入门python爬虫（1）
作者：谢科-搜索引擎
链接：https://www.zhihu.com/question/20899988/answer/24923424
来源：知乎
什么是爬虫？
要想入门爬虫，首先要知道，什么是爬虫。网络爬虫（又称网页蜘蛛，网络机器人，更常称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
入门爬虫首先需要学习
1. 基本的爬虫工作原理
2.基本的http抓取工具，scrapy
3.Bloom Filter：Bloom Filters by Example
4.如果需要大规模网页抓取，你需要学习分布式爬虫的概念，主要学会怎样维护一个所有集群机器能够有效分享的分布式队列。最简单的实现是python-rq：https://github.com/nvie/rq
5.rq和Scrapy的结合：darkrho/scrapy-redis · GitHub
6.后续处理，网页析取(grangier/python-goose · GitHub），存储（Mongodb）
说说当初写的一个集群爬下整个豆瓣的经验：
（1）首先要明白爬虫怎样工作。
想象你是一只蜘蛛，现在你被放到了互联网上，你需要把所有的网页都看一遍。怎么办呢？就随便从某个地方开始，比如说，人民日报的首页，叫initial pages，用$表示。
在人民日报的首页，看到那个页面引向的各种链接。于是你很开心地爬到了“国内新闻”那个页面。这样就爬完了两个页面（首页和国内新闻）。暂且不用管爬下来的页面怎么样处理，你就想象你把这个页面完整抄成了个html放到了你身上。
突然你发现，在国内新闻这个页面上，有一个链接链回“首页”。作为一只聪明的蜘蛛，肯定知道不用爬回去，所以需要用脑子，存下你已经看过的页面地址，这样，每次看到一个可能需要爬的新链接，你先查查是不是已经去过这个页面地址，如果去过，就别去了。
理论上，如果所有的页面都可以从initial page到达的话，那么证明你一定可以爬完所有的网页。以下是在python中的实现。
import Queue initial_page = "http://www.renminribao.com" url_queue = Queue.Queue() seen = set() seen.insert(initial_page) url_queue.put(initial_page) while(True): #一直进行直到海枯石烂 if url_queue.size()>0: current_url = url_queue.get() #拿出队例中第一个的url store(current_url) #把这个url代表的网页存储好 for next_url in extract_urls(current_url): #提取把这个url里链向的url if next_url not in seen: seen.put(next_url) url_queue.put(next_url) else: break
所有的爬虫的backone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西--搜索引擎公司通常有一整个团队来维护和开发。
（2）效率
如果直接使用上边的代码运行，那么一整年才能爬下整个豆瓣的内容，更别说Google爬取全网的内容了。问题出在哪里呢？需要爬的网页实在是太多了，而上边的代码太慢太慢了。设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有的网页都要遍历一遍，而每次判重用set的话，需要log(N)的复杂度。虽然python的set实现的是hash，不过这样还是太慢了，至少内存使用效率不高。
通常的判重的做法是Bloom Filter。简单讲它仍是一种hash方法，但是它的特点是，他可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中。他唯一的问题在于，如果这个url不在set中，BF可以100%确定这个url没有看过。但是如果这个url在set中，他就会告诉你，这个url应该已经出现过，不过我有2%的不确定性。注意这里的不确定性在你分配的内存足够大时，可以变得很小很小。一个简单的教程：Bloom Filters by Example。
现在已经接近处理判重最快的方法了，另外一个瓶颈--你只有一台机器，不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。用一台机子不够的话，用很多台。当然，我们假设每台机子都已经进了最大的效率--使用多线程（python的话，使用多线程吧）。
（3）集体化抓取
假设你现在有100台机器可以用，如何用python实现一个分布式的爬取算法呢？
我们把100台中的99台运算能力较小的机器叫做slave，另外一台较大的机器叫做master，那么回顾上边的代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。同样，bloom filter也放到master上，但是现在master只发送确定没有访问过的url给slave。bloom filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。（至少平摊是O(1)，Redis的访问效率见：LINSERT – Redis）。
考虑如何用python实现：
在各台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。
代码于是写成
#slave.py current_url = request_from_master() to_send = [] for next_url in extract_urls(current_url): to_send.append(next_url) store(current_url); send_to_master(to_send) #master.py distributed_queue = DistributedQueue() bf = BloomFilter() initial_pages = "www.renmingribao.com" while(True): if request == 'GET': if distributed_queue.size()>0: send(distributed_queue.get()) else: break elif request == 'POST': bf.put(request.url)
完整代码见：darkrho/scrapy-redis · GitHub
（4）展望以及后处理
上边的代码用来爬一个整体的网站问题不大，但是如果附上后续处理，比如
1. 有效地存储（数据库应该怎样安排）
2. 有效地判重（网页判重，网页和抄袭他的网页不能都爬取）
3. 有效地信息抽取（比如怎么样抽取网页上所有的地址，搜索引擎通常不需要存储所有的信息）
4. 及时更新（预测这个网页多久会更新一次）
这里的每一个点都需要很长时间的研究！
