詳解4種類型的爬蟲技術(shù)

來源：大數(shù)據(jù)DT
作者：趙國生、王健

本文約3600字，建議閱讀7分鐘
網(wǎng)絡(luò)爬蟲是一種很好的自動(dòng)采集數(shù)據(jù)的通用手段，本文將會(huì)對(duì)爬蟲的類型進(jìn)行介紹。

• 聚焦網(wǎng)絡(luò)爬蟲是“面向特定主題需求”的一種爬蟲程序，而通用網(wǎng)絡(luò)爬蟲則是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。

• 增量抓取意即針對(duì)某個(gè)站點(diǎn)的數(shù)據(jù)進(jìn)行抓取，當(dāng)網(wǎng)站的新增數(shù)據(jù)或者該站點(diǎn)的數(shù)據(jù)發(fā)生變化后，自動(dòng)地抓取它新增的或者變化后的數(shù)據(jù)。

• Web頁面按存在方式可以分為表層網(wǎng)頁（surface Web）和深層網(wǎng)頁（deep Web，也稱invisible Web pages或hidden Web）。

• 表層網(wǎng)頁是指?jìng)鹘y(tǒng)搜索引擎可以索引的頁面，即以超鏈接可以到達(dá)的靜態(tài)網(wǎng)頁為主來構(gòu)成的Web頁面。

• 深層網(wǎng)頁是那些大部分內(nèi)容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關(guān)鍵詞才能獲得的Web頁面。

1、聚焦爬蟲技術(shù)

聚焦網(wǎng)絡(luò)爬蟲（focused crawler）也就是主題網(wǎng)絡(luò)爬蟲。聚焦爬蟲技術(shù)增加了鏈接評(píng)價(jià)和內(nèi)容評(píng)價(jià)模塊，其爬行策略實(shí)現(xiàn)要點(diǎn)就是評(píng)價(jià)頁面內(nèi)容以及鏈接的重要性。

基于鏈接評(píng)價(jià)的爬行策略，主要是以Web頁面作為半結(jié)構(gòu)化文檔，其中擁有很多結(jié)構(gòu)信息可用于評(píng)價(jià)鏈接重要性。還有一個(gè)是利用Web結(jié)構(gòu)來評(píng)價(jià)鏈接價(jià)值的方法，也就是HITS法，其通過計(jì)算每個(gè)訪問頁面的Authority權(quán)重和Hub權(quán)重來決定鏈接訪問順序。

而基于內(nèi)容評(píng)價(jià)的爬行策略，主要是將與文本相似的計(jì)算法加以應(yīng)用，提出Fish-Search算法，把用戶輸入查詢?cè)~當(dāng)作主題，在算法的進(jìn)一步改進(jìn)下，通過Shark-Search算法就能利用空間向量模型來計(jì)算頁面和主題相關(guān)度大小。

面向主題爬蟲，面向需求爬蟲：會(huì)針對(duì)某種特定的內(nèi)容去爬取信息，而且會(huì)保證信息和需求盡可能相關(guān)。一個(gè)簡(jiǎn)單的聚焦爬蟲使用方法的示例如下所示。

• 【例1】一個(gè)簡(jiǎn)單的爬取圖片的聚焦爬蟲

  
  

import urllib.request    # 爬蟲專用的包urllib，不同版本的Python需要下載不同的爬蟲專用包import re    # 正則用來規(guī)律爬取keyname=""    # 想要爬取的內(nèi)容key=urllib.request.quote(keyname)    # 需要將你輸入的keyname解碼，從而讓計(jì)算機(jī)讀懂for i in range(0,5):   # (0,5)數(shù)字可以自己設(shè)置，是淘寶某產(chǎn)品的頁數(shù)    url="https://s.taobao.com/search?q="+key+"&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180815&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s="+str(i*44)# url后面加上你想爬取的網(wǎng)站名，然后你需要多開幾個(gè)類似的網(wǎng)站以找到其規(guī)則# data是你爬取到的網(wǎng)站所有的內(nèi)容要解碼要讀取內(nèi)容    pat='"pic_url":"http://(.*?)"'# pat使用正則表達(dá)式從網(wǎng)頁爬取圖片# 將你爬取到的內(nèi)容放在一個(gè)列表里面    print(picturelist)    # 可以不打印，也可以打印下來看看    for j in range(0,len(picturelist)):        picture=picturelist[j]        pictureurl="http://"+picture        # 將列表里的內(nèi)容遍歷出來，并加上http://轉(zhuǎn)到高清圖片        file="E:/pycharm/vscode文件/圖片/"+str(i)+str(j)+".jpg"        # 再把圖片逐張編號(hào)，不然重復(fù)的名字將會(huì)被覆蓋掉        urllib.request.urlretrieve(pictureurl,filename=file)        # 最后保存到文件夾

