Python 編寫知乎爬蟲實踐！這是我見過最工整的爬蟲教程了！

爬蟲的基本流程

轉發評論+私信“學習”即可領取python視頻教程
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
私信小編007即可獲取數十套PDF哦！
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 以什麼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，後抓取哪個頁面。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，然後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

瞭解了爬蟲的工作流程和爬取策略後，就可以動手實現一個爬蟲了！那麼在 python 裡怎麼實現呢？
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

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): #一直進行
8. if url_queue.size()>0:
9. current_url = url_queue.get() #拿出隊例中第一個的 url
10. store(current_url) #把這個 url 代表的網頁存儲好
11. for next_url in extract_urls(current_url): #提取把這個 url 裡鏈向的 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。那麼問題出現在哪裡？
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，那麼分析一下判重的複雜度就是 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) 的複雜度。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。注意這裡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。

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]

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：

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 '用戶名',
6. `brief_info` varchar(400) COMMENT '個人簡介',
7. `industry` varchar(50) COMMENT '所處行業',
8. `education` varchar(50) COMMENT '畢業院校',
9. `major` varchar(50) COMMENT '主修專業',
10. `answer_count` int(10) unsigned DEFAULT 0 COMMENT '回答數',
11. `article_count` int(10) unsigned DEFAULT 0 COMMENT '文章數',
12. `ask_question_count` int(10) unsigned DEFAULT 0 COMMENT '提問數',
13. `collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏數',
14. `follower_count` int(10) unsigned DEFAULT 0 COMMENT '被關注數',
15. `followed_count` int(10) unsigned DEFAULT 0 COMMENT '關注數',
16. `follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '關注直播數',
17. `follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '關注話題數',
18. `follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '關注專欄數',
19. `follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '關注問題數',
20. `follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '關注收藏夾數',
21. `gmt_create` datetime NOT NULL COMMENT '創建時間',
22. `gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最後一次編輯',
23. PRIMARY KEY (`uid`)
24. ) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COMMENT='用戶基本信息表';

網頁下載後通過 XPath 進行解析，提取用戶各個維度的數據，最後保存到數據庫中。
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）。

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。

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

後續

• 使用日誌模塊記錄爬取日誌和錯誤日誌
• 分佈式任務隊列和分佈式爬蟲

爬蟲源代碼：zhihu-crawler 下載之後通過 pip 安裝相關三方包後，運行$ python crawler.py 即可（喜歡的幫忙點個 star 哈，同時也方便看到後續功能的更新）
運行截圖：

轉發評論+私信“學習”即可領取python視頻教程

轉發評論+私信“學習”即可領取python視頻教程

閱讀更多 小小可愛編 的文章

關鍵字: 網絡爬蟲 DNS 搜索引擎