如何用Python 编写知乎爬虫？So easy!

最新推荐文章于 2024-09-30 17:08:00 发布
最新推荐文章于 2024-09-30 17:08:00 发布
阅读量1.7k 收藏 2
点赞数


爬虫的基本流程

640?wx_fmt=png&wxfrom=5&wx_lazy=1

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：

640?wx_fmt=png

  • 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

  1. import Queue

  3. initial_page = "https://www.zhihu.com/people/gaoming623"

  5. url_queue = Queue.Queue()

  6. seen = set()

  8. seen.insert(initial_page)

  9. url_queue.put(initial_page)

  11. while(True): #一直进行

  12.    if url_queue.size()>0:

  13.        current_url = url_queue.get()              #拿出队例中第一个的 url

  14.        store(current_url)                         #把这个 url 代表的网页存储好

  15.        for next_url in extract_urls(current_url): #提取把这个 url 里链向的 url

  16.            if next_url not in seen:      

  17.                seen.put(next_url)

  18.                url_queue.put(next_url)

  19.    else:

  20.        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。

  1. # bloom_filter.py

  3. BIT_SIZE = 5000000

  5. class BloomFilter:

  7.    def __init__(self):

  8.        # Initialize bloom filter, set size and all bits to 0

  9.        bit_array = bitarray(BIT_SIZE)

  10.        bit_array.setall(0)

  12.        self.bit_array = bit_array

  14.    def add(self, url):

  15.        # Add a url, and set points in bitarray to 1 (Points count is equal to hash funcs count.)

  16.        # Here use 7 hash functions.

  17.        point_list = self.get_postions(url)

  19.        for b in point_list:

  20.            self.bit_array[b] = 1

  22.    def contains(self, url):

  23.        # Check if a url is in a collection

  24.        point_list = self.get_postions(url)

  26.        result = True

  27.        for b in point_list:

  28.            result = result and self.bit_array[b]

  30.        return result

  32.    def get_postions(self, url):

  33.        # Get points positions in bit vector.

  34.        point1 = mmh3.hash(url, 41) % BIT_SIZE

  35.        point2 = mmh3.hash(url, 42) % BIT_SIZE

  36.        point3 = mmh3.hash(url, 43) % BIT_SIZE

  37.        point4 = mmh3.hash(url, 44) % BIT_SIZE

  38.        point5 = mmh3.hash(url, 45) % BIT_SIZE

  39.        point6 = mmh3.hash(url, 46) % BIT_SIZE

  40.        point7 = mmh3.hash(url, 47) % BIT_SIZE

  43.        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：

  1. CREATE DATABASE `zhihu_user` /*!40100 DEFAULT CHARACTER SET utf8 */;

  4. -- User base information table

  5. CREATE TABLE `t_user` (

  6.  `uid` bigint(20) unsigned NOT NULL AUTO_INCREMENT,

  7.  `username` varchar(50) NOT NULL COMMENT '用户名',                      

  8.  `brief_info` varchar(400)  COMMENT '个人简介',

  9.  `industry` varchar(50) COMMENT '所处行业',            

  10.  `education` varchar(50) COMMENT '毕业院校',            

  11.  `major` varchar(50) COMMENT '主修专业',

  12.  `answer_count` int(10) unsigned DEFAULT 0 COMMENT '回答数',

  13.  `article_count` int(10) unsigned DEFAULT 0 COMMENT '文章数',

  14.  `ask_question_count` int(10) unsigned DEFAULT 0 COMMENT '提问数',

  15.  `collection_count` int(10) unsigned DEFAULT 0 COMMENT '收藏数',

  16.  `follower_count` int(10) unsigned DEFAULT 0 COMMENT '被关注数',

  17.  `followed_count` int(10) unsigned DEFAULT 0 COMMENT '关注数',

  18.  `follow_live_count` int(10) unsigned DEFAULT 0 COMMENT '关注直播数',

  19.  `follow_topic_count` int(10) unsigned DEFAULT 0 COMMENT '关注话题数',

  20.  `follow_column_count` int(10) unsigned DEFAULT 0 COMMENT '关注专栏数',

  21.  `follow_question_count` int(10) unsigned DEFAULT 0 COMMENT '关注问题数',

  22.  `follow_collection_count` int(10) unsigned DEFAULT 0 COMMENT '关注收藏夹数',

  23.  `gmt_create` datetime NOT NULL COMMENT '创建时间',  

  24.  `gmt_modify` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '最后一次编辑',            

  25.  PRIMARY KEY (`uid`)

  26. ) 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。

  1. cookies = {

  2.    "d_c0": "AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182",

  3.    "login": "NzM5ZDc2M2JkYzYwNDZlOGJlYWQ1YmI4OTg5NDhmMTY=|1480901173|9c296f424b32f241d1471203244eaf30729420f0",

