一个网络爬虫的分析

说明

这个爬虫是从outofmemory看到的，只有100行，内容是抓取淘宝商品信息，包括商品名、卖家id、地区、价格等信息，json格式，作者说他曾经抓取到了一千万条信息。

出于对这个爬虫能力的感叹，我好奇的对它进行了分析，发现原理是如此的简单，感叹python的强大之余，好也把分析的心得记录一下，引为后来的经验。

现在这个爬虫能不能用就没有保证了，不过没有关系，只是作为一个学习的例子。

代码

代码可以到原来的网址下，为免失效，现张贴如下：

import time
import leveldb
from urllib.parse import quote_plus 
import re
import json
import itertools
import sys
import requests
from queue import Queue
from threading import Thread

URL_BASE = 'http://s.m.taobao.com/search?q={}&n=200&m=api4h5&style=list&page={}'

def url_get(url):
    # print('GET ' + url)
    header = dict()
    header['Accept'] = 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'
    header['Accept-Encoding'] = 'gzip,deflate,sdch'
    header['Accept-Language'] = 'en-US,en;q=0.8'
    header['Connection'] = 'keep-alive'
    header['DNT'] = '1'
    #header['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.71 Safari/537.36'
    header['User-Agent'] = 'Mozilla/12.0 (compatible; MSIE 8.0; Windows NT)'
    return requests.get(url, timeout = 5, headers = header).text

def item_thread(cate_queue, db_cate, db_item):
    while True:
        try:
            cate = cate_queue.get()
            post_exist = True
            try:
                state = db_cate.Get(cate.encode('utf-8'))
                if state != b'OK': post_exist = False
            except:
                post_exist = False
            if post_exist == True:
                print('cate-{}: {} already exists ... Ignore'.format(cate, title))
                continue
            db_cate.Put(cate.encode('utf-8'), b'crawling')
            for item_page in itertools.count(1):
                url = URL_BASE.format(quote_plus(cate), item_page)
                for tr in range(5):
                    try:
                        items_obj = json.loads(url_get(url))
                        break
                    except KeyboardInterrupt:
                        quit()
                    except Exception as e:
                        if tr == 4: raise e
                if len(items_obj['listItem']) == 0: break                        
                for item in items_obj['listItem']:
                    item_obj = dict(
                        _id = int(item['itemNumId']),
                        name = item['name'],
                        price = float(item['price']),
                        query = cate,
                        category = int(item['category']) if item['category'] != '' else 0,
                        nick = item['nick'],
                        area = item['area'])
                    db_item.Put(str(item_obj['_id']).encode('utf-8'),
                                json.dumps(item_obj, ensure_ascii = False).encode('utf-8'))

                print('Get {} items from {}: {}'.format(len(items_obj['listItem']), cate, item_page))

                if 'nav' in items_obj:
                    for na in items_obj['nav']['navCatList']:
                        try:
                            db_cate.Get(na['name'].encode('utf-8'))
                        except:
                            db_cate.Put(na['name'].encode('utf-8'), b'waiting')
            db_cate.Put(cate.encode('utf-8'), b'OK')
            print(cate, 'OK')
        except KeyboardInterrupt:
            break
        except Exception as e:
            print('An {} exception occured'.format(e))

def cate_thread(cate_queue, db_cate):
    while True:
        try:
            for key, value in db_cate.RangeIter():
                if value != b'OK':
                    print('CateThread: put {} into queue'.format(key.decode('utf-8')))
                    cate_queue.put(key.decode('utf-8'))
            time.sleep(10)
        except KeyboardInterrupt:
            break
        except Exception as e:
            print('CateThread: {}'.format(e))

if __name__ == '__main__':
    db_cate = leveldb.LevelDB('./taobao-cate')
    db_item = leveldb.LevelDB('./taobao-item')
    orig_cate = '正装'
    try:
        db_cate.Get(orig_cate.encode('utf-8'))
    except:
        db_cate.Put(orig_cate.encode('utf-8'), b'waiting')
    cate_queue = Queue(maxsize = 1000)
    cate_th = Thread(target = cate_thread, args = (cate_queue, db_cate))
    cate_th.start()
    item_th = [Thread(target = item_thread, args = (cate_queue, db_cate, db_item)) for _ in range(5)]
    for item_t in item_th:
        item_t.start()
    cate_th.join()

　　

分析

一个只有一百行的代码，也不用花太多心思就可以看懂了，不过其中一些有意思的心得还是可以分享下。

1. 使用vim打开，在使用了fold功能后，可以清晰的看到代码由import部分，三个自定义函数和一个main了，所以可以直接从main开始看。
2. main建立（也可以是已经建立的）了两个数据库，分别是db_cate和db_item，还定义了开始时抓取的商品种类(category)orig_cate。
3. 先在db_cate中尝试访问下orig_cate，如果没有这个种类，就加入这个种类，属性设置为waiting，leveldb就是一个key-value数据库，使用起来非常的方便。
4. 建立一个种类的队列cate_queue，然后就建立一个种类的线程cate_th，会调用自己定义的一个函数cate_thread，参数是队列和种类数据库。
5. 再建立5个线程item_th，调用定义的item_thread函数参数是队列和两个数据库。
6. 最后会等待线程终止后退出。
7. 这时就可以看前面的定义的函数cate_thread,这个函数会重复从种类数据库cate_db中遍历取出种类名，然后看这个种类是不是已经抓取过了，如果没有，就加入到种类队列cate_queue。
8. 再看函数item_thead，从种类队列cate_queue中取出一个种类,再从种类数据库中查看其状态，如果是ok，就取下一个种类；如果不是ok，就标记为crawling，然后就使用这个类别和一个遍历的序号就可以获得一个网址，然后就重复的尝试获取这个页面的数据，再分析，保存到item_db中，再把种类在cate_db中标记为ok，也就是完成，同时，把页面有的种类信息放到cate_db数据库中。
9. 这样这个爬虫就可以一直工作了。

总结

这个爬虫的结构很清晰，一个数据库用来保存种类的状态信息，一个数据库保存获取到的信息，一个队列作为进程间通信的工具，数据库使用key-value，网页抓取使用requests。参考这个结构，很多爬虫都可以写出来了。