[Python]新手写爬虫全过程（转）

时间：2022-09-20 22:43:19

今天早上起来，第一件事情就是理一理今天该做的事情，瞬间get到任务，写一个只用python字符串内建函数的爬虫，定义为v1.0，开发中的版本号定义为v0.x。数据存放？这个是一个练手的玩具，就写在txt文本里吧。其实主要的不是学习爬虫，而是依照这个需求锻炼下自己的编程能力，最重要的是要有一个清晰的思路（我在以这个目标努力着）。ok，主旨已经订好了，开始‘撸串’了。

目标网站：http://bohaishibei.com/post/category/main/（一个很有趣的网站，一段话配一个图，老有意思了～）网站形式如下：

[Python]新手写爬虫全过程（转）

目标：把大的目标分为几个小的目标。因为第一次干这个，所以对自己能力很清楚，所以完成顺序由简单到复杂。

1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

3.想爬多少就爬就爬少

4.写一个网站，展示一下。（纯用于学习）

Let‘s 搞定它!

时间——9:14

　　把昨天晚上做的事情交代一下。昨天晚上写的代码实现了爬取一期里的所有标题。

第一步：

我用的是google浏览器，进入开发者模式，使用’页面内的元素选择器‘，先看一下内页中的结构，找到我们要的数据所在’标签‘。

这里我们需要的博海拾贝一期的内容全部在<article class="article-content">这个标签里面，如下图：

第一条红线是：页面内的元素选择器

第二条是：内容所在标签

第三条是：title

[Python]新手写爬虫全过程（转）

经过分析得出，我只要<article class="article-content">，这个标签的内容：所以写了下面的方法：

[Python]新手写爬虫全过程（转）
def content(html):

    # 内容分割的标签

    str = '<article class="article-content">'

    content = html.partition(str)[2]

    str1 = '<div class="article-social">'

    content = content.partition(str1)[0]

    return content # 得到网页的内容
[Python]新手写爬虫全过程（转）

这里需要说一下：在写这个爬虫之前我就打算只用字符串的内置函数来处理匹配问题，所以我就上http://www.w3cschool.cc/python/进入到字符串页面，大致看了一遍字符串的内建函数有哪些。

partition() 方法用来根据指定的分隔符将字符串进行分割。

如果字符串包含指定的分隔符，则返回一个3元的元组，第一个为分隔符左边的子串，第二个为分隔符本身，第三个为分隔符右边的子串。

partition() 方法是在2.5版中新增的。参考：http://www.w3cschool.cc/python/att-string-partition.html

这样我就得到只有内容的字符串了，干净～

第二步：

得到title的内容。title的格式如下，我只要’【2】‘后面的文字，后面的img暂时不考虑一步步的来。

<p>【2】这是我最近的状态，请告诉我不是我一个人！</p><p><img src=http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg /></p><p>

我写了下面的方法：

[Python]新手写爬虫全过程（转）
def title(content,beg = 0):

    # 思路是利用str.index()和序列的切片

    try:

        title_list = []

        while True:

            num1 = content.index('】',beg)

            num2 = content.index('</p>',num1)

            title_list.append(content[num1:num2])

            beg = num2

    except ValueError:

         return title_list
[Python]新手写爬虫全过程（转）

这里用try....except是因为我不知道怎么跳出循环。。。。求大神有更好的方法告诉我。

我这里跳出循环用的是当抛出VlaueError异常就说明找不到了，那就返回列表。就跳出循环了。

num1是】的位置，num2是</p>的位置，然后用序列的切片，咔嚓咔嚓一下就是我想要的数据了。这里需要注意的是：切片’要头不要尾‘所以我们的得到的数据就是这个样子的：

[Python]新手写爬虫全过程（转）

哎呀，这个是什么鬼！要头不要尾就是这个意思！

然后我就想：那就把num1加1不就完了吗？我真是太天真了。。。。

请+3，我觉得原理是这样的，这个是个中文字符！（求大神指点）

第三步：

交代清楚我昨天晚上做的事情了，记录下时间——10:01，下面我要爬图片的url了。这里要说一下，如果要把图片下下来，最重要的一步就是得到url，然后下载下来保存到本地(用文本的IO)。

