如何用Python做爬蟲

入門」是良好的動機，但是可能作用緩慢。如果你手裡或腦子裡有一個項目，那麼實踐起來你會被目標驅動，而不會像學習模組一樣慢慢學習。

另外如果說知識體系裡的每一個知識點是圖裡的點，依賴關係是邊的話，那麼這個圖一定不是一個有向無環圖。 “入門”，因為這樣的“入門”點根本不存在！爭論說需要先懂python，不然怎麼學會python做爬蟲呢？軟體怎麼爬，那我就講講「道」和「術」吧——爬蟲怎麼工作以及怎麼在python實現。的http抓取工具，scrapy

Bloom Filter: Bloom Filters by Example

如果需要大規模網頁抓取，你需要學習分散式爬蟲的概念。有效分享的分散式隊列就好。析取(grangier/python-goose · GitHub)，存放(Mongodb)

以下是短話長說：

說說當初寫的一個集群爬下整個豆瓣的經驗吧。

1）首先你要明白爬蟲怎麼運作。地方開始，比如說人民日報的首頁，這個叫initial pages，用$表示吧。新聞」那個頁面。太好了，這樣你就已經爬完了倆頁面（首頁和國內新聞）！暫且不用管爬下來的頁面怎麼處理的，你就想像你把這個頁面完完整整抄成了個html放到了你身上。啊。這樣，每次看到一個可能需要爬的新鏈接，你就先查查你腦子裡是不是已經去過這個頁面地址。如果去過，那就別去了。

好的，理論上如果所有的頁面可以從initial page達到的話，那麼可以證明你一定可以爬完所有的網頁。

那麼在python裡怎麼實現呢？

很簡單

import Queueinitial_page = "http://www.renminribao.com"url_queue = Queue.Queue()seen = set()seen.insert(initial_page)url_queue.put(initial_page)while(True): 

#一直進行到海枯石爛
   if url_queue.size()>0:
       current_url = url_queue.get()       #把這個url代表的網頁儲存好
for next_url in extract_urls(current_url): #提取把這個url鏈接向的url
           if next_url not in seen:               url_queue.put(next_url)
   else:
       break
寫得已經很偽代碼了。

所有的爬蟲的backbone都在這裡，下面分析一下為什麼爬蟲事實上是個非常複雜的東西——搜尋引擎公司通常有一整個團隊來維護和開發。

2）效率
如果你直接加工一下上面的程式碼直接運行的話，你需要一整年才能爬下整個豆瓣的內容。更別說Google這樣的搜尋引擎需要爬下全網的內容了。

問題出在哪呢？需要爬的網頁實在太多太多了，上面的程式碼太慢太慢了。設想全網有N個網站，那麼分析一下判重的複雜度就是N*log(N)，因為所有網頁要遍歷一次，而每次判重用set的話需要log(N)的複雜度。 OK，OK，我知道python的set實作是hash——不過這樣還是太慢了，至少記憶體使用效率不高。

通常的判重做法是怎麼樣？ Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點是，它可以使用固定的內存（不隨url的數量而增長）以O(1)的效率判定url是否已經在set中。可惜天下沒有白吃的午餐，它的唯一問題在於，如果這個url不在set中，BF可以100%確定這個url沒看過。但如果這個url在set中，它會告訴你：這個url應該已經出現過，不過我有2%的不確定性。注意這裡的不確定性在你分配的記憶體夠大的時候，可以變得很小很少。一個簡單的教學:Bloom Filters by Example

注意到這個特點，url如果被看過，那麼可能以小機率重複看一看（沒關係，多看看不會累死）。但如果沒被看過，一定會被看一下（這很重要，不然我們就要漏掉一些網頁了！）。 [IMPORTANT: 此段有問題，請暫時略過]


好，現在已經接近處理判重最快的方法了。另外一個瓶頸——你只有一台機器。不管你的頻寬有多大，只要你的機器下載網頁的速度是瓶頸的話，那你只有加快這個速度。用一台機子不夠的話－用很多台吧！當然，我們假設每台機子都已經進了最大的效率－使用多執行緒（python的話，多進程吧）。

3）集群化抓取
爬取豆瓣的時候，我總共用了100多台機器晝夜不停地運轉了一個月。想像如果只用一台機子你就得運作100個月了...

那麼，假設你現在有100台機器可以用，怎麼用python實作一個分散式的爬取演算法呢？

我們把這100台中的99台運算能力較小的機器叫作slave，另外一台較大的機器叫作master，那麼回顧上面程式碼中的url_queue，如果我們能把這個queue放到這台master在機器上，所有的slave都可以​​透過網路跟master聯通，每當一個slave完成下載一個網頁，就向master請求一個新的網頁來抓取。而每次slave新抓到一個網頁，就把這個網頁上所有的連結送到master的queue裡去。同樣，bloom filter也放到master上，但現在master只傳送一個確定沒有被造訪過的url給slave。 Bloom Filter放到master的記憶體裡，而被造訪過的url放到運行在master上的Redis裡，這樣確保所有操作都是O(1)。 （至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)


考慮如何用python實現：
在各台slave上裝好scrapy，那麼各台機子就變成了一台有抓取能力的slave，在master上裝好Redis和rq當分佈式佇列。


程式碼於是寫成

#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，其實你能想到，有人已經給你寫好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及後處理

雖然用很多」簡單”，但是真正要實現一個商業規模可用的爬蟲並不是一件容易的事。上面的程式碼用來爬一個整體的網站幾乎沒有太大的問題。

但是如果附加上你需要這些後續處理，比如


有效地存儲（數據庫應該怎樣安排）

有效地判重（這裡指網頁判重，咱可不想把人民日報和抄襲它的大民日報都爬一遍）

有效地資訊抽取（例如怎麼樣抽取出網頁上所有的地址抽取出來，「朝陽區奮進路中華道」），搜尋引擎通常不需要儲存所有的信息，例如圖片我存來幹嘛...

及時更新（預測這個網頁多久會更新一次）