網(wǎng)頁爬蟲及其用到的算法和數(shù)據(jù)結(jié)構(gòu)

corefashion 2014-10-25

展開全文

網(wǎng)絡(luò)爬蟲，是一種按照一定的規(guī)則，自動的抓取萬維網(wǎng)信息的程序或者腳本。網(wǎng)絡(luò)爬蟲是搜索引擎系統(tǒng)中十分重要的組成部分，它負責(zé)從互聯(lián)網(wǎng)中搜集網(wǎng)頁，采集信息，這些網(wǎng)頁信息用于建立索引從而為搜索引擎提供支持，它決定著整個引擎系統(tǒng)的內(nèi)容是否豐富，信息是否即時，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。

網(wǎng)絡(luò)爬蟲程序的優(yōu)劣，很大程度上反映了一個搜索引擎的好差。不信，你可以隨便拿一個網(wǎng)站去查詢一下各家搜索對它的網(wǎng)頁收錄情況，爬蟲強大程度跟搜索引擎好壞基本成正比。

1.世界上最簡單的爬蟲——三行情詩

我們先來看一個最簡單的最簡單的爬蟲，用python寫成，只需要三行。

import requests
url='http://www.'
r=requests.get(url)

上面這三行爬蟲程序，就如下面這三行情詩一般，很干脆利落。

是好男人，

就應(yīng)該在和女友吵架時，

抱著必輸?shù)男膽B(tài)。

2.一個正常的爬蟲程序

上面那個最簡單的爬蟲，是一個不完整的殘疾的爬蟲。因為爬蟲程序通常需要做的事情如下：

1）給定的種子URLs，爬蟲程序?qū)⑺蟹N子URL頁面爬取下來

2）爬蟲程序解析爬取到的URL頁面中的鏈接，將這些鏈接放入待爬取URL集合中

3）重復(fù)1、2步，直到達到指定條件才結(jié)束爬取

因此，一個完整的爬蟲大概是這樣子的：

import requests                       #用來爬取網(wǎng)頁
from bs4 import BeautifulSoup         #用來解析網(wǎng)頁
seds = ['http://www.hao123.com',      #我們的種子
              'http://www.csdn.net',
              'http://www.']
sum = 0                               #我們設(shè)定終止條件為：爬取到100000個頁面時，就不玩了
 
while sum < 10000 :
    if sum < len(seds):
         r = requests.get(seds[sum])
         sum = sum   1
         do_save_action(r)
         soup = BeautifulSoup(r.content)               
         urls = soup.find_all('href',.....)                     //解析網(wǎng)頁
         for url in urls:
              seds.append(url)
 
    else:
         break

3.現(xiàn)在來找茬

上面那個完整的爬蟲，不足20行代碼，相信你能找出20個茬來。因為它的缺點實在是太多。下面一一列舉它的N宗罪：

1）我們的任務(wù)是爬取1萬個網(wǎng)頁，按上面這個程序，一個人在默默的爬取，假設(shè)爬起一個網(wǎng)頁3秒鐘，那么，爬一萬個網(wǎng)頁需要3萬秒鐘。MGD，我們應(yīng)當(dāng)考慮開啟多個線程(池)去一起爬取，或者用分布式架構(gòu)去并發(fā)的爬取網(wǎng)頁。

2）種子URL和后續(xù)解析到的URL都放在一個列表里，我們應(yīng)該設(shè)計一個更合理的數(shù)據(jù)結(jié)構(gòu)來存放這些待爬取的URL才是，比如隊列或者優(yōu)先隊列。

3）對各個網(wǎng)站的url，我們一視同仁，事實上，我們應(yīng)當(dāng)區(qū)別對待。大站好站優(yōu)先原則應(yīng)當(dāng)予以考慮。

4）每次發(fā)起請求，我們都是根據(jù)url發(fā)起請求，而這個過程中會牽涉到DNS解析，將url轉(zhuǎn)換成ip地址。一個網(wǎng)站通常由成千上萬的URL，因此，我們可以考慮將這些網(wǎng)站域名的IP地址進行緩存，避免每次都發(fā)起DNS請求，費時費力。

5）解析到網(wǎng)頁中的urls后，我們沒有做任何去重處理，全部放入待爬取的列表中。事實上，可能有很多鏈接是重復(fù)的，我們做了很多重復(fù)勞動。

6）…..

