Fork me on GitHub

爬虫之全站爬取方法

1
这是崔斯特的第六十九篇原创文章

方法

做过好几个关于网站全站的项目,这里总结一下。

先把上面那张图写下来,全站爬取的两种方法:

  1. 关系网络:
    1. 优点:简单;可以抓取“热门”数据
    2. 缺点:无法抓取全量数据;速度慢;需要解决去重问题
    3. 可行性:比较高
  2. 遍历ID
    1. 优点:可以抓取所有数据;不用数据去重
    2. 缺点:资源消耗大;速度慢;可能被发现
    3. 可行性:仅可用于ID自增

关于关系网络

其实这个很好理解。比如说知乎,一个大V有100W粉丝,从这个大V出发,抓取粉丝的粉丝,一直循环下去。(可能是个死循环)

这个方法就比较简单,Scrapy中就是继承CrawlSpider,再编写匹配规则就好。

Example

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
import scrapy
from scrapy.spiders import CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
class MySpider(CrawlSpider):
name = 'example.com'
allowed_domains = ['example.com']
start_urls = ['http://www.example.com']
rules = (
# Extract links matching 'category.php' (but not matching 'subsection.php')
# and follow links from them (since no callback means follow=True by default).
Rule(LinkExtractor(allow=('category\.php', ), deny=('subsection\.php', ))),
# Extract links matching 'item.php' and parse them with the spider's method parse_item
Rule(LinkExtractor(allow=('item\.php', )), callback='parse_item'),
)
def parse_item(self, response):
self.logger.info('Hi, this is an item page! %s', response.url)
item = scrapy.Item()
item['id'] = response.xpath('//td[@id="item_id"]/text()').re(r'ID: (\d+)')
item['name'] = response.xpath('//td[@id="item_name"]/text()').extract()
item['description'] = response.xpath('//td[@id="item_description"]/text()').extract()
return item

这种方法一般是搜索引擎会做的。而且抓取的内容基本是最多人看到的,所以月排在前面,和SEO有关。

但是这种方法的缺点也是很明显的,最明显的就是没法抓全数据,像那种冷门的数据就没法抓取到,速度也是比较慢的,必须保存去重队列,以防止重复抓取页面。(了解下布隆过滤器

如果对数据完整性要求没那么高可以考虑这种方法。

遍历ID

找各种方法就比较无脑了,啥也不用想,从0开始遍历跑吧。

毫无疑问,这种方法可以抓取网站所有的数据,因为在开始抓取前就已经完成的去重,所以这方面就不用管了。

但是缺点也很明显,因为是遍历ID,所以需要很多服务器资源和代理资源,有可能某个ID已经下架或失效。所以整个工程请求量会非常大。而且可能被别人发现,一般人都去看那些热门帖子,结果你把那么重来没人看的翻了一遍,别人也会发现数据异常的(也会存在假数据的情况😭)。

而且这种方法之适用于ID自增的,大多数是数字ID递增,比如说天眼查的:

1
2
3
https://www.tianyancha.com/company/24762997
https://www.tianyancha.com/company/150041670
https://www.tianyancha.com/company/1073358312

知乎也是:

1
2
3
https://zhuanlan.zhihu.com/p/47969297
https://zhuanlan.zhihu.com/p/48652497
https://zhuanlan.zhihu.com/p/47805332

应该是和数字有关系,可以先采样进行抓取,研究数据分布情况。

当提供不正确ID时,也会返回数据不存在的情况

在这里提供一个生成ID的方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
def gen_uid(num):
"""
使用生成器生成ID
:param num: 起始ID
:return: 生成器
"""
js = 0
result = list()
while js < 20000:
num += 1
js += 1
result.append(num)
yield result

最后再看看这张图。两种方法都有优缺点,根据实际需求选取,如果你还知道别的抓取方法,欢迎指出。

本文标题:爬虫之全站爬取方法

文章作者:小歪

发布时间:2018年11月07日 - 19:11

最后更新:2018年11月08日 - 15:11

原始链接:https://zhangslob.github.io/2018/11/07/爬虫之全站爬取方法/

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

小歪 wechat
欢迎关注公众号