如何入门 Python 爬虫？

做者：谢科   来源：知乎
连接：https://www.zhihu.com/question/20899988/answer/24923424

著做权归做者全部。商业转载请联系做者得到受权，非商业转载请注明出处。

“入门”是良好的动机，可是可能做用缓慢。若是你手里或者脑子里有一个项目，那么实践起来你会被目标驱动，而不会像学习模块同样慢慢学习。

另外若是说知识体系里的每个知识点是图里的点，依赖关系是边的话，那么这个图必定不是一个有向无环图。由于学习A的经验能够帮助你学习B。所以，你不须要学习怎么样“入门”，由于这样的“入门”点根本不存在！你须要学习的是怎么样作一个比较大的东西，在这个过程当中，你会很快地学会须要学会的东西的。固然，你能够争论说须要先懂python，否则怎么学会python作爬虫呢？可是事实上，你彻底能够在作这个爬虫的过程当中学习python :D

看到前面不少答案都讲的“术”——用什么软件怎么爬，那我就讲讲“道”和“术”吧——爬虫怎么工做以及怎么在python实现。

先长话短说summarize一下：
你须要学习

1. 基本的爬虫工做原理
2. 基本的http抓取工具，scrapy
3. Bloom Filter: Bloom Filters by Example
4. 若是须要大规模网页抓取，你须要学习分布式爬虫的概念。其实没那么玄乎，你只要学会怎样维护一个全部集群机器可以有效分享的分布式队列就好。最简单的实现是python-rq: https://github.com/nvie/rq
5. rq和Scrapy的结合：darkrho/scrapy-redis · GitHub
6. 后续处理，网页析取(grangier/python-goose · GitHub)，存储(Mongodb)

如下是短话长说：

说说当初写的一个集群爬下整个豆瓣的经验吧。

1）首先你要明白爬虫怎样工做。
想象你是一只蜘蛛，如今你被放到了互联“网”上。那么，你须要把全部的网页都看一遍。怎么办呢？没问题呀，你就随便从某个地方开始，好比说人民日报的首页，这个叫initial pages，用$表示吧。

在人民日报的首页，你看到那个页面引向的各类连接。因而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。

忽然你发现， 在国内新闻这个页面上，有一个连接链回“首页”。做为一只聪明的蜘蛛，你确定知道你不用爬回去的吧，由于你已经看过了啊。因此，你须要用你的脑子，存下你已经看过的页面地址。这样，每次看到一个可能须要爬的新连接，你就先查查你脑子里是否是已经去过这个页面地址。若是去过，那就别去了。

好的，理论上若是全部的页面能够从initial page达到的话，那么能够证实你必定能够爬完全部的网页。

那么在python里怎么实现呢？
很简单

import Queue initial_page = "http://www.renminribao.com" 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表明的网页存储好 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 

写得已经很伪代码了。

全部的爬虫的backbone都在这里，下面分析一下为何爬虫事实上是个很是复杂的东西——搜索引擎公司一般有一整个团队来维护和开发。

2）效率
若是你直接加工一下上面的代码直接运行的话，你须要一全年才能爬下整个豆瓣的内容。更别说Google这样的搜索引擎须要爬下全网的内容了。

问题出在哪呢？须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)，由于全部网页要遍历一次，而每次判重用set的话须要log(N)的复杂度。OK，OK，我知道python的set实现是hash——不过这样仍是太慢了，至少内存使用效率不高。

一般的判重作法是怎样呢？Bloom Filter. 简单讲它仍然是一种hash的方法，可是它的特色是，它可使用固定的内存（不随url的数量而增加）以O(1)的效率断定url是否已经在set中。惋惜天下没有白吃的午饭，它的惟一问题在于，若是这个url不在set中，BF能够100%肯定这个url没有看过。可是若是这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不肯定性。注意这里的不肯定性在你分配的内存足够大的时候，能够变得很小不多。一个简单的教程:Bloom Filters by Example

注意到这个特色，url若是被看过，那么可能以小几率重复看一看（不要紧，多看看不会累死）。可是若是没被看过，必定会被看一下（这个很重要，否则咱们就要漏掉一些网页了！）。 [IMPORTANT: 此段有问题，请暂时略过]


好，如今已经接近处理判重最快的方法了。另一个瓶颈——你只有一台机器。无论你的带宽有多大，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——用不少台吧！固然，咱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
爬取豆瓣的时候，我总共用了100多台机器昼夜不停地运行了一个月。想象若是只用一台机子你就得运行100个月了...

那么，假设你如今有100台机器能够用，怎么用python实现一个分布式的爬取算法呢？

咱们把这100台中的99台运算能力较小的机器叫做slave，另一台较大的机器叫做master，那么回顾上面代码中的url_queue，若是咱们能把这个queue放到这台master机器上，全部的slave均可以经过网络跟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，就把这个网页上全部的连接送到master的queue里去。一样，bloom filter也放到master上，可是如今master只发送肯定没有被访问过的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，这样保证全部操做都是O(1)。（至少平摊是O(1)，Redis的访问效率见:LINSERT – Redis)


考虑如何用python实现：
在各台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用做分布式队列。


代码因而写成

#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)

好的，其实你能想到，有人已经给你写好了你须要的：darkrho/scrapy-redis · GitHub

4）展望及后处理
虽然上面用不少“简单”，可是真正要实现一个商业规模可用的爬虫并非一件容易的事。上面的代码用来爬一个总体的网站几乎没有太大的问题。

可是若是附加上你须要这些后续处理，好比

1. 有效地存储（数据库应该怎样安排）
2. 有效地判重（这里指网页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）
3. 有效地信息抽取（好比怎么样抽取出网页上全部的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎一般不须要存储全部的信息，好比图片我存来干吗...
4. 及时更新（预测这个网页多久会更新一次）

如你所想，这里每个点均可以供不少研究者十数年的研究。虽然如此，
“路漫漫其修远兮,吾将上下而求索”。

因此，不要问怎么入门，直接上路就行了：）