下全網的內容了。那麼問題出現在哪裏?
布隆過濾器
需要爬的網頁實在太多太多了，而上面的代碼太慢太慢了。設想全網有N個網站，那麼分析一下判重的複雜度就是N*log(N)，因爲所有網頁要遍歷一次，而每次判重用set的話需要log(N)的複雜度。OK，我知道python的set實現是hash——不過這樣還是太慢了，至少內存使用效率不高。
通常的判重做法是怎樣呢?Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內存(不隨url的數量而增長)以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐，它的唯一問題在於，如果這個url不在set中，BF可以100%確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應該已經出現過，不過我有2%的不確定性。注意這裏的不確定性在你分配的內存足夠大的時候，可以變得很小很少。
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詳細的原理參考我之前寫的文章：布隆過濾器(Bloom Filter)的原理和實現
建表
用戶有價值的信息包括用戶名、簡介、行業、院校、專業及在平臺上活動的數據比如回答數、文章數、提問數、粉絲數等等。
用戶信息存儲的表結構如下：
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 '用戶名', brief_info varchar(400) COMMENT '個人簡介', industry varchar(50) COMMENT '所處行業', education varchar(50) COMMENT '畢業院校', major varchar(50) COMMENT '主修專業', answer_count int(10) unsigned DEFAULT 0 COMMENT '回答數', article_count int(10) unsigned DEFAULT 0 COMMENT '文章數', ask_question_count int(10) unsigned DEFAULT 0 COMMENT '提問數', collection_count int(10) unsigned DEFAULT 0 COMMENT '收藏數', follower_count int(10) unsigned DEFAULT 0 COMMENT '被關注數', followed_count int(10) unsigned DEFAULT 0 COMMENT '關注數', follow_live_count int(10) unsigned DEFAULT 0 COMMENT '關注直播數', follow_topic_count int(10) unsigned DEFAULT 0 COMMENT '關注話題數', follow_column_count int(10) unsigned DEFAULT 0 COMMENT '關注專欄數', follow_question_count int(10) unsigned DEFAULT 0 COMMENT '關注問題數', follow_collection_count int(10) unsigned DEFAULT 0 COMMENT '關注收藏夾數', gmt_create datetime NOT NULL COMMENT '創建時間', gmt_modify timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最後一次編輯', PRIMARY KEY (uid) ) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用戶基本信息表';
網頁下載後通過XPath進行解析，提取用戶各個維度的數據，最後保存到數據庫中。
反爬蟲策略應對-Headers
一般網站會從幾個維度來反爬蟲：用戶請求的Headers，用戶行爲，網站和數據加載的方式。從用戶請求的Headers反爬蟲是最常見的策略，很多網站都會對Headers的User-Agent進行檢測，還有一部分網站會對Referer進行檢測(一些資源網站的防盜鏈就是檢測Referer)。
如果遇到了這類反爬蟲機制，可以直接在爬蟲中添加Headers，將瀏覽器的User-Agent複製到爬蟲的Headers中;或者將Referer值修改爲目標網站域名。對於檢測Headers的反爬蟲，在爬蟲中修改或者添加Headers就能很好的繞過。
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)
反爬蟲策略應對-代理IP池
還有一部分網站是通過檢測用戶行爲，例如同一IP短時間內多次訪問同一頁面，或者同一賬戶短時間內多次進行相同操作。
大多數網站都是前一種情況，對於這種情況，使用IP代理就可以解決。這樣的代理ip爬蟲經常會用到，最好自己準備一個。有了大量代理ip後可以每請求幾次更換一個ip，這在requests或者urllib2中很容易做到，這樣就能很容易的繞過第一種反爬蟲。目前知乎已經對爬蟲做了限制，如果是單個IP的話，一段時間系統便會提示異常流量，無法繼續爬取了。因此代理IP池非常關鍵。網上有個免費的代理IP API: http://api.xicidaili.com/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(' ') 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
後續
使用日誌模塊記錄爬取日誌和錯誤日誌 分佈式任務隊列和分佈式爬蟲
爬蟲源代碼：zhihu-crawler 下載之後通過pip安裝相關三方包後，運行$ python crawler.py即可(喜歡的幫忙點個star哈，同時也方便看到後續功能的更新)