我先获得url，实现原理同获取title，我在想，既然一样卸载获取title的方法里好，还是在写一个方法好。我单独写了一个方法，但是其实就是复制了一下title的方法，改了下匹配的字符串，代码如下：

[Python]新手写爬虫全过程（转）
def img(content,beg = 0):

    # 思路是利用str.index()和序列的切片

    try:

        img_list = []

        while True:

            src1 = content.index('http',beg)

            src2 = content.index('/></p>',src1)

            img_list.append(content[src1:src2])

            beg = src2

    except ValueError:

         return img_list
[Python]新手写爬虫全过程（转）

结果图如下：

[Python]新手写爬虫全过程（转）

这里发现，有的时候一个title会有很多个图片。我思考之后有如下思路：

1.需要写一个方法，当一个title出现多个图片的时候，捕获url。这个需要有一个判断语句，当url长度大于一个url长度的时候，才需要调用这个函数。

2.多个图片的url怎么放？使用符号隔开存放还是嵌套放入一个数组里面？我这里打算用’|‘隔开，这样的话加一个判语句，或者先判断一下url长度，都可以进行。

这个问题先放在这里，因为当我要下载的时候这个url才需要过滤，所以先进行下一步，把数据存到本地txt文中，这里在解决这个问题也不晚。

第四步：

把数据存到本地的txt中。Python文件IO参考资料：http://www.w3cschool.cc/python/python-files-io.html

这里需要注意的是，文本写入的时候记得close，还有就是注意打开文本的模式。

时间——11：05 吃个饭先

时间——11：44 回来了

这里我考虑了一个问题，根据《编写高质量代码——改善python程序的91个建议》这本书中写道的，字符串连接时，用jion()效率高于’+‘

所以我写了如下代码：

[Python]新手写爬虫全过程（转）
def data_out(data):

    #这里写成一个方法好处是，在写入文本的时候就在这里写

    fo = open("/home/qq/data.txt", "a+") #这里注意重新写一个地址
#for i,e in enumerate(data):

    fo.write("\n".join(data));

        #print '第%d个，title：%s' % (i,e)

    # 关闭打开的文件

    fo.close()
[Python]新手写爬虫全过程（转）

这样造成了一个问题，看图

[Python]新手写爬虫全过程（转）

造成最后一个和新的一个列表写入时在同一行。同时用with....as更好。修改后代码如下：

def data_out(data):

    #写入文本

    with open("/home/qq/foo.txt", "a+") as fo:

        fo.write('\n')

        fo.write("\n".join(data));

下面研究title和img以什么样的格式存入txt文本：

title$img

这里我有一个概念混淆了，+和join()方法的效率问题主要在连接多个字符串的时候，我这个只用连接一次，不需要考虑这个问题。

[Python]新手写爬虫全过程（转）
def data_out(title, img):

    #写入文本

    with open("/home/qq/foo.txt", "a+") as fo:

        fo.write('\n')

        size = 0

        for size in range(0, len(title)):

            fo.write(title[size]+'$'+img[size]+'\n');
[Python]新手写爬虫全过程（转）

文本中的内容如下：

[Python]新手写爬虫全过程（转）
愿你贪吃不胖，愿你懒惰不丑，愿你深情不被辜负。$http://ww1.sinaimg.cn/mw690/005CfBldtw1etay8dl1bsj30c50cbq4m.jpg"

这是我最近的状态，请告诉我不是我一个人！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8ifthnj30an0aot8w.jpg

引诱别人和你击拳庆祝，然后偷偷把手势变成二，就可以合体成为蜗牛cosplay……$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8fzm1sg30b40644qq.gif

原来蜗牛是酱紫吃东西的。。。。涨姿势！$http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8egg8vg30bo08ax6p.gif
[Python]新手写爬虫全过程（转）

