本文經作者授權發布。

文 | 程柳鋒@Tencent

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，并且得到主機的 ip，并將 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，并且將 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 以什么樣的順序排列也是一個很重要的問題，因為這涉及到先抓取那個頁面，后抓取哪個頁面。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。?
  此時抓取順序為：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，然后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。?
  此時抓取順序為：A -> B -> E -> G -> H -> I -> C -> F -> J -> D

了解了爬蟲的工作流程和爬取策略后，就可以動手實現一個爬蟲了！那么在 python 里怎么實現呢？

技術棧

• requests?人性化的請求發送

• Bloom Filter?布隆過濾器，用于判重

• 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

下面是一個偽代碼

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 里鏈向的 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。那么問題出現在哪里？

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，那么分析一下判重的復雜度就是 N*log(N)，因為所有網頁要遍歷一次，而每次判重用 set 的話需要 log(N) 的復雜度。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，它的唯一問題在于，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。注意這里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 '最后一次編輯', ? ? ? ? ? ? 
 ?PRIMARY KEY (`uid`)
) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用戶基本信息表';

網頁下載后通過 XPath 進行解析，提取用戶各個維度的數據，最后保存到數據庫中。

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，用戶行為，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 復制到爬蟲的 Headers 中；或者將 Referer 值修改為目標網站域名。對于檢測 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為，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，對于這種情況，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 后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('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

后續

• 使用日志模塊記錄爬取日志和錯誤日志

• 分布式任務隊列和分布式爬蟲

爬蟲源代碼：zhihu-crawler?下載之后通過 pip 安裝相關三方包后，運行$ python crawler.py 即可（喜歡的幫忙點個 star 哈，同時也方便看到后續功能的更新）

運行截圖：?

題圖：pexels，CC0 授權。

點擊閱讀原文，查看更多 Python 教程和資源。