詳解4種類型的爬蟲技術(shù)
- 聚焦網(wǎng)絡(luò)爬蟲是“面向特定主題需求”的一種爬蟲程序,而通用網(wǎng)絡(luò)爬蟲則是捜索引擎抓取系統(tǒng)(Baidu、Google、Yahoo等)的重要組成部分,主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地,形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
- 增量抓取意即針對某個站點的數(shù)據(jù)進行抓取,當(dāng)網(wǎng)站的新增數(shù)據(jù)或者該站點的數(shù)據(jù)發(fā)生變化后,自動地抓取它新增的或者變化后的數(shù)據(jù)。
- Web頁面按存在方式可以分為表層網(wǎng)頁(surface Web)和深層網(wǎng)頁(deep Web,也稱invisible Web pages或hidden Web)。
- 表層網(wǎng)頁是指傳統(tǒng)搜索引擎可以索引的頁面,即以超鏈接可以到達的靜態(tài)網(wǎng)頁為主來構(gòu)成的Web頁面。
- 深層網(wǎng)頁是那些大部分內(nèi)容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的,只有用戶提交一些關(guān)鍵詞才能獲得的Web頁面。
01 聚焦爬蟲技術(shù)
聚焦網(wǎng)絡(luò)爬蟲(focused crawler)也就是主題網(wǎng)絡(luò)爬蟲。聚焦爬蟲技術(shù)增加了鏈接評價和內(nèi)容評價模塊,其爬行策略實現(xiàn)要點就是評價頁面內(nèi)容以及鏈接的重要性。
基于鏈接評價的爬行策略,主要是以Web頁面作為半結(jié)構(gòu)化文檔,其中擁有很多結(jié)構(gòu)信息可用于評價鏈接重要性。還有一個是利用Web結(jié)構(gòu)來評價鏈接價值的方法,也就是HITS法,其通過計算每個訪問頁面的Authority權(quán)重和Hub權(quán)重來決定鏈接訪問順序。
而基于內(nèi)容評價的爬行策略,主要是將與文本相似的計算法加以應(yīng)用,提出Fish-Search算法,把用戶輸入查詢詞當(dāng)作主題,在算法的進一步改進下,通過Shark-Search算法就能利用空間向量模型來計算頁面和主題相關(guān)度大小。
面向主題爬蟲,面向需求爬蟲:會針對某種特定的內(nèi)容去爬取信息,而且會保證信息和需求盡可能相關(guān)。一個簡單的聚焦爬蟲使用方法的示例如下所示。
- 【例1】一個簡單的爬取圖片的聚焦爬蟲
- import urllib.request
- # 爬蟲專用的包urllib,不同版本的Python需要下載不同的爬蟲專用包
- import re
- # 正則用來規(guī)律爬取
- keyname=""
- # 想要爬取的內(nèi)容
- key=urllib.request.quote(keyname)
- # 需要將你輸入的keyname解碼,從而讓計算機讀懂
- for i in range(0,5): # (0,5)數(shù)字可以自己設(shè)置,是淘寶某產(chǎn)品的頁數(shù)
- url="https://s.taobao.com/search?q="+key+"&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180815&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s="+str(i*44)
- # url后面加上你想爬取的網(wǎng)站名,然后你需要多開幾個類似的網(wǎng)站以找到其規(guī)則
- # data是你爬取到的網(wǎng)站所有的內(nèi)容要解碼要讀取內(nèi)容
- pat='"pic_url":"//(.*?)"'
- # pat使用正則表達式從網(wǎng)頁爬取圖片
- # 將你爬取到的內(nèi)容放在一個列表里面
- print(picturelist)
- # 可以不打印,也可以打印下來看看
- for j in range(0,len(picturelist)):
- picture=picturelist[j]
- pictureurl="http://"+picture
- # 將列表里的內(nèi)容遍歷出來,并加上http://轉(zhuǎn)到高清圖片
- file="E:/pycharm/vscode文件/圖片/"+str(i)+str(j)+".jpg"
- # 再把圖片逐張編號,不然重復(fù)的名字將會被覆蓋掉
- urllib.request.urlretrieve(pictureurl,filename=file)
- # 最后保存到文件夾
02 通用爬蟲技術(shù)
通用爬蟲技術(shù)(general purpose Web crawler)也就是全網(wǎng)爬蟲。其實現(xiàn)過程如下。
- 第一,獲取初始URL。初始URL地址可以由用戶人為指定,也可以由用戶指定的某個或某幾個初始爬取網(wǎng)頁決定。
- 第二,根據(jù)初始的URL爬取頁面并獲得新的URL。獲得初始的URL地址之后,需要先爬取對應(yīng)URL地址中的網(wǎng)頁,接著將網(wǎng)頁存儲到原始數(shù)據(jù)庫中,并且在爬取網(wǎng)頁的同時,發(fā)現(xiàn)新的URL地址,并且將已爬取的URL地址存放到一個URL列表中,用于去重及判斷爬取的進程。
- 第三,將新的URL放到URL隊列中,在于第二步內(nèi)獲取下一個新的URL地址之后,會將新的URL地址放到URL隊列中。
- 第四,從URL隊列中讀取新的URL,并依據(jù)新的URL爬取網(wǎng)頁,同時從新的網(wǎng)頁中獲取新的URL并重復(fù)上述的爬取過程。