2、通用爬蟲技術(shù)

通用爬蟲技術(shù)（general purpose Web crawler）也就是全網(wǎng)爬蟲。其實(shí)現(xiàn)過程如下。

• 第一，獲取初始URL。初始URL地址可以由用戶人為指定，也可以由用戶指定的某個(gè)或某幾個(gè)初始爬取網(wǎng)頁決定。

• 第二，根據(jù)初始的URL爬取頁面并獲得新的URL。獲得初始的URL地址之后，需要先爬取對(duì)應(yīng)URL地址中的網(wǎng)頁，接著將網(wǎng)頁存儲(chǔ)到原始數(shù)據(jù)庫中，并且在爬取網(wǎng)頁的同時(shí)，發(fā)現(xiàn)新的URL地址，并且將已爬取的URL地址存放到一個(gè)URL列表中，用于去重及判斷爬取的進(jìn)程。

• 第三，將新的URL放到URL隊(duì)列中，在第二步獲取下一個(gè)新的URL地址之后，會(huì)將新的URL地址放到URL隊(duì)列中。

• 第四，從URL隊(duì)列中讀取新的URL，并依據(jù)新的URL爬取網(wǎng)頁，同時(shí)從新的網(wǎng)頁中獲取新的URL并重復(fù)上述的爬取過程。

• 第五，滿足爬蟲系統(tǒng)設(shè)置的停止條件時(shí)，停止爬取。在編寫爬蟲的時(shí)候，一般會(huì)設(shè)置相應(yīng)的停止條件。如果沒有設(shè)置停止條件，爬蟲便會(huì)一直爬取下去，一直到無法獲取新的URL地址為止，若設(shè)置了停止條件，爬蟲則會(huì)在停止條件滿足時(shí)停止爬取。

通用爬蟲技術(shù)的應(yīng)用有著不同的爬取策略，其中的廣度優(yōu)先策略以及深度優(yōu)先策略都是比較關(guān)鍵的，如深度優(yōu)先策略的實(shí)施是依照深度從低到高的順序來訪問下一級(jí)網(wǎng)頁鏈接。

關(guān)于通用爬蟲使用方法的示例如下。

• 【例2】爬取京東商品信息

  
  

'''爬取京東商品信息：    請(qǐng)求url：https://www.jd.com/    提取商品信息：        1.商品詳情頁        2.商品名稱        3.商品價(jià)格        4.評(píng)價(jià)人數(shù)        5.商品商家'''from selenium import webdriver    # 引入selenium中的webdriverfrom selenium.webdriver.common.keys import Keysimport time
def get_good(driver):    try:
        # 通過JS控制滾輪滑動(dòng)獲取所有商品信息        js_code = '''            window.scrollTo(0,5000);        '''        driver.execute_script(js_code)  # 執(zhí)行js代碼
        # 等待數(shù)據(jù)加載        time.sleep(2)
        # 查找所有商品div        # good_div = driver.find_element_by_id('J_goodsList')        good_list = driver.find_elements_by_class_name('gl-item')        n = 1        for good in good_list:            # 根據(jù)屬性選擇器查找            # 商品鏈接            good_url = good.find_element_by_css_selector(                '.p-img a').get_attribute('href')
            # 商品名稱            good_name = good.find_element_by_css_selector(                '.p-name em').text.replace("\n", "--")
            # 商品價(jià)格            good_price = good.find_element_by_class_name(                'p-price').text.replace("\n", ":")
            # 評(píng)價(jià)人數(shù)            good_commit = good.find_element_by_class_name(                'p-commit').text.replace("\n", " ")
            good_content = f'''                        商品鏈接: {good_url}                        商品名稱: {good_name}                        商品價(jià)格: {good_price}                        評(píng)價(jià)人數(shù): {good_commit}                        \n                        '''            print(good_content)            with open('jd.txt', 'a', encoding='utf-8') as f:                f.write(good_content)
        next_tag = driver.find_element_by_class_name('pn-next')        next_tag.click()
        time.sleep(2)
        # 遞歸調(diào)用函數(shù)        get_good(driver)
        time.sleep(10)
    finally:        driver.close()

