基础知识 - 爬虫

从网站pull data的时候，就需要做一个爬虫。任何能通过浏览器浏览的内容都可以被抓取。Crawler爬虫、Spider蜘蛛、Scraper采集器三个说的大概都是一个东西，稍有不同。做爬虫需要精通线程、队列、分布式处理。

1）分类
通用爬虫（抓取链接的整个页面）和垂直爬虫（抓取某类网站的指定数据）
*** 一般说的爬虫指的都是垂直爬虫。

2）爬什么
百度、歌曲、电影、图书
百度云盘、BT种子
社交网路（微信、微博、知乎、豆瓣）
股票信息（雪球）
电商信息（天猫、京东）
新闻资讯（腾讯、网易、新浪）
联系人信息（邮件、电话）
等一切想要获取的数据。
*** 更多看知乎上的讨论：能利用爬虫技术做到哪些很酷很有趣很有用的事情？

3）工作原理
a.给爬虫一个种子URL
b.获取页面内容并存储，抽取页面中的URL
c.将新获取到的URL加入到URL队列中，等待处理
d.从URL队列中获取一个URL然后重复步骤b

4）抓取策略
深度优先策略：先访问子级网页，再访问同级网页。
广度优先策略：先访问同级网页，在访问子级网页。
最佳优先策略：优先访问包含有目标信息的网页。

5）抓取数据源
RSS、API、AJAX、Web（Pagination）

6）数据提起
正则匹配、DOM树（CSS path、XPath）
*** 一般爬虫都会爬取多个网站，所以需要对各个网站的解析规则统一管理。

7）数据去重
不重复抓取同样的URL
shingling算法
simHash算法
MD5 Checksum

8）爬取步骤
Crawling 抓取有用的数据源
Downloading 下载数据源的内容
Scraping 提取有用的数据信息（数据检查）
Extracting 提取数据信息中的数据元素（去重 分类）
Formatting 将数据元素整理成其他系统需要的格式
Exporting 将数据导出到其他系统（存储到数据库或建立索引）
*** 特殊网站的处理：模拟登陆、验证码识别、多网站抓取、JS渲染

9）检测爬虫的方法
User-Agent判断
短时间内同一IP的频繁访问
同一处理的多次执行
Honeypots检测：设置一些人类无法访问的连接

10）发爬虫策略
尽可能遵守robots.txt
限制爬取的速度、深度及页面数
减少并发请求数
伪装UA（动态User-Agent）
使用代理IP （IP Rotation, Proxies，Blacklisting）
不要抓取nofollow  display:none 的连接
随机变化抓取模型，不要只执行一个任务
*** 网站认定为爬虫时：出现验证码输入、没有用的信息、HTTP错误
*** 重新进行ADSL拨号，获取新的IP

11）监控
爬虫服务器监控：带宽、CPU、内存、磁盘
爬虫程序的监控：爬虫程序是否正常运行
目标网站的监控：数据源是否可用，数据源结构是否改变
抓取信息的监控：信息是否乱码

12）开源框架
a.框架
Python
  Scrapy https://github.com/scrapy/scrapy
  pyspider https://github.com/binux/pyspider
Java
  crawler4j https://github.com/yasserg/crawler4j
  WebMagic https://github.com/code4craft/webmagic
b.HTTP请求
  urlli或HttpURLConnection、HttpClient
c.HTML解析
  BeautifulSoup https://www.crummy.com/software/BeautifulSoup/
  jsoup https://jsoup.org/
d.JS渲染
  Selenium http://www.seleniumhq.org/
  PhantomJS http://phantomjs.org/
e.其他
  Elasticsearch、Redis

参考：
https://github.com/lorien/awesome-web-scraping
http://www.cnblogs.com/wawlian/archive/2012/06/18/2553061.html
http://www.lanceyan.com/tech/arch/snscrawler.html