第五,滿足爬蟲系統(tǒng)設(shè)置的停止條件時,停止爬取。在編寫爬蟲的時候,一般會設(shè)置相應(yīng)的停止條件。如果沒有設(shè)置停止條件,爬蟲便會一直爬取下去,一直到無法獲取新的URL地址為止,若設(shè)置了停止條件,爬蟲則會在停止條件滿足時停止爬取。詳情請參見圖2-5中的右下子圖。
通用爬蟲技術(shù)的應(yīng)用有著不同的爬取策略,其中的廣度優(yōu)先策略以及深度優(yōu)先策略都是比較關(guān)鍵的,如深度優(yōu)先策略的實施是依照深度從低到高的順序來訪問下一級網(wǎng)頁鏈接。
關(guān)于通用爬蟲使用方法的示例如下。
- 【例2】爬取京東商品信息
- '''
- 爬取京東商品信息:
- 請求url:https://www.jd.com/
- 提取商品信息:
- 1.商品詳情頁
- 2.商品名稱
- 3.商品價格
- 4.評價人數(shù)
- 5.商品商家
- '''
- from selenium import webdriver # 引入selenium中的webdriver
- from selenium.webdriver.common.keys import Keys
- import time
- def get_good(driver):
- try:
- # 通過JS控制滾輪滑動獲取所有商品信息
- js_code = '''
- window.scrollTo(0,5000);
- '''
- driver.execute_script(js_code) # 執(zhí)行js代碼
- # 等待數(shù)據(jù)加載
- time.sleep(2)
- # 查找所有商品div
- # good_div = driver.find_element_by_id('J_goodsList')
- good_list = driver.find_elements_by_class_name('gl-item')
- n = 1
- for good in good_list:
- # 根據(jù)屬性選擇器查找
- # 商品鏈接
- good_url = good.find_element_by_css_selector(
- '.p-img a').get_attribute('href')
- # 商品名稱
- good_name = good.find_element_by_css_selector(
- '.p-name em').text.replace("\n", "--")
- # 商品價格
- good_price = good.find_element_by_class_name(
- 'p-price').text.replace("\n", ":")
- # 評價人數(shù)
- good_commit = good.find_element_by_class_name(
- 'p-commit').text.replace("\n", " ")
- good_content = f'''
- 商品鏈接: {good_url}
- 商品名稱: {good_name}
- 商品價格: {good_price}
- 評價人數(shù): {good_commit}
- \n
- '''
- print(good_content)
- with open('jd.txt', 'a', encoding='utf-8') as f:
- f.write(good_content)
- next_tag = driver.find_element_by_class_name('pn-next')
- next_tag.click()
- time.sleep(2)
- # 遞歸調(diào)用函數(shù)
- get_good(driver)
- time.sleep(10)
- finally:
- driver.close()
- if __name__ == '__main__':
- good_name = input('請輸入爬取商品信息:').strip()
- driver = webdriver.Chrome()
- driver.implicitly_wait(10)
- # 往京東主頁發(fā)送請求
- driver.get('https://www.jd.com/')
- # 輸入商品名稱,并回車搜索
- input_tag = driver.find_element_by_id('key')
- input_tag.send_keys(good_name)
- input_tag.send_keys(Keys.ENTER)
- time.sleep(2)
- get_good(driver)
03 增量爬蟲技術(shù)
某些網(wǎng)站會定時在原有網(wǎng)頁數(shù)據(jù)的基礎(chǔ)上更新一批數(shù)據(jù)。例如某電影網(wǎng)站會實時更新一批最近熱門的電影,小說網(wǎng)站會根據(jù)作者創(chuàng)作的進度實時更新最新的章節(jié)數(shù)據(jù)等。在遇到類似的場景時,我們便可以采用增量式爬蟲。
增量爬蟲技術(shù)(incremental Web crawler)就是通過爬蟲程序監(jiān)測某網(wǎng)站數(shù)據(jù)更新的情況,以便可以爬取到該網(wǎng)站更新后的新數(shù)據(jù)。
關(guān)于如何進行增量式的爬取工作,以下給出三種檢測重復(fù)數(shù)據(jù)的思路:
- 在發(fā)送請求之前判斷這個URL是否曾爬取過;
- 在解析內(nèi)容后判斷這部分內(nèi)容是否曾爬取過;
- 寫入存儲介質(zhì)時判斷內(nèi)容是否已存在于介質(zhì)中。
- 第一種思路適合不斷有新頁面出現(xiàn)的網(wǎng)站,比如小說的新章節(jié)、每天的實時新聞等;
- 第二種思路則適合頁面內(nèi)容會定時更新的網(wǎng)站;
- 第三種思路則相當(dāng)于最后一道防線。這樣做可以最大限度地達到去重的目的。
不難發(fā)現(xiàn),實現(xiàn)增量爬取的核心是去重。目前存在兩種去重方法。