if __name__ == '__main__':
    good_name = input('請(qǐng)輸入爬取商品信息:').strip()
    driver = webdriver.Chrome()    driver.implicitly_wait(10)    # 往京東主頁發(fā)送請(qǐng)求    driver.get('https://www.jd.com/')
    # 輸入商品名稱，并回車搜索    input_tag = driver.find_element_by_id('key')    input_tag.send_keys(good_name)    input_tag.send_keys(Keys.ENTER)    time.sleep(2)
    get_good(driver)

3、增量爬蟲技術(shù)

某些網(wǎng)站會(huì)定時(shí)在原有網(wǎng)頁數(shù)據(jù)的基礎(chǔ)上更新一批數(shù)據(jù)。例如某電影網(wǎng)站會(huì)實(shí)時(shí)更新一批最近熱門的電影，小說網(wǎng)站會(huì)根據(jù)作者創(chuàng)作的進(jìn)度實(shí)時(shí)更新最新的章節(jié)數(shù)據(jù)等。在遇到類似的場(chǎng)景時(shí)，我們便可以采用增量式爬蟲。

增量爬蟲技術(shù)（incremental Web crawler）就是通過爬蟲程序監(jiān)測(cè)某網(wǎng)站數(shù)據(jù)更新的情況，以便可以爬取到該網(wǎng)站更新后的新數(shù)據(jù)。

關(guān)于如何進(jìn)行增量式的爬取工作，以下給出三種檢測(cè)重復(fù)數(shù)據(jù)的思路：

1. 在發(fā)送請(qǐng)求之前判斷這個(gè)URL是否曾爬取過；

2. 在解析內(nèi)容后判斷這部分內(nèi)容是否曾爬取過；

3. 寫入存儲(chǔ)介質(zhì)時(shí)判斷內(nèi)容是否已存在于介質(zhì)中。

• 第一種思路適合不斷有新頁面出現(xiàn)的網(wǎng)站，比如小說的新章節(jié)、每天的實(shí)時(shí)新聞等；

• 第二種思路則適合頁面內(nèi)容會(huì)定時(shí)更新的網(wǎng)站；

• 第三種思路則相當(dāng)于最后一道防線。這樣做可以最大限度地達(dá)到去重的目的。

不難發(fā)現(xiàn)，實(shí)現(xiàn)增量爬取的核心是去重。目前存在兩種去重方法。

• 第一，對(duì)爬取過程中產(chǎn)生的URL進(jìn)行存儲(chǔ)，存儲(chǔ)在Redis的set中。當(dāng)下次進(jìn)行數(shù)據(jù)爬取時(shí)，首先在存儲(chǔ)URL的set中對(duì)即將發(fā)起的請(qǐng)求所對(duì)應(yīng)的URL進(jìn)行判斷，如果存在則不進(jìn)行請(qǐng)求，否則才進(jìn)行請(qǐng)求。

• 第二，對(duì)爬取到的網(wǎng)頁內(nèi)容進(jìn)行唯一標(biāo)識(shí)的制定（數(shù)據(jù)指紋），然后將該唯一標(biāo)識(shí)存儲(chǔ)至Redis的set中。當(dāng)下次爬取到網(wǎng)頁數(shù)據(jù)的時(shí)候，在進(jìn)行持久化存儲(chǔ)之前，可以先判斷該數(shù)據(jù)的唯一標(biāo)識(shí)在Redis的set中是否存在，從而決定是否進(jìn)行持久化存儲(chǔ)。

