Python 編寫(xiě)知乎爬蟲(chóng)實(shí)踐

　　點(diǎn)擊上方“Python開(kāi)發(fā)”，選擇“置頂公眾號”

　　關(guān)鍵時(shí)刻，第一時(shí)間送達！

　　

　　爬蟲(chóng)的基本流程

　　

　　網(wǎng)絡(luò )爬蟲(chóng)的基本工作流程如下：

　　爬蟲(chóng)的抓取策略

　　在爬蟲(chóng)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 以什么樣的順序排列也是一個(gè)很重要的問(wèn)題，因為這涉及到先抓取那個(gè)頁(yè)面，后抓取哪個(gè)頁(yè)面。而決定這些 URL 排列順序的方法，叫做抓取策略。下面重點(diǎn)介紹幾種常見(jiàn)的抓取策略：

　　

　　了解了爬蟲(chóng)的工作流程和爬取策略后，就可以動(dòng)手實(shí)現一個(gè)爬蟲(chóng)了！那么在 python 里怎么實(shí)現呢？

　　技術(shù)?；緦?shí)現

　　下面是一個(gè)偽代碼

　　<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): #一直進(jìn)行

　　 ? ?if url_queue.size()>0:

　　 ? ? ? ?current_url = url_queue.get() ? ? ? ? ? ? ?#拿出隊例中第一個(gè)的 url

　　 ? ? ? ?store(current_url) ? ? ? ? ? ? ? ? ? ? ? ? #把這個(gè) url 代表的網(wǎng)頁(yè)存儲好

　　 ? ? ? ?for next_url in extract_urls(current_url): #提取把這個(gè) url 里鏈向的 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碼直接運行的話(huà)，你需要很長(cháng)的時(shí)間才能爬下整個(gè)知乎用戶(hù)的信息，畢竟知乎有 6000 萬(wàn)月活躍用戶(hù)。更別說(shuō) Google 這樣的搜索引擎需要爬下全網(wǎng)的內容了。那么問(wèn)題出現在哪里？

　　布隆過(guò)濾器

　　需要爬的網(wǎng)頁(yè)實(shí)在太多太多了，而上面的代碼太慢太慢了。設想全網(wǎng)有 N 個(gè)網(wǎng)站，那么分析一下判重的復雜度就是 N*log(N)，因為所有網(wǎng)頁(yè)要遍歷一次，而每次判重用 set 的話(huà)需要 log(N) 的復雜度。OK，我知道 python 的 set 實(shí)現是 hash——不過(guò)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(jiǎn)單講它仍然是一種 hash 的方法，但是它的特點(diǎn)是，它可以使用固定的內存（不隨 url 的數量而增長(cháng)）以 O(1) 的效率判定 url 是否已經(jīng)在 set 中?？上煜聸](méi)有白吃的午餐，它的唯一問(wèn)題在于，如果這個(gè) url 不在 set 中，BF 可以 100%確定這個(gè) url 沒(méi)有看過(guò)。但是如果這個(gè) url 在 set 中，它會(huì )告訴你：這個(gè) url 應該已經(jīng)出現過(guò)，不過(guò)我有 2%的不確定性。注意這里的不確定性在你分配的內存足夠大的時(shí)候，可以變得很小很少。

　　<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 詳細的原理參考我之前寫(xiě)的文章：布隆過(guò)濾器(Bloom Filter) 的原理和實(shí)現

　　建表

　　用戶(hù)有價(jià)值的信息包括用戶(hù)名、簡(jiǎn)介、行業(yè)、院校、專(zhuān)業(yè)及在平臺上活動(dòng)的數據比如回答數、文章數、提問(wèn)數、粉絲數等等。

　　用戶(hù)信息存儲的表結構如下：

　　<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 '用戶(hù)名', ? ? ? ? ? ? ? ? ? ? ?

　　 ?`brief_info` varchar(400) ?COMMENT '個(gè)人簡(jiǎn)介',

　　 ?`industry` varchar(50) COMMENT '所處行業(yè)', ? ? ? ? ? ?

　　 ?`education` varchar(50) COMMENT '畢業(yè)院校', ? ? ? ? ? ?

　　 ?`major` varchar(50) COMMENT '主修專(zhuān)業(yè)',

　　 ?`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(wèn)數',

　　 ?`collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏數',

　　 ?`follower_count` int(10) unsigned DEFAULT 0 COMMENT '被關(guān)注數',

　　 ?`followed_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注數',

　　 ?`follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注直播數',

　　 ?`follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注話(huà)題數',

　　 ?`follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注專(zhuān)欄數',

　　 ?`follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注問(wèn)題數',

　　 ?`follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '關(guān)注收藏夾數',

　　 ?`gmt_create` datetime NOT NULL COMMENT '創(chuàng )建時(shí)間', ?

　　 ?`gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最后一次編輯', ? ? ? ? ? ?

　　 ?PRIMARY KEY (`uid`)

　　) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用戶(hù)基本信息表';</p>

　　網(wǎng)頁(yè)下載后通過(guò) XPath 進(jìn)行解析，提取用戶(hù)各個(gè)維度的數據，最后保存到數據庫中。

　　反爬蟲(chóng)策略應對-Headers

　　一般網(wǎng)站會(huì )從幾個(gè)維度來(lái)反爬蟲(chóng)：用戶(hù)請求的 Headers，用戶(hù)行為，網(wǎng)站和數據加載的方式。從用戶(hù)請求的 Headers 反爬蟲(chóng)是最常見(jiàn)的策略，很多網(wǎng)站都會(huì )對 Headers 的 User-Agent 進(jìn)行檢測，還有一部分網(wǎng)站會(huì )對 Referer 進(jìn)行檢測（一些資源網(wǎng)站的防盜鏈就是檢測 Referer）。

　　如果遇到了這類(lèi)反爬蟲(chóng)機制，可以直接在爬蟲(chóng)中添加 Headers，將瀏覽器的 User-Agent 復制到爬蟲(chóng)的 Headers 中；或者將 Referer 值修改為目標網(wǎng)站域名。對于檢測 Headers 的反爬蟲(chóng)，在爬蟲(chóng)中修改或者添加 Headers 就能很好的繞過(guò)。

　　<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>

　　反爬蟲(chóng)策略應對-代理 IP 池

　　還有一部分網(wǎng)站是通過(guò)檢測用戶(hù)行為，例如同一 IP 短時(shí)間內多次訪(fǎng)問(wèn)同一頁(yè)面，或者同一賬戶(hù)短時(shí)間內多次進(jìn)行相同操作。

　　大多數網(wǎng)站都是前一種情況，對于這種情況，使用 IP 代理就可以解決。這樣的代理 ip 爬蟲(chóng)經(jīng)常會(huì )用到，最好自己準備一個(gè)。有了大量代理 ip 后可以每請求幾次更換一個(gè) ip，這在 requests 或者 urllib2 中很容易做到，這樣就能很容易的繞過(guò)第一種反爬蟲(chóng)。目前知乎已經(jīng)對爬蟲(chóng)做了限制，如果是單個(gè) IP 的話(huà)，一段時(shí)間系統便會(huì )提示異常流量，無(wú)法繼續爬取了。因此代理 IP 池非常關(guān)鍵。網(wǎng)上有個(gè)免費的代理 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>

　　后續

　　爬蟲(chóng)源代碼：zhihu-crawler下載之后通過(guò) pip 安裝相關(guān)三方包后，運行$ python crawler.py 即可（喜歡的幫忙點(diǎn)個(gè) star 哈，同時(shí)也方便看到后續功能的更新）

　　運行截圖：