python笔记——爬虫练习

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。

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

 技术思路

• 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]

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

https://www.cnblogs.com/cpselvis/p/7001137.html