關(guān)于增量爬蟲的使用方法示例如下所示。

• 【例3】爬取4567tv網(wǎng)站中所有的電影詳情數(shù)據(jù)

import scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom redis import Redisfrom incrementPro.items import IncrementproItemclass MovieSpider(CrawlSpider):    name = 'movie'    # allowed_domains = ['www.xxx.com']    start_urls = ['http://www.4567tv.tv/frim/index7-11.html']    rules = (        Rule(LinkExtractor(allow=r'/frim/index7-\d+\.html'), callback='parse_item', follow=True),    )    # 創(chuàng)建Redis鏈接對(duì)象    conn = Redis(host='127.0.0.1', port=6379)    def parse_item(self, response):        li_list = response.xpath('//li[@class="p1 m1"]')        for li in li_list:            # 獲取詳情頁的url            detail_url = 'http://www.4567tv.tv' + li.xpath('./a/@href').extract_first()            # 將詳情頁的url存入Redis的set中            ex = self.conn.sadd('urls', detail_url)            if ex == 1:                print('該url沒有被爬取過，可以進(jìn)行數(shù)據(jù)的爬取')                yield scrapy.Request(url=detail_url, callback=self.parst_detail)            else:                print('數(shù)據(jù)還沒有更新，暫無新數(shù)據(jù)可爬取！')
    # 解析詳情頁中的電影名稱和類型，進(jìn)行持久化存儲(chǔ)    def parst_detail(self, response):        item = IncrementproItem()        item['name'] = response.xpath('//dt[@class="name"]/text()').extract_first()        item['kind'] = response.xpath('//div[@class="ct-c"]/dl/dt[4]//text()').extract()        item['kind'] = ''.join(item['kind'])        yield it

管道文件：

from redis import Redisclass IncrementproPipeline(object):    conn = None    def open_spider(self,spider):        self.conn = Redis(host='127.0.0.1',port=6379)    def process_item(self, item, spider):        dic = {            'name':item['name'],            'kind':item['kind']            }        print(dic)        self.conn.push('movieData',dic)            # 如果push不進(jìn)去，那么dic變成str(dic)或者改變r(jià)edis版本           pip install -U redis==2.10.6        return item

4、深層網(wǎng)絡(luò)爬蟲技術(shù)

在互聯(lián)網(wǎng)中，網(wǎng)頁按存在方式可以分為表層網(wǎng)頁和深層網(wǎng)頁兩類。

所謂的表層網(wǎng)頁，指的是不需要提交表單，使用靜態(tài)的鏈接就能夠到達(dá)的靜態(tài)頁面；而深層網(wǎng)頁則隱藏在表單后面，不能通過靜態(tài)鏈接直接獲取，是需要提交一定的關(guān)鍵詞后才能夠獲取到的頁面，深層網(wǎng)絡(luò)爬蟲（deep Web crawler）最重要的部分即為表單填寫部分。

在互聯(lián)網(wǎng)中，深層網(wǎng)頁的數(shù)量往往要比表層網(wǎng)頁的數(shù)量多很多，故而，我們需要想辦法爬取深層網(wǎng)頁。

深層網(wǎng)絡(luò)爬蟲的基本構(gòu)成：URL列表、LVS列表（LVS指的是標(biāo)簽/數(shù)值集合，即填充表單的數(shù)據(jù)源）、爬行控制器、解析器、LVS控制器、表單分析器、表單處理器、響應(yīng)分析器。

深層網(wǎng)絡(luò)爬蟲的表單填寫有兩種類型：

• 基于領(lǐng)域知識(shí)的表單填寫（建立一個(gè)填寫表單的關(guān)鍵詞庫，在需要的時(shí)候，根據(jù)語義分析選擇對(duì)應(yīng)的關(guān)鍵詞進(jìn)行填寫）；

• 基于網(wǎng)頁結(jié)構(gòu)分析的表單填寫（一般在領(lǐng)域知識(shí)有限的情況下使用，這種方式會(huì)根據(jù)網(wǎng)頁結(jié)構(gòu)進(jìn)行分析，并自動(dòng)地進(jìn)行表單填寫）。