  4.    "n_c": "1",

  5.    "q_c1": "395b12e529e541cbb400e9718395e346|1479808003000|1468847182000",

  6.    "l_cap_id": "NzI0MTQwZGY2NjQyNDQ1NThmYTY0MjJhYmU2NmExMGY=|1480901160|2e7a7faee3b3e8d0afb550e8e7b38d86c15a31bc",

  7.    "d_c0": "AECA7v-aPwqPTiIbemmIQ8abhJy7bdD2VgE=|1468847182",

  8.    "cap_id": "N2U1NmQwODQ1NjFiNGI2Yzg2YTE2NzJkOTU5N2E0NjI=|1480901160|fd59e2ed79faacc2be1010687d27dd559ec1552a"

  9. }

  11. headers = {

  12.    "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",

  13.    "Referer": "https://www.zhihu.com/"

  14. }

  16. 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

  1. import requests

  2. import random

  4. class Proxy:

  6.    def __init__(self):

  7.        self.cache_ip_list = []

  9.    # Get random ip from free proxy api url.

  10.    def get_random_ip(self):

  11.        if not len(self.cache_ip_list):

  12.            api_url = 'http://api.xicidaili.com/free2016.txt'

  13.            try:

  14.                r = requests.get(api_url)

  15.                ip_list = r.text.split('rn')

  16.                self.cache_ip_list = ip_list

  17.            except Exception as e:

  18.                # Return null list when caught exception.

  19.                # In this case, crawler will not use proxy ip.

  20.                print e

  21.                return {}

  23.        proxy_ip = random.choice(self.cache_ip_list)

