爬虫的基本流程
网络爬虫的基本工作流程如下：
首先选取一部分精心挑选的种子url
将种子url加入任务队列
从待抓取url队列中取出待抓取的url，解析dns，并且得到主机的ip，并将url对应的网页下载下来，存储进已下载网页库中。此外，将这些url放进已抓取url队列。
分析已抓取url队列中的url，分析其中的其他url，并且将url放入待抓取url队列，从而进入下一个循环。
解析下载下来的网页，将需要的数据解析出来。
数据持久话，保存至数据库中。
爬虫的抓取策略
在爬虫系统中，待抓取url队列是很重要的一部分。待抓取url队列中的url以什么样的顺序排列也是一个很重要的问题，因为这涉及到先抓取那个页面，后抓取哪个页面。而决定这些url排列顺序的方法，叫做抓取策略。下面重点介绍几种常见的抓取策略：
深度优先策略(dfs)
深度优先策略是指爬虫从某个url开始，一个链接一个链接的爬取下去，直到处理完了某个链接所在的所有线路，才切换到其它的线路。
此时抓取顺序为：a -> b -> c -> d -> e -> f -> g -> h -> i -> j
广度优先策略(bfs)
宽度优先遍历策略的基本思路是，将新下载网页中发现的链接直接插入待抓取url队列的末尾。也就是指网络爬虫会先抓取起始网页中链接的所有网页，然后再选择其中的一个链接网页，继续抓取在此网页中链接的所有网页。
此时抓取顺序为：a -> b -> e -> g -> h -> i -> c -> f -> j -> d
了解了爬虫的工作流程和爬取策略后，就可以动手实现一个爬虫了!那么在python里怎么实现呢?
技术栈
requests 人性化的请求发送
bloom filter 布隆过滤器，用于判重
xpath 解析html内容
murmurhash
anti crawler strategy 反爬虫策略
mysql 用户数据存储
基本实现
下面是一个伪代码
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): #一直进行
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
如果你直接加工一下上面的代码直接运行的话，你需要很长的时间才能爬下整个知乎用户的信息，毕竟知乎有6000万月活跃用户。更别说google这样的搜索引擎需要爬下全网的内容了。那么问题出现在哪里?
布隆过滤器
需要爬的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，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。
通常的判重做法是怎样呢?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100%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。
# 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
result = true
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详细的原理参考我之前写的文章：布隆过滤器(bloom filter)的原理和实现
建表
用户有价值的信息包括用户名、简介、行业、院校、专业及在平台上活动的数据比如回答数、文章数、提问数、粉丝数等等。
用户信息存储的表结构如下：
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 '用户名',
`brief_info` varchar(400) comment '个人简介',
`industry` varchar(50) comment '所处行业',
`education` varchar(50) comment '毕业院校',
`major` varchar(50) comment '主修专业',
`answer_count` int(10) unsigned default 0 comment '回答数',
`article_count` int(10) unsigned default 0 comment '文章数',
`ask_question_count` int(10) unsigned default 0 comment '提问数',
`collection_count` int(10) unsigned default 0 comment '收藏数',
`follower_count` int(10) unsigned default 0 comment '被关注数',
`followed_count` int(10) unsigned default 0 comment '关注数',
`follow_live_count` int(10) unsigned default 0 comment '关注直播数',
`follow_topic_count` int(10) unsigned default 0 comment '关注话题数',
`follow_column_count` int(10) unsigned default 0 comment '关注专栏数',
`follow_question_count` int(10) unsigned default 0 comment '关注问题数',
`follow_collection_count` int(10) unsigned default 0 comment '关注收藏夹数',
`gmt_create` datetime not null comment '创建时间',
`gmt_modify` timestamp not null default current_timestamp comment '最后一次编辑',
primary key (`uid`)
) engine=myisam auto_increment=1 default charset=utf8 comment='用户基本信息表';
网页下载后通过xpath进行解析，提取用户各个维度的数据，最后保存到数据库中。
反爬虫策略应对-headers
一般网站会从几个维度来反爬虫：用户请求的headers，用户行为，网站和数据加载的方式。从用户请求的headers反爬虫是最常见的策略，很多网站都会对headers的user-agent进行检测，还有一部分网站会对referer进行检测(一些资源网站的防盗链就是检测referer)。
如果遇到了这类反爬虫机制，可以直接在爬虫中添加headers，将浏览器的user-agent复制到爬虫的headers中;或者将referer值修改为目标网站域名。对于检测headers的反爬虫，在爬虫中修改或者添加headers就能很好的绕过。
cookies = {
"d_c0": "aeca7v-apwqptiibemmiq8abhjy7bdd2vge=|1468847182",
"login": "nzm5zdc2m2jkyzywndzlogjlywq1ymi4otg5ndhmmty=|1480901173|9c296f424b32f241d1471203244eaf30729420f0",
"n_c": "1",
"q_c1": "395b12e529e541cbb400e9718395e346|1479808003000|1468847182000",
"l_cap_id": "nzi0mtqwzgy2njqyndq1nthmyty0mjjhymu2nmexmgy=|1480901160|2e7a7faee3b3e8d0afb550e8e7b38d86c15a31bc",
"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)
反爬虫策略应对-代理ip池
还有一部分网站是通过检测用户行为，例如同一ip短时间内多次访问同一页面，或者同一账户短时间内多次进行相同操作。
大多数网站都是前一种情况，对于这种情况，使用ip代理就可以解决。这样的代理ip爬虫经常会用到，最好自己准备一个。有了大量代理ip后可以每请求几次更换一个ip，这在requests或者urllib2中很容易做到，这样就能很容易的绕过第一种反爬虫。目前知乎已经对爬虫做了限制，如果是单个ip的话，一段时间系统便会提示异常流量，无法继续爬取了。因此代理ip池非常关键。网上有个免费的代理ip
api: http://api.xicidaili.com/free2016.txt
import requests
import random
class proxy:
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
后续
使用日志模块记录爬取日志和错误日志
分布式任务队列和分布式爬虫
爬虫源代码：zhihu-crawler 下载之后通过pip安装相关三方包后，运行$ python crawler.py即可(喜欢的帮忙点个star哈，同时也方便看到后续功能的更新)
运行截图：
作者：cpselvis
来源：51cto