Python编写知乎爬虫实例

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：

• 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