写入文本的最后，解决多个图片的问题：

[Python]新手写爬虫全过程（转）
def many_img(data,beg = 0):

    #用于匹配多图中的url

    try:

        many_img_str = ''

        while True:

            src1 = data.index('http',beg)

            src2 = data.index(' /><br /> <img src=',src1)

            many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开

            beg = src2

    except ValueError:

        return many_img_str              

def data_out(title, img):

    #写入文本

    with open("/home/qq/data.txt", "a+") as fo:

        fo.write('\n')

        for size in range(0, len(title)):

            # 判断img[size]中存在的是不是一个url

            if len(img[size]) > 70:

                img[size] = many_img(img[size])# 调用many_img()方法

            fo.write(title[size]+'$'+img[size]+'\n')
[Python]新手写爬虫全过程（转）

输出如下：

[Python]新手写爬虫全过程（转）
元气少女陈意涵 by @TopFashionStyle$http://ww2.sinaimg.cn/mw690/005CfBldtw1etay848iktj30bz0bcq4x.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay83kv5pj30c10bkjsr.jpg|http://ww3.sinaimg.cn/mw690/005CfBldtw1etay82qdvsj30c10bkq3z.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay836z8lj30c00biq40.jpg|http://ww4.sinaimg.cn/mw690/005CfBldtw1etay8279qmj30ac0a0q3p.jpg|http://ww1.sinaimg.cn/mw690/005CfBldtw1etay81ug5kj30c50bnta6.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay8161ncj30c20bgmyt.jpg|http://ww2.sinaimg.cn/mw690/005CfBldtw1etay804oy7j30bs0bgt9r.jpg|
[Python]新手写爬虫全过程（转）

暂时功能是实现了，后面遇到问题需要修改在改吧。。。。新手走一步看一步！！！

到此为止，已经完成了前两个简单的计划：

　　  1.爬取一期的内容，包括标题，和图片的url

　　  2.把数据存在本地的txt文件中

全部代码如下：

[Python]新手写爬虫全过程（转）
#coding:utf-8

import urllib

######

#爬虫v0.1 利用urlib 和 字符串内建函数

######

def getHtml(url):

    # 获取网页内容

    page = urllib.urlopen(url)

    html = page.read()

    return html

def content(html):

    # 内容分割的标签

    str = '<article class="article-content">'

    content = html.partition(str)[2]

    str1 = '<div class="article-social">'

    content = content.partition(str1)[0]

    return content # 得到网页的内容

def title(content,beg = 0):

    # 匹配title

    # 思路是利用str.index()和序列的切片

    try:

        title_list = []

        while True:

            num1 = content.index('】',beg)+3

            num2 = content.index('</p>',num1)

            title_list.append(content[num1:num2])

            beg = num2

    except ValueError:

         return title_list

def get_img(content,beg = 0):

    # 匹配图片的url

    # 思路是利用str.index()和序列的切片

    try:

        img_list = []

        while True:

            src1 = content.index('http',beg)

            src2 = content.index('/></p>',src1)

            img_list.append(content[src1:src2])

            beg = src2

    except ValueError:

         return img_list

def many_img(data,beg = 0):

    #用于匹配多图中的url

    try:

        many_img_str = ''

        while True:

            src1 = data.index('http',beg)

            src2 = data.index(' /><br /> <img src=',src1)

            many_img_str += data[src1:src2]+'|' # 多个图片的url用"|"隔开

            beg = src2

    except ValueError:

        return many_img_str              

def data_out(title, img):

    #写入文本

    with open("/home/qq/data.txt", "a+") as fo:

        fo.write('\n')

        for size in range(0, len(title)):

            # 判断img[size]中存在的是不是一个url

            if len(img[size]) > 70:

                img[size] = many_img(img[size])# 调用many_img()方法

            fo.write(title[size]+'$'+img[size]+'\n')

content = content(getHtml("http://bohaishibei.com/post/10475/"))

title = title(content)

img = get_img(content)

data_out(title, img)

