python視頻教程欄目介紹分布式爬蟲原理。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

免費推薦：python視頻教程4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

首先，我們先來看看，如果是人正常的行為，是如何獲取網(wǎng)頁內(nèi)容的。
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(1)打開瀏覽器，輸入URL，打開源網(wǎng)頁
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(2)選取我們想要的內(nèi)容，包括標題，作者，摘要，正文等信息
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(3)存儲到硬盤中4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

上面的三個過程，映射到技術層面上，其實就是：網(wǎng)絡請求，抓取結構化數(shù)據(jù)，數(shù)據(jù)存儲。
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

我們使用Python寫一個簡單的程序，實現(xiàn)上面的簡單抓取功能。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

#!/usr/bin/python #-*- coding: utf-8 -*- ''''' Created on 2014-03-16 @author: Kris ''' import urllib2, re, cookielib def httpCrawler(url): ''''' @summary: 網(wǎng)頁抓取 ''' content = httpRequest(url) title = parseHtml(content) saveData(title) def httpRequest(url): ''''' @summary: 網(wǎng)絡請求 ''' try: ret = None SockFile = None request = urllib2.Request(url) request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322)') request.add_header('Pragma', 'no-cache') opener = urllib2.build_opener() SockFile = opener.open(request) ret = SockFile.read() finally: if SockFile: SockFile.close() return ret def parseHtml(html): ''''' @summary: 抓取結構化數(shù)據(jù) ''' content = None pattern = '<title>([^<]*?)</title>' temp = re.findall(pattern, html) if temp: content = temp[0] return content def saveData(data): ''''' @summary: 數(shù)據(jù)存儲 ''' f = open('test', 'wb') f.write(data) f.close() if __name__ == '__main__': url = 'http://www.baidu.com' httpCrawler(url)

看著很簡單，是的，它就是一個爬蟲入門的基礎程序。當然，在實現(xiàn)一個采集過程，無非就是上面的幾個基礎步驟。但是實現(xiàn)一個強大的采集過程，你會遇到下面的問題：
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(1)需要帶著cookie信息訪問，比如大多數(shù)的社交化軟件，基本上都是需要用戶登錄之后，才能看到有價值的東西，其實很簡單，我們可以使用Python提供的cookielib模塊，實現(xiàn)每次訪問都帶著源網(wǎng)站給的cookie信息去訪問，這樣只要我們成功模擬了登錄，爬蟲處于登錄狀態(tài)，那么我們就可以采集到登錄用戶看到的一切信息了。下面是使用cookie對httpRequest()方法的修改：4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

ckjar = cookielib.MozillaCookieJar() cookies = urllib2.HTTPCookieProcessor(ckjar) #定義cookies對象 def httpRequest(url): ''''' @summary: 網(wǎng)絡請求 ''' try: ret = None SockFile = None request = urllib2.Request(url) request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322)') request.add_header('Pragma', 'no-cache') opener = urllib2.build_opener(cookies) #傳遞cookies對象 SockFile = opener.open(request) ret = SockFile.read() finally: if SockFile: SockFile.close() return ret

(2)編碼問題。網(wǎng)站目前**多的兩種編碼：utf-8，或者gbk，當我們采集回來源網(wǎng)站編碼和我們數(shù)據(jù)庫存儲的編碼不一致時，比如，163.com的編碼使用的是gbk，而我們需要存儲的是utf-8編碼的數(shù)據(jù)，那么我們可以使用Python中提供的encode()和decode()方法進行轉換，比如：4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

content = content.decode('gbk', 'ignore') #將gbk編碼轉為unicode編碼 content = content.encode('utf-8', 'ignore') #將unicode編碼轉為utf-8編碼