4.找了這么多茬后，很有成就感，真正的問題來了，學(xué)挖掘機到底哪家強？

現(xiàn)在我們就來一一討論上面找茬找出的若干問題的解決方案。

1）并行爬起問題

我們可以有多重方法去實現(xiàn)并行。

多線程或者線程池方式，一個爬蟲程序內(nèi)部開啟多個線程。同一臺機器開啟多個爬蟲程序，如此，我們就有N多爬取線程在同時工作。能大大減少時間。

此外，當(dāng)我們要爬取的任務(wù)特別多時，一臺機器、一個網(wǎng)點肯定是不夠的，我們必須考慮分布式爬蟲。常見的分布式架構(gòu)有：主從（Master——Slave）架構(gòu)、點對點（Peer to Peer）架構(gòu)，混合架構(gòu)等。

說道分布式架構(gòu)，那我們需要考慮的問題就有很多，我們需要分派任務(wù)，各個爬蟲之間需要通信合作，共同完成任務(wù)，不要重復(fù)爬取相同的網(wǎng)頁。分派任務(wù)我們要做到公平公正，就需要考慮如何進行負載均衡。負載均衡，我們第一個想到的就是Hash，比如根據(jù)網(wǎng)站域名進行hash。

負載均衡分派完任務(wù)之后，千萬不要以為萬事大吉了，萬一哪臺機器掛了呢？原先指派給掛掉的哪臺機器的任務(wù)指派給誰？又或者哪天要增加幾臺機器，任務(wù)有該如何進行重新分配呢？

一個比較好的解決方案是用一致性Hash算法。

2）待爬取網(wǎng)頁隊列

如何對待待抓取隊列，跟操作系統(tǒng)如何調(diào)度進程是類似的場景。

不同網(wǎng)站，重要程度不同，因此，可以設(shè)計一個優(yōu)先級隊列來存放待爬起的網(wǎng)頁鏈接。如此一來，每次抓取時，我們都優(yōu)先爬取重要的網(wǎng)頁。

當(dāng)然，你也可以效仿操作系統(tǒng)的進程調(diào)度策略之多級反饋隊列調(diào)度算法。

3）DNS緩存

為了避免每次都發(fā)起DNS查詢，我們可以將DNS進行緩存。DNS緩存當(dāng)然是設(shè)計一個hash表來存儲已有的域名及其IP。

4）網(wǎng)頁去重

說到網(wǎng)頁去重，第一個想到的是垃圾郵件過濾。垃圾郵件過濾一個經(jīng)典的解決方案是Bloom Filter（布隆過濾器）。布隆過濾器原理簡單來說就是：建立一個大的位數(shù)組，然后用多個Hash函數(shù)對同一個url進行hash得到多個數(shù)字，然后將位數(shù)組中這些數(shù)字對應(yīng)的位置為1。下次再來一個url時，同樣是用多個Hash函數(shù)進行hash，得到多個數(shù)字，我們只需要判斷位數(shù)組中這些數(shù)字對應(yīng)的為是全為1，如果全為1，那么說明這個url已經(jīng)出現(xiàn)過。如此，便完成了url去重的問題。當(dāng)然，這種方法會有誤差，只要誤差在我們的容忍范圍之類，比如1萬個網(wǎng)頁，我只爬取到了9999個，剩下那一個網(wǎng)頁，who cares！

5）數(shù)據(jù)存儲的問題

數(shù)據(jù)存儲同樣是個很有技術(shù)含量的問題。用關(guān)系數(shù)據(jù)庫存取還是用NoSQL，抑或是自己設(shè)計特定的文件格式進行存儲，都大有文章可做。

6）進程間通信

分布式爬蟲，就必然離不開進程間的通信。我們可以以規(guī)定的數(shù)據(jù)格式進行數(shù)據(jù)交互，完成進程間通信。

7）……

廢話說了那么多，真正的問題來了，問題不是學(xué)挖掘機到底哪家強？而是如何實現(xiàn)上面這些東西?。海?/p>

實現(xiàn)的過程中，你會發(fā)現(xiàn)，我們要考慮的問題遠遠不止上面這些。紙上得來終覺淺，覺知此事要躬行！

來自：快課網(wǎng)
鏈接：http://www./3622.html