# 实现了爬的单个页面的title和img的url并存入文本
[Python]新手写爬虫全过程（转）

时间——15：14

下面要重新分析网站，我已经可以获得一期的内容了，我现在要得到，其它期的url，这样就想爬多少就爬多少了。

目标网址：http://bohaishibei.com/post/category/main/

按照上面的方法进入开发者模式分析网站结构，找出目标数据所在的标签，撸它！

在首页中需要的数据全部都在<div class="content">标签里，分隔方法如下：

[Python]新手写爬虫全过程（转）
def main_content(html):

# 首页内容分割的标签

    str = '<div class="content">'

    content = html.partition(str)[2]

    str1 = '</div>'

    content = content.partition(str1)[0]

    return content # 得到网页的内容
[Python]新手写爬虫全过程（转）

我暂时需要的数据：每一期的名字和每一期的url。

经过我的分析：该网站的每期的url格式是这样的："http://bohaishibei.com/post/10189/"只有数字是变化的。

后来我又发现，我想要的这两个数据都在<h2>这个标签下面，获取每期url的方法如下：

[Python]新手写爬虫全过程（转）
def page_url(content, beg = 0):

    try:

        url = []

        while True:

            url1 = content.index('<h2><a href="',beg)+13

            url2 = content.index('" ',url1)

            url.append(content[url1:url2])

            beg = url2

    except ValueError:

        return url
[Python]新手写爬虫全过程（转）

title的格式，

我思考了一下，我要title其实没什么太大的意思，用户有不可能说我要看那期，只需要输入看多少期就可以了，标题没有什么实际意义（不像内容中的title是帮助理解改张图笑点的）。所以我打算在这个版本中只实现，你输入想查看要多少期，就返回多少期！

那么下面就需要一个策略了：

http://bohaishibei.com/post/category/main/ 共20期

http://bohaishibei.com/post/category/main/page/2/ 共20期

......

经查看，每页都是20期

当你要查看的期数，超过20期的时候需要，增加page的数值，进入下一页进行获取

最后一页为这个:http://bohaishibei.com/post/category/main/page/48/

实现代码，这个我要想一想怎么写，我是第一次写爬虫，不要嘲讽我啊！

时间——17：09

感觉快实现了，还在写：

[Python]新手写爬虫全过程（转）
def get_order(num):

    page = num / 20

    order = num % 20 # 超出一整页的条目

    for i in range(1, page+1): # 需这里需要尾巴

        url = 'http://bohaishibei.com/post/category/main/page/%d' % i

        print url

        if (i == page)&(order > 0):

            url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)

