Python爬虫信息爬取

Python爬虫：网络信息爬取与处理知识梳理

转载：https://blog.csdn.net/mouday/article/details/81211640 。

一、HTTP协议

1. 应用层协议

• 无状态：每次连接，传输都是独立的
• 无连接：每次连接只处理一个请求

2. HTTP请求

• GET：没有request body
• POST: 有request body

3.HTTP状态码

• 2xx：成功
• 3xx：跳转
• 4xx: 客户端错误
• 403 Forbidden 没有登录，或ip被封
• 5xx：服务端错误
• python urllib2会自动302跳转

爬取策略

• 种子站点
• 深度优先
• 广度优先

去重策略

• 数据库unique字段存访问过的url 效率太低 2、hashset存访问过的url O(1) 消耗内
• md5计算访问过的url后保存到hashset或数据库 碰撞概率较小
• bit-map，访问过的url的md5值再经过哈希函数映射到bitset某一位 碰撞概率较大
• bloom filter 使用多个哈希函数，创建一个m位的bitset,先初始化所有位为0，然后选择k
  个不同的哈希函数，第i个哈希函数对字符串str哈希的结果记为h(i, str),且h(i, str)的范围
  是0 - m-1

评估网页数量

百度：site:www.mafengwo.cn 
google：site:www.mafengwo.cn/travel-scenic-spot

pip install murmurhash3 bitarray pybloomfilter
安装以下两个组件之后依然安装失败 
visualcppbuildtools_full.exe 
vc_redist.x64.exe

http://www.mafengwo.cn/robots.txt

Sitemap
top-down

pip install lxml

爬取工具

多线程：线程来回切换造成额外开销
多进程多ip，可以提高效率
数据库具有读写保护

分布式数据库 mongodb， redis， hbase
分布式爬虫
分布式系统 master - slave 主从模式

PageRank

数量：指向A页面的链接越多,A越重要
质量：指向A页面的页面质量越高,A越重要

有向图
A -> B -> c -> D
B -> A -> D
C -> A
D -> B -> C

A的PR值：
PR(A) = PR(B) + PR©

按照概率：
PR(A) = PR(B)/2 + PR©/1

网站如何发现爬虫

1、单一IP非常规的访问频次
2、单一IP非常规的数据流量
3、大量重复简单的网站浏览行为
4、只下载网页，没有后续的js，css请求
5、通过一些陷阱来发现爬虫，例如：一些通过css对用户隐藏的链接，只用爬虫才会访问

反爬：

1、User-Agent
2、基于流量的拒绝：开启带宽限制模块，设置访问最大带宽，每个IP最多3个链接，最大1M/s
3、基于Ip连接的拒绝

可能被发现网站发现
301, 4xx， 500

反爬应对措施

1、动态切换IP，代理服务器 路由器断线重连
2、多主机策略
3、爬慢点，不要攻击主机，找到访问频次的临界点
4、把爬虫放到访问频繁的主站IP的子网下，例如教育网
5、频繁改变自己User-Agent
6、探测陷阱，比如nofollow， display:none
7、如果使用规则进行批量爬取，需要对规则进行组合
8、如果可能按照robots.txt文明爬取

动态网页

• PhantomJS + selenium
  browser.set_window_size(1280, 2400)
browser.close()
browser.quit()
ignore-image = True 不加载图片，加快速度

• URL：
  完整路径: http://www.baidu.com
  绝对路径: //www.baidu.com
  相对路径: /tieba

• 杀掉所有PhantomJS进程
  subprocess.call(“pgrep phantomjs | xargs kill”)

重复网页

• 完全重复

• 内容重复

• 布局重复

• 部分重复

• 查重算法：文本相似度

• 特征提取：分词加权成向量

• 高维空间夹角越小相似度越高
  v1 * v2 = |v1||v2|cosa

• 海明距离simhash：两个二进制串中不同位的数量
  pip install simhash

验证码识别

• pillow
• pytesseract

正文提取

• 标签模板
• pygoose https://github.com/grangier/python-goose (py2)

文本分类

• List item
• 结巴分词jieba
• tf-idf
• pip install sklearn scipy numpy

搜索

• elasticsearch