爬虫代码阅读－登陆,广度遍历与深度遍历

代码地址: https://github.com/WiseDoge/Spider_Hub/tree/master/ZhiHu

之前一直不太了解分布式爬虫设计思路，于是在github上搜了一个简易的分布式爬虫，学习了一下实现思路，并做一下对应笔记

分布式爬虫主要涉及到三个方面。

1.模拟登录；

2.master广度遍历，将待爬页push到队列（redis）；

3.slave从redis中取出待爬页，进行深度遍历

下面分三个方面分别阐述，以知乎为例。

一.模拟登录

1.首先可以自己手动登陆一次，注意登陆时post的数据以及url

这里post数据格式为：

postdata = {
     '_xsrf': get_xsrf(session),
     'password': secret,
     'remember_me': 'true',
     'email': account,   
     }

其中_xsrf这个字段，在登陆页的源码中可以找到这个字段，但它是一个动态变化的参数，因此必须保证在得到字段值后在同一个session中去做登陆操作。另外可以做的额外操作是将cookie本地化，

然后以后去请求时，从本地加载cookie，如果登陆失败，再重新去做登陆操作。另一个就是验证码的识别，可以用pytesseract来做自动识别（记得安装pytesseract外，装上tesseract ocr，因为

pytesseract只是一个wrapper），今天经过尝试发现其实它的识别率很低，在这里采用的方式是image.show,然后人工识别。看了好几个版本的知乎登陆源码，发现基本上用的都是类似的方式，

另外，目前知乎全站已用https，直接使用之前的源码，可能会返回403.

 

二.Master设计

登陆结束后，就能正式开始进行爬虫操作了。

这里的广度遍历比较精简，就是一个递归，怎么做的呢

1.获取入口页的关注者列表，

2.然后随机获取并剔除一条数据，作为下一次抓取的入口，push到队列。此处redis主要就是起到队列的作用

3.不断递归

核心代码如下：

def crawl(url):
    followees = get_followees(url)
    one = get_next_url(followees)
    try:
        test_list = get_followees(one)
        put_into_queue(followees)
        print(one)
        crawl(one)
    except NoFolloweeError:
        next_random_url = conn.srandmember("UrlSet", 1)[0].decode("utf-8")
        crawl(next_random_url)

 

三.Slave设计

假设有一些代理主机，在这里，一台主机开启一个线程，每一个线程去打开一个网页，解析网页后，将有用信息存储到mongodb，为什么用mongodb，这是因为mongodb比mysql更适合用于分布式存储。

slave设计应该是比较灵活的，可以根据自己的设备条件来做调整。不过源码有应该还是有一些问题的。

1.队列取出url后没看到有剔除操作；

2.代理是新启用一个session，所以可能会遇到无法登陆的情况，这个可以将登陆后的cookie本地化后，在代理主机中加载cookie即可解决。