            print url+",%d条" % order get_order(55)
[Python]新手写爬虫全过程（转）

运行结果：

[Python]新手写爬虫全过程（转）
http://bohaishibei.com/post/category/main/page/1

http://bohaishibei.com/post/category/main/page/2

http://bohaishibei.com/post/category/main/page/3,15条

2

~~~~~~~~~~~~

15
[Python]新手写爬虫全过程（转）

这里我考虑是这样的我需要重写 page_url，需要多加一个参数，如下：

[Python]新手写爬虫全过程（转）
# 新增一个参数order，默认为20

def page_url(content, order = 20, beg = 0):

    try:

        url = []

        i = 0

        while i < order:

            url1 = content.index('<h2><a href="',beg)+13

            url2 = content.index('" ',url1)

            url.append(content[url1:url2])

            beg = url2

            i = i + 1

        return url

    except ValueError:

        return url
[Python]新手写爬虫全过程（转）

下面这个方法是传入参数num（需要多少期），一页20期，返回每一期的url，代码如下：

[Python]新手写爬虫全过程（转）
def get_order(num):

# num代表获取的条目数量

    url_list = []

    page = num / 20

    order = num % 20 # 超出一整页的条目

    if num < 20:  # 如果获取的条目数量少于20（一页20个），直接爬取第一页的num条

        url = 'http://bohaishibei.com/post/category/main'

        main_html = getHtml(url)

        clean_content = main_content(main_html)

        url_list = url_list + page_url(clean_content, num)

    for i in range(1, page+1): # 需这里需要尾巴

        url = 'http://bohaishibei.com/post/category/main/page/%d' % i # 爬取整页的条目

        main_html = getHtml(url)

        clean_content = main_content(main_html)

        url_list = url_list + page_url(clean_content) #获取整夜

        if (i == page)&(order > 0):  # 爬到最后一页，如果有超出一页的条目则继续怕order条

            url = 'http://bohaishibei.com/post/category/main/page/%d' % (i+1)

            main_html = getHtml(url)

            clean_content = main_content(main_html)

            url_list = url_list + page_url(clean_content, order)

            #print len(page_url(clean_content, order))

    return url_list
[Python]新手写爬虫全过程（转）

下面开始gogogo

[Python]新手写爬虫全过程（转）
order = get_order(21)

for i in range(0, len(order)): #这个遍历列表太丑了，改了： for i in order

    html = getHtml(order[i])

    content_data = content(html)

    title_data = title(content_data)

    img_data = get_img(content_data)

    data_out(title_data, img_data)
[Python]新手写爬虫全过程（转）

ok了所有的代码都写完了

完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

这里我在测试的时候有bug，因为该网站上有时候有的地方没有img的地址。如下图

[Python]新手写爬虫全过程（转）

我的代码也就跟着出问题了，因为我的title和img列表数量不一了，而列表长度我是以title的len()为准，结果就出现超出范围了。

这里记录一下，然后我要去除bug了。

ok啦，bug消除了。我改了img的匹配方法如下：

[Python]新手写爬虫全过程（转）
def get_img(content,beg = 0):

    # 匹配图片的url

    # 思路是利用str.index()和序列的切片

    try:

        img_list = []

        while True:

            src1 = content.index('src=',beg)+4  # 这样写就可以匹配src="/"

            src2 = content.index('/></p>',src1)

            img_list.append(content[src1:src2])

            beg = src2

    except ValueError:

         return img_list
[Python]新手写爬虫全过程（转）

主函数：

[Python]新手写爬虫全过程（转）
order = get_order(30) # get_order方法接受参数，抓取多少期的数据

for i in order:  # 遍历列表的方法

    html = getHtml(i)

    content_data = content(html)

    title_data = title(content_data)

    img_data = get_img(content_data)

    data_out(title_data, img_data)
[Python]新手写爬虫全过程（转）

爬下来的数据：

[Python]新手写爬虫全过程（转）

data.txt属性（共30期的数据）：

[Python]新手写爬虫全过程（转）

终于写完了！

开始时间——9:14

写爬虫，吃饭，洗澡，休息了一会。

结束时间——21：02

呼，没有半途而废就知足了，感觉这样把写爬虫的流程走了一遍下次再写的话会快一些吧。

爬虫是写完了，但是用网站显示还没有写，明天看如果没事就把网站写出来。

图片下载的功能，我还没有写，等写网站的时候再把它完善出来。

总结：

整个过程，纯手写，没有参考别人的代码。这一点可以赞一下。

这次写爬虫就是强制自己不用正则表达式，和XPATH，发现有很多地方，用这两个会很方便。这让我下定决心去学正则表达式和Xpath，哈哈。体会过才有深有感触。

下一个目标是学习正则表达式和Xpath。一点点来，当我学完就来写爬虫v2.0，逐步完善吧，如果上来就要写难得，我的智商着急啊！

然后多看看别人的爬虫，学习别人厉害的地方，提高自己。

欢迎大家指导交流。

完整的代码我已经上传到我的github上了，地址为：https://github.com/521xueweihan/PySpider/blob/master/Spider.py

http://www.cnblogs.com/xueweihan/p/4592212.html

python编写知乎爬虫实践

爬虫的基本流程

[Python]新手写爬虫全过程（转）

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：

[Python]新手写爬虫全过程（转）

  • 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

        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",

    "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:

    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：
[Python]新手写爬虫全过程（转）

 http://www.cnblogs.com/cpselvis/p/7001137.html
 

相关文章