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:一个→B→C→D→E→F→G→H→我→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:一个→B→E→G→H→我→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
请求人性化的请求发送布隆过滤器布隆过滤器,用于判重XPath解析HTML内容murmurhash反爬虫策略反爬虫策略MySQL用户数据存储
基本实现
下面是一个伪代码
进口队列
initial_page=癶ttps://www.zhihu.com/people/gaoming623"
url_queue=Queue.Queue ()
看到=组()
seen.insert (initial_page)
url_queue.put (initial_page)
,(真正的):#一直进行
如果url_queue.size()在0:
current_url=url_queue.get() #拿出队例中第一个url的
存储(current_url) #把这个url代表的网页存储好
的next_url extract_urls (current_url): #提取把这个url里链向的url
如果next_url不在看到:
seen.put (next_url)
url_queue.put (next_url)
:
打破
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年万月活跃用户。更别说谷歌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,而每次判重用设置的话需要log (N)的复杂度对吧,我知道python的设置实现是散列,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?布隆过滤器。简单讲它仍然是一种散列的方法,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是否已经在设置中。可惜天下没有白吃的午餐,它的唯一问题在于,如果这个url不在设置中,男朋友可以100%确定这没个url有看过。但是如果这个url在设置中,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。