- 第一,對爬取過程中產(chǎn)生的URL進行存儲,存儲在Redis的set中。當(dāng)下次進行數(shù)據(jù)爬取時,首先在存儲URL的set中對即將發(fā)起的請求所對應(yīng)的URL進行判斷,如果存在則不進行請求,否則才進行請求。
- 第二,對爬取到的網(wǎng)頁內(nèi)容進行唯一標(biāo)識的制定(數(shù)據(jù)指紋),然后將該唯一標(biāo)識存儲至Redis的set中。當(dāng)下次爬取到網(wǎng)頁數(shù)據(jù)的時候,在進行持久化存儲之前,可以先判斷該數(shù)據(jù)的唯一標(biāo)識在Redis的set中是否存在,從而決定是否進行持久化存儲。
關(guān)于增量爬蟲的使用方法示例如下所示。
- 【例3】爬取4567tv網(wǎng)站中所有的電影詳情數(shù)據(jù)
- import scrapy
- from scrapy.linkextractors import LinkExtractor
- from scrapy.spiders import CrawlSpider, Rule
- from redis import Redis
- from incrementPro.items import IncrementproItem
- class MovieSpider(CrawlSpider):
- name = 'movie'
- # allowed_domains = ['www.xxx.com']
- start_urls = ['http://www.4567tv.tv/frim/index7-11.html']
- rules = (
- Rule(LinkExtractor(allow=r'/frim/index7-\d+\.html'), callback='parse_item', follow=True),
- )
- # 創(chuàng)建Redis鏈接對象
- conn = Redis(host='127.0.0.1', port=6379)
- def parse_item(self, response):
- li_list = response.xpath('//li[@class="p1 m1"]')
- for li in li_list:
- # 獲取詳情頁的url
- detail_url = 'http://www.4567tv.tv' + li.xpath('./a/@href').extract_first()
- # 將詳情頁的url存入Redis的set中
- ex = self.conn.sadd('urls', detail_url)
- if ex == 1:
- print('該url沒有被爬取過,可以進行數(shù)據(jù)的爬取')
- yield scrapy.Request(url=detail_url, callback=self.parst_detail)
- else:
- print('數(shù)據(jù)還沒有更新,暫無新數(shù)據(jù)可爬取!')
- # 解析詳情頁中的電影名稱和類型,進行持久化存儲
- def parst_detail(self, response):
- item = IncrementproItem()
- item['name'] = response.xpath('//dt[@class="name"]/text()').extract_first()
- item['kind'] = response.xpath('//div[@class="ct-c"]/dl/dt[4]//text()').extract()
- item['kind'] = ''.join(item['kind'])
- yield it
管道文件:
- from redis import Redis
- class IncrementproPipeline(object):
- conn = None
- def open_spider(self,spider):
- self.conn = Redis(host='127.0.0.1',port=6379)
- def process_item(self, item, spider):
- dic = {
- 'name':item['name'],
- 'kind':item['kind']
- }
- print(dic)
- self.conn.push('movieData',dic)
- # 如果push不進去,那么dic變成str(dic)或者改變redis版本
- pip install -U redis==2.10.6
- return item
04 深層網(wǎng)絡(luò)爬蟲技術(shù)
在互聯(lián)網(wǎng)中,網(wǎng)頁按存在方式可以分為表層網(wǎng)頁和深層網(wǎng)頁兩類。
所謂的表層網(wǎng)頁,指的是不需要提交表單,使用靜態(tài)的鏈接就能夠到達的靜態(tài)頁面;而深層網(wǎng)頁則隱藏在表單后面,不能通過靜態(tài)鏈接直接獲取,是需要提交一定的關(guān)鍵詞后才能夠獲取到的頁面,深層網(wǎng)絡(luò)爬蟲(deep Web crawler)最重要的部分即為表單填寫部分。
在互聯(lián)網(wǎng)中,深層網(wǎng)頁的數(shù)量往往要比表層網(wǎng)頁的數(shù)量多很多,故而,我們需要想辦法爬取深層網(wǎng)頁。
深層網(wǎng)絡(luò)爬蟲的基本構(gòu)成:URL列表、LVS列表(LVS指的是標(biāo)簽/數(shù)值集合,即填充表單的數(shù)據(jù)源)、爬行控制器、解析器、LVS控制器、表單分析器、表單處理器、響應(yīng)分析器。
深層網(wǎng)絡(luò)爬蟲的表單填寫有兩種類型:
- 基于領(lǐng)域知識的表單填寫(建立一個填寫表單的關(guān)鍵詞庫,在需要的時候,根據(jù)語義分析選擇對應(yīng)的關(guān)鍵詞進行填寫);
- 基于網(wǎng)頁結(jié)構(gòu)分析的表單填寫(一般在領(lǐng)域知識有限的情況下使用,這種方式會根據(jù)網(wǎng)頁結(jié)構(gòu)進行分析,并自動地進行表單填寫)。