Fork me on GitHub

爬虫之全站爬取方法

发表于 | 分类于 

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。