  24.        proxies = {'http': 'http://'   proxy_ip}

  25.        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： 

640?wx_fmt=png


∞∞∞∞∞


640?wx_fmt=jpeg&wx_lazy=1&wxfrom=5

IT派 - {技术青年圈} 持续关注互联网、区块链、人工智能领域 640?wx_fmt=jpeg&wx_lazy=1&wxfrom=5


公众号回复“Python”，

邀你加入{ IT派Python技术群 } 


IT派
关注
python编写知乎爬虫实践
banyan3646的博客
06-13 1032
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...
数据挖掘r语言和python知乎_同时用R语言和Python爬取知乎美图
weixin_34975747的博客
01-12 127
作者:杜雨，EasyCharts团队成员，R语言中文社区专栏作者，兴趣方向为：Excel商务图表，R语言数据可视化，地理信息数据可视化。个人公众号：数据小魔方(微信ID：datamofang)，“数据小魔方”创始人。学习Python已有两月有余，是时候检验下学习效果了，之前练习了不少R语言数据爬取，Python的爬虫模块还没有来得及认真入门，乱拼乱凑就匆忙的开始了，今天就尝试着使用R+Pytho...
Python 编写知乎爬虫实践
weixin_34056162的博客
06-16 540
2019独角兽企业重金招聘Python工程师标准>>> ...
python编写知乎爬虫实践！
最新发布
2301_78217634的博客
09-30 1486
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。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）。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。以上就是本次分享的全部内容。
python爬虫项目（新手教程）之知乎（requests方式）
weixin_34088598的博客
06-13 1564
-前言 之前一直用scrapy与urllib姿势爬取数据，最近使用requests感觉还不错，这次希望通过对知乎数据的爬取为 各位爬虫爱好者和初学者更好的了解爬虫制作的准备过程以及requests请求方式的操作和相关问题。当然这是一个简单的爬虫项目，我会用重点介绍爬虫从开始制作的准备过程，目的是为了让和我一样自学的爬虫爱好者和初学者更多的了解爬虫工作。 一、观察目标网页模板和策略 很多人都忽...
基于python的知乎开源爬虫 zhihu_oauth使用介绍
weixin_33991418的博客
05-03 219
　　今天在无意之中发现了一个知乎的开源爬虫，是基于Python的，名字叫zhihu_oauth,看了一下在github上面star数还挺多的，貌似文档也挺详细的，于是就稍微研究了一下。发现果然很好用啊。就在这里给大家介绍一下如何使用。 　　项目的主页地址在：https://github.com/7sDream/zhihu-oauth。作者的知乎主页为：h...
Python爬虫爬取知乎小结
热门推荐
Marcovaldong的博客
08-20 2万+
博客首发至Marcovaldo’s blog (http://marcovaldong.github.io/)最近学习了一点网络爬虫，并实现了使用python来爬取知乎的一些功能，这里做一个小的总结。网络爬虫是指通过一定的规则自动的从网上抓取一些信息的程序或脚本。我们知道机器学习和数据挖掘等都是从大量的数据出发，找到一些有价值有规律的东西，而爬虫则可以帮助我们解决获取数据难的问题，因此网络爬虫是我们
python微博爬虫编写
dumplings_ming的专栏
01-30 1855
因为最近要做一个爬到微博中所有用户发表的微博以及所有用户的点赞、评论以及转发操作，因此学习了一下如何使用python编写微博的爬虫。为了防止后续再次用到，再加上之前在一个奇怪的地方定下了新年要写微博的新年目标，因此，特地记录了下来。 　　首先声明一下环境，电脑装的windows10系统，准备使用python2.7+scrapy这两样东西拼起来搞一个微博的爬虫。环境的配置python的安装　　首先是
python同时执行多个py_python爬虫scrapy之如何同时执行多个scrapy爬行任务
weixin_35656458的博客
12-23 311
背景：刚开始学习scrapy爬虫框架的时候，就在想如果我在服务器上执行一个爬虫任务的话，还说的过去。但是我不能每个爬虫任务就新建一个项目吧。例如我建立了一个知乎的爬行任务，但是我在这个爬行任务中，写了多个spider，重要的是我想让他们同时运行，怎么办？小白解决办法：1、在spiders同目录下新建一个run.py文件，内容如下(列表里面最后可以加上参数，如--nolog)2、小白想了(当时的我)...
爬虫教程（ 6 ） --- 爬虫 进阶、扩展
墨鱼菜鸡
07-11 6917
1. 前言 1. 先看一个最简单的爬虫。 import requests url = "http://www.cricode.com" r = requests.get(url) print(r.text) 2. 一个正常的爬虫程序 上面那个最简单的爬虫，是一个不完整的残疾的爬虫。因为爬虫程序通常需要做的事情如下： 1)给定的种子 URLs，...
一小时入门 Python 3 网络爬虫-转载
fu_tester的博客
11-14 4027
一、前言 强烈建议：请在电脑的陪同下，阅读本文。本文以实战为主，阅读过程如稍有不适，还望多加练习。 本文的实战内容有： 网络小说下载（静态网站） 优美壁纸下载（动态网站） 爱奇艺VIP视频下载 二、网络爬虫简介 网络爬虫，也叫网络蜘蛛（Web Spider）。它根据网页地址（URL）爬取网页内容，而网页地址（URL）就是我们在浏览器中输入的网站链接。比
Python知乎爬虫代码
07-31
利用Python网络数据采集技术的爬虫代码demo，可以提供给爬虫初学者参考。
Python-python实现一个知乎爬虫
08-10
python 实现一个知乎爬虫，登陆，获取答案，
python知乎评论爬虫源代码
03-21
python知乎用户评论爬虫源代码 最完整的爬虫源码 python知乎用户评论爬虫源代码 最完整的爬虫源码
知乎爬虫代码
09-27
模拟登录，用scrapy+selenium+PhantomJS爬取知乎话题的评论，并且做成关键字词云展示
Python知乎爬虫——爬取知乎用户简单数据信息
05-08
萌新入坑代码，大佬勿喷
python爬虫知乎代码_python爬虫知乎的简单代码实现
weixin_35110559的博客
02-21 1143
随着时代的发展，我们很依赖网络帮助我们解决问题，遇到什么问题就会先百度。除了百度，现在大多数人还会选择通过知乎来解决问题。知乎类似于一个论坛，讨论度比百度高一些，那你知道如何用python爬虫爬知乎网站吗？其实如果直接爬取很容报错，我们可以通过浏览器伪装爬取。1、python爬虫工作原理python爬虫通过URL管理器，判断是否有待爬URL，如果有待爬URL，通过调度器进行传递给下载器，下载URL...
Python中的爬虫实战：知乎爬虫
Ob2024的博客
07-03 1032
Requests库可以帮我们获取网页的内容，而BeautifulSoup库则可以帮我们解析网页内容，获取我们需要的信息。需要注意的是，在网页未登录情况下访问用户主页时，我们仅能获取到该用户的基本信息，甚至无法获取到性别等私人信息。在如今互联网的时代，我们所需要的信息可以说是无所不包，但是如何获取这些信息常常是一个难题。而关于网络爬虫的编写，我们可以通过爬虫来获取该网站上的问题，回答，用户信息等。其中，headers参数中需要添加我们自己的Cookie信息，否则我们将无法获取到需要的数据。
一个简单的python爬虫,爬取知乎
Python新手学习之家
12-25 1486
一个简单的python爬虫,爬取知乎 主要实现 爬取一个收藏夹 里 所有问题答案下的 图片 文字信息暂未收录，可自行实现，比图片更简单 具体代码里有详细注释，请自行阅读 项目源码： # -*- coding:utf-8 -*- from spider import SpiderHTML from multiprocessing import Pool import sys,urllib...
打造知乎爬虫：深入探讨Python爬虫技巧
资源摘要信息:"py2-zhihu-spider.zip是一个与Python爬虫相关的压缩文件，里面包含的脚本或程序能够实现对知乎网站内容的自动化抓取。" 知识点一：Python基础 Python是一种广泛用于开发的高级编程语言，它强调代码...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值