1.如何用Python做爬虫

如何用Python做爬虫

       1）首先你要明白爬虫怎样工作。

       æƒ³è±¡ä½ æ˜¯ä¸€åªèœ˜è››ï¼ŒçŽ°åœ¨ä½ è¢«æ”¾åˆ°äº†äº’联“网”上。那么，你需要把所有的网页都看一遍。怎么办呢？没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧。

       åœ¨äººæ°‘日报的首页，你看到那个页面引向的各种链接。于是你很开心地从爬到了“国内新闻”那个页面。太好了，这样你就已经爬完了俩页面（首页和国内新闻）！暂且不用管爬下来的页面怎么处理的，你就想象你把这个页面完完整整抄成了个html放到了你身上。

       çªç„¶ä½ å‘现， 在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊。所以，你需要用你的脑子，存下你已经看过的页面地址。这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址。如果去过，那就别去了。

       å¥½çš„，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页。

       é‚£ä¹ˆåœ¨python里怎么实现呢？

       å¾ˆç®€å•

       import Queue

       initial_page = "初始化页"

       url_queue = Queue.Queue()

       seen = set()

       seen.insert(initial_page)

       url_queue.put(initial_page)

       while(True): #一直进行直到海枯石烂

        if url_queue.size()>0:

        current_url = url_queue.get() #拿出队例中第一个的url

        store(current_url) #把这个url代表的网页存储好

        for next_url in extract_urls(current_url): #提取把这个url里链向的url

        if next_url not in seen:

        seen.put(next_url)

        url_queue.put(next_url)

        else:

        break

       å†™å¾—已经很伪代码了。

       æ‰€æœ‰çš„爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。

       2）效率

       å¦‚果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎需要爬下全网的内容了。

       é—®é¢˜å‡ºåœ¨å“ªå‘¢ï¼Ÿéœ€è¦çˆ¬çš„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，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。

       é€šå¸¸çš„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%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。一个简单的教程:Bloom Filters by Example

       æ³¨æ„åˆ°è¿™ä¸ªç‰¹ç‚¹ï¼Œurl如果被看过，那么可能以小概率重复看一看（没关系，多看看不会累死）。但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了！）。 [IMPORTANT: 此段有问题，请暂时略过]

       å¥½ï¼ŒçŽ°åœ¨å·²ç»æŽ¥è¿‘处理判重最快的方法了。另外一个瓶颈——你只有一台机器。不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。用一台机子不够的话——用很多台吧！当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧）。

       3）集群化抓取

       çˆ¬å–豆瓣的时候，我总共用了多台机器昼夜不停地运行了一个月。想象如果只用一台机子你就得运行个月了...

       é‚£ä¹ˆï¼Œå‡è®¾ä½ çŽ°åœ¨æœ‰å°æœºå™¨å¯ä»¥ç”¨ï¼Œæ€Žä¹ˆç”¨python实现一个分布式的爬取算法呢？

       æˆ‘们把这台中的台运算能力较小的机器叫作slave，另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。同样，bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave。Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。（至少平摊是O(1)，Redis的访问效率见:LINSERT – Redis)

       è€ƒè™‘如何用python实现：

       åœ¨å„台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。

       ä»£ç äºŽæ˜¯å†™æˆ

       #slave.py

       current_url = request_from_master()

       to_send = []

       for next_url in extract_urls(current_url):

        to_send.append(next_url)

       store(current_url);

       send_to_master(to_send)

       #master.py

       distributed_queue = DistributedQueue()

       bf = BloomFilter()

       initial_pages = "www.renmingribao.com"

       while(True):

        if request == 'GET':

        if distributed_queue.size()>0:

        send(distributed_queue.get())

        else:

        break

        elif request == 'POST':

        bf.put(request.url)

       å¥½çš„，其实你能想到，有人已经给你写好了你需要的：darkrho/scrapy-redis 日报日报dj乐网站源码· GitHub

       4）展望及后处理

       è™½ç„¶ä¸Šé¢ç”¨å¾ˆå¤šâ€œç®€å•â€ï¼Œä½†æ˜¯çœŸæ­£è¦å®žçŽ°ä¸€ä¸ªå•†ä¸šè§„模可用的爬虫并不是一件容易的事。上面的代码用来爬一个整体的网站几乎没有太大的问题。

       ä½†æ˜¯å¦‚果附加上你需要这些后续处理，比如

       æœ‰æ•ˆåœ°å­˜å‚¨ï¼ˆæ•°æ®åº“应该怎样安排）

       æœ‰æ•ˆåœ°åˆ¤é‡ï¼ˆè¿™é‡ŒæŒ‡ç½‘页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）

       æœ‰æ•ˆåœ°ä¿¡æ¯æŠ½å–（比如怎么样抽取出网页上所有的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息，比如图片我存来干嘛...

       åŠæ—¶æ›´æ–°ï¼ˆé¢„测这个网页多久会更新一次）

       å¦‚你所想，这里每一个点都可以供很多研究者十数年的研究。虽然如此，

       â€œè·¯æ¼«æ¼«å…¶ä¿®è¿œå…®,吾将上下而求索”。

       æ‰€ä»¥ï¼Œä¸è¦é—®æ€Žä¹ˆå…¥é—¨ï¼Œç›´æŽ¥ä¸Šè·¯å°±å¥½äº†ï¼šï¼‰