深入理解Python分布式爬蟲原理

更新時(shí)間：2017年11月23日 10:09:58 作者：permike

本篇文章主要介紹了深入理解Python分布式爬蟲原理，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

首先，我們先來看看，如果是人正常的行為，是如何獲取網(wǎng)頁內(nèi)容的。

(1)打開瀏覽器，輸入U(xiǎn)RL，打開源網(wǎng)頁

(2)選取我們想要的內(nèi)容，包括標(biāo)題，作者，摘要，正文等信息

(3)存儲(chǔ)到硬盤中

上面的三個(gè)過程，映射到技術(shù)層面上，其實(shí)就是：網(wǎng)絡(luò)請(qǐng)求，抓取結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)存儲(chǔ)。

我們使用Python寫一個(gè)簡單的程序，實(shí)現(xiàn)上面的簡單抓取功能。

#!/usr/bin/python 
#-*- coding: utf-8 -*- 
''''' 
Created on 2014-03-16 
 
@author: Kris 
''' 
import urllib2, re, cookielib 
 
def httpCrawler(url): 
  ''''' 
  @summary: 網(wǎng)頁抓取 
  ''' 
  content = httpRequest(url) 
  title = parseHtml(content) 
  saveData(title) 
 
def httpRequest(url): 
  ''''' 
  @summary: 網(wǎng)絡(luò)請(qǐng)求 
  '''  
  try: 
    ret = None 
    SockFile = None 
    request = urllib2.Request(url) 
    request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322)') 
    request.add_header('Pragma', 'no-cache') 
    opener = urllib2.build_opener() 
    SockFile = opener.open(request) 
    ret = SockFile.read() 
  finally: 
    if SockFile: 
      SockFile.close() 
     
  return ret 
 
def parseHtml(html): 
  ''''' 
  @summary: 抓取結(jié)構(gòu)化數(shù)據(jù) 
  ''' 
  content = None 
  pattern = '<title>([^<]*?)</title>' 
  temp = re.findall(pattern, html) 
  if temp: 
    content = temp[0] 
   
  return content 
   
def saveData(data): 
  ''''' 
  @summary: 數(shù)據(jù)存儲(chǔ) 
  ''' 
  f = open('test', 'wb') 
  f.write(data) 
  f.close() 
   
if __name__ == '__main__': 
  url = 'http://www.baidu.com' 
  httpCrawler(url)

看著很簡單，是的，它就是一個(gè)爬蟲入門的基礎(chǔ)程序。當(dāng)然，在實(shí)現(xiàn)一個(gè)采集過程，無非就是上面的幾個(gè)基礎(chǔ)步驟。但是實(shí)現(xiàn)一個(gè)強(qiáng)大的采集過程，你會(huì)遇到下面的問題：

(1)需要帶著cookie信息訪問，比如大多數(shù)的社交化軟件，基本上都是需要用戶登錄之后，才能看到有價(jià)值的東西，其實(shí)很簡單，我們可以使用Python提供的cookielib模塊，實(shí)現(xiàn)每次訪問都帶著源網(wǎng)站給的cookie信息去訪問，這樣只要我們成功模擬了登錄，爬蟲處于登錄狀態(tài)，那么我們就可以采集到登錄用戶看到的一切信息了。下面是使用cookie對(duì)httpRequest()方法的修改：

ckjar = cookielib.MozillaCookieJar() 
cookies = urllib2.HTTPCookieProcessor(ckjar)     #定義cookies對(duì)象 
def httpRequest(url): 
  ''''' 
  @summary: 網(wǎng)絡(luò)請(qǐng)求 
  '''  
  try: 
    ret = None 
    SockFile = None 
    request = urllib2.Request(url) 
    request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322)') 
    request.add_header('Pragma', 'no-cache') 
    opener = urllib2.build_opener(cookies)    #傳遞cookies對(duì)象 
    SockFile = opener.open(request) 
    ret = SockFile.read() 
  finally: 
    if SockFile: 
      SockFile.close() 
     
  return ret

(2)編碼問題。網(wǎng)站目前最多的兩種編碼：utf-8，或者gbk，當(dāng)我們采集回來源網(wǎng)站編碼和我們數(shù)據(jù)庫存儲(chǔ)的編碼不一致時(shí)，比如，163.com的編碼使用的是gbk，而我們需要存儲(chǔ)的是utf-8編碼的數(shù)據(jù)，那么我們可以使用Python中提供的encode()和decode()方法進(jìn)行轉(zhuǎn)換，比如：

content = content.decode('gbk', 'ignore')   #將gbk編碼轉(zhuǎn)為unicode編碼 
content = content.encode('utf-8', 'ignore')  #將unicode編碼轉(zhuǎn)為utf-8編碼

中間出現(xiàn)了unicode編碼，我們需要轉(zhuǎn)為中間編碼unicode，才能向gbk或者utf-8轉(zhuǎn)換。

(3)網(wǎng)頁中標(biāo)簽不完整，比如有些源代碼中出現(xiàn)了起始標(biāo)簽，但沒有結(jié)束標(biāo)簽，HTML標(biāo)簽不完整，就會(huì)影響我們抓取結(jié)構(gòu)化數(shù)據(jù)，我們可以通過Python的BeautifulSoup模塊，先對(duì)源代碼進(jìn)行清洗，再分析獲取內(nèi)容。

