python編寫知乎爬蟲實踐

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、專業及在平台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，最好自己准備一個。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('\r\n')
                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：