中間出現(xiàn)了unicode編碼，我們需要轉為中間編碼unicode，才能向gbk或者utf-8轉換。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(3)網(wǎng)頁中標簽不完整，比如有些源代碼中出現(xiàn)了起始標簽，但沒有結束標簽，HTML標簽不完整，就會影響我們抓取結構化數(shù)據(jù)，我們可以通過Python的BeautifulSoup模塊，先對源代碼進行清洗，再分析獲取內(nèi)容。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(4)某些網(wǎng)站使用JS來生存網(wǎng)頁內(nèi)容。當我們直接查看源代碼的時候，發(fā)現(xiàn)是一堆讓人頭疼的JS代碼?？梢允褂胢ozilla、webkit等可以解析瀏覽器的工具包解析js、ajax，雖然速度會稍微慢點。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(5)圖片是flash形式存在的。當圖片中的內(nèi)容是文字或者數(shù)字組成的字符，那這個就比較好辦，我們只要利用ocr技術，就能實現(xiàn)自動識別了，但是如果是flash鏈接，我們將整個URL存儲起來了。 4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(6)一個網(wǎng)頁出現(xiàn)多個網(wǎng)頁結構的情況，這樣我們?nèi)绻皇且惶鬃ト∫?guī)則，那肯定不行，所以需要配置多套模擬進行協(xié)助配合抓取。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

(7)應對源網(wǎng)站的監(jiān)控。抓取別人的東西，畢竟是不太好的事情，所以一般網(wǎng)站都會有針對爬蟲禁止訪問的限制。
一個好的采集系統(tǒng)，應該是，不管我們的目標數(shù)據(jù)在何處，只要是用戶能夠看到的，我們都能采集回來。所見即所得的無阻攔式采集，無論是否需要登錄的數(shù)據(jù)都能夠順利采集。大部分有價值的信息，一般都需要登錄才能看到，比如社交網(wǎng)站，為了應對登錄的網(wǎng)站要有模擬用戶登錄的爬蟲系統(tǒng)，才能正常獲取數(shù)據(jù)。不過社會化網(wǎng)站都希望自己形成一個閉環(huán)，不愿意把數(shù)據(jù)放到站外，這種系統(tǒng)也不會像新聞等內(nèi)容那么開放的讓人獲取。這些社會化網(wǎng)站大部分會采取一些限制防止機器人爬蟲系統(tǒng)爬取數(shù)據(jù)，一般一個賬號爬取不了多久就會被檢測出來被禁止訪問了。那是不是我們就不能爬取這些網(wǎng)站的數(shù)據(jù)呢？肯定不是這樣的，只要社會化網(wǎng)站不關閉網(wǎng)頁訪問，正常人能夠訪問的數(shù)據(jù)，我們也能訪問。說到底就是模擬人的正常行為操作，專業(yè)一點叫“反監(jiān)控”。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

源網(wǎng)站一般會有下面幾種限制：
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

1、一定時間內(nèi)單個IP訪問次數(shù)，一個正常用戶訪問網(wǎng)站，除非是隨意的點著玩，否則不會在一段持續(xù)時間內(nèi)過快訪問一個網(wǎng)站，持續(xù)時間也不會太長。這個問題好辦，我們可以采用大量不規(guī)則代理IP形成一個代理池，隨機從代理池中選擇代理，模擬訪問。代理IP有兩種，透明代理和匿名代理。4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

2、一定時間內(nèi)單個賬號訪問次數(shù)，如果一個人一天24小時都在訪問一個數(shù)據(jù)接口，而且速度非?？欤蔷陀锌赡苁菣C器人了。我們可以采用大量行為正常的賬號，行為正常就是普通人怎么在社交網(wǎng)站上操作，并且單位時間內(nèi)，訪問URL數(shù)目盡量減少，可以在每次訪問中間間隔一段時間，這個時間間隔可以是一個隨機值，即每次訪問完一個URL，隨機隨眠一段時間，再接著訪問下一個URL。
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

如果能把賬號和IP的訪問策略控制好了，基本就沒什么問題了。當然對方網(wǎng)站也會有運維會調整策略，敵我雙方的一場較量，爬蟲必須要能感知到對方的反監(jiān)控將會對我們有影響，通知管理員及時處理。其實**理想的是能夠通過機器學習，智能的實現(xiàn)反監(jiān)控對抗，實現(xiàn)不間斷地抓取。
4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

下面是本人近期正在設計的一個分布式爬蟲架構圖，如圖1所示：4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺

純屬拙作，初步思路正在實現(xiàn)，正在搭建服務器和客戶端之間的通信，主要使用了Python的Socket模塊實現(xiàn)服務器端和客戶端的通信。如果有興趣，可以單獨和我聯(lián)系，共同探討完成更優(yōu)的方案。

以上就是深入理解Python分布式爬蟲原理的詳細內(nèi)容，更多請關注少兒編程網(wǎng)其它相關文章！4NQ少兒編程網(wǎng)-Scratch_Python_教程_免費兒童編程學習平臺