(4)某些網(wǎng)站使用JS來生存網(wǎng)頁內(nèi)容。當(dāng)我們直接查看源代碼的時(shí)候，發(fā)現(xiàn)是一堆讓人頭疼的JS代碼?？梢允褂胢ozilla、webkit等可以解析瀏覽器的工具包解析js、ajax，雖然速度會(huì)稍微慢點(diǎn)。

(5)圖片是flash形式存在的。當(dāng)圖片中的內(nèi)容是文字或者數(shù)字組成的字符，那這個(gè)就比較好辦，我們只要利用ocr技術(shù)，就能實(shí)現(xiàn)自動(dòng)識(shí)別了，但是如果是flash鏈接，我們將整個(gè)URL存儲(chǔ)起來了。

(6)一個(gè)網(wǎng)頁出現(xiàn)多個(gè)網(wǎng)頁結(jié)構(gòu)的情況，這樣我們?nèi)绻皇且惶鬃ト∫?guī)則，那肯定不行，所以需要配置多套模擬進(jìn)行協(xié)助配合抓取。

(7)應(yīng)對(duì)源網(wǎng)站的監(jiān)控。抓取別人的東西，畢竟是不太好的事情，所以一般網(wǎng)站都會(huì)有針對(duì)爬蟲禁止訪問的限制。
一個(gè)好的采集系統(tǒng)，應(yīng)該是，不管我們的目標(biāo)數(shù)據(jù)在何處，只要是用戶能夠看到的，我們都能采集回來。所見即所得的無阻攔式采集，無論是否需要登錄的數(shù)據(jù)都能夠順利采集。大部分有價(jià)值的信息，一般都需要登錄才能看到，比如社交網(wǎng)站，為了應(yīng)對(duì)登錄的網(wǎng)站要有模擬用戶登錄的爬蟲系統(tǒng)，才能正常獲取數(shù)據(jù)。不過社會(huì)化網(wǎng)站都希望自己形成一個(gè)閉環(huán)，不愿意把數(shù)據(jù)放到站外，這種系統(tǒng)也不會(huì)像新聞等內(nèi)容那么開放的讓人獲取。這些社會(huì)化網(wǎng)站大部分會(huì)采取一些限制防止機(jī)器人爬蟲系統(tǒng)爬取數(shù)據(jù)，一般一個(gè)賬號(hào)爬取不了多久就會(huì)被檢測出來被禁止訪問了。那是不是我們就不能爬取這些網(wǎng)站的數(shù)據(jù)呢？肯定不是這樣的，只要社會(huì)化網(wǎng)站不關(guān)閉網(wǎng)頁訪問，正常人能夠訪問的數(shù)據(jù)，我們也能訪問。說到底就是模擬人的正常行為操作，專業(yè)一點(diǎn)叫“反監(jiān)控”。

源網(wǎng)站一般會(huì)有下面幾種限制：

1、一定時(shí)間內(nèi)單個(gè)IP訪問次數(shù)，一個(gè)正常用戶訪問網(wǎng)站，除非是隨意的點(diǎn)著玩，否則不會(huì)在一段持續(xù)時(shí)間內(nèi)過快訪問一個(gè)網(wǎng)站，持續(xù)時(shí)間也不會(huì)太長。這個(gè)問題好辦，我們可以采用大量不規(guī)則代理IP形成一個(gè)代理池，隨機(jī)從代理池中選擇代理，模擬訪問。代理IP有兩種，透明代理和匿名代理。

2、一定時(shí)間內(nèi)單個(gè)賬號(hào)訪問次數(shù)，如果一個(gè)人一天24小時(shí)都在訪問一個(gè)數(shù)據(jù)接口，而且速度非常快，那就有可能是機(jī)器人了。我們可以采用大量行為正常的賬號(hào)，行為正常就是普通人怎么在社交網(wǎng)站上操作，并且單位時(shí)間內(nèi)，訪問URL數(shù)目盡量減少，可以在每次訪問中間間隔一段時(shí)間，這個(gè)時(shí)間間隔可以是一個(gè)隨機(jī)值，即每次訪問完一個(gè)URL，隨機(jī)隨眠一段時(shí)間，再接著訪問下一個(gè)URL。

如果能把賬號(hào)和IP的訪問策略控制好了，基本就沒什么問題了。當(dāng)然對(duì)方網(wǎng)站也會(huì)有運(yùn)維會(huì)調(diào)整策略，敵我雙方的一場較量，爬蟲必須要能感知到對(duì)方的反監(jiān)控將會(huì)對(duì)我們有影響，通知管理員及時(shí)處理。其實(shí)最理想的是能夠通過機(jī)器學(xué)習(xí)，智能的實(shí)現(xiàn)反監(jiān)控對(duì)抗，實(shí)現(xiàn)不間斷地抓取。

下面是本人近期正在設(shè)計(jì)的一個(gè)分布式爬蟲架構(gòu)圖，如圖1所示：