数据抓取原理及常见爬虫框架、代理示例

文章转自 http://www.data5u.com/

 

数据爬虫概述

 

爬虫，即网络爬虫（Web crawler），是一种自动获取网页内容的程序。

 

是搜索引擎的重要组成部分，因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。 

 

搜索引擎的处理对象是互联网网页，日前网页数量以百亿计，所以搜索引擎首先面临的问题就是：如何能够设计出高效的下载系统，以将如此海量的网页数据传送到本地，在本地形成互联网网页的镜像备份。

 

网络爬虫即起此作用，它是搜索引擎系统中很关键也很基础的构件。

 

这里主要介绍与网络爬虫相关的技术，尽管爬虫技术经过几十年的发展，从整体框架上已相对成熟，现阶段已经有各种语言开发的成熟的爬虫项目，比如Python的Scrapy，C++的larbin，Java的Nutch等

 

但随着互联网的不断发展，也面临着一些有挑战性的新问题。

 

比如页面采用JS动态加载，IP被封禁等问题，本节课也会给出对应的解决方案。

 

数据爬虫实现原理

 

下图所示是一个通用的爬虫框架流程。

 

首先从互联网页面中精心选择一部分网页，以这些网页的链接地址作为种子URL，

 

将这些种子URL放入待抓取URL队列中，爬虫从待抓取URL队列依次读取，解析新的URL，确认这个URL没有抓取过之后，再次放入带抓取队列，

 

同时还会解析网页的内容，获取程序需要的部分，进行最终的处理（存入数据库、建索引等）。

 

上述是一个通用爬虫的整体流程，如果从更加宏观的角度考虑，处于动态抓取过程中的爬虫和互联网所有网页之间的关系，可以将互联网页面划分为5个部分：

 

1.已下载网页集合：爬虫已经从互联网下载到本地进行索引的网页集合。

 

2.已过期网页集合：由于网页数最巨大，爬虫完整抓取一轮需要较长时间，在抓取过程中，很多已经下载的网页可能过期。之所以如此，是因为互联网网页处于不断的动态变化过程中，所以易产生本地网页内容和真实互联网网页不一致的情况。

 

3.待下载网页集合：即处于上图中待抓取URL队列中的网页，这些网页即将被爬虫下载。

 

4.可知网页集合：这些网页还没有被爬虫下载，也没有出现在待抓取URL队列中，不过通过已经抓取的网页或者在待抓取URL队列中的网页，总足能够通过链接关系发现它们，稍晚时候会被爬虫抓取并索引。

 

5.不可知网页集合：有些网页对于爬虫来说是无法抓取到的，这部分网页构成了不可知网页集合。事实上，这部分网页所占的比例很高。

 

根据不同的应用，爬虫系统在许多方面存在差异，大体而言，可以将爬虫划分为如下三种类型:

 

1. 批量型爬虫（Batch Crawler）：批量型爬虫有比较明确的抓取范围和目标，当爬虫达到这个设定的目标后，即停止抓取过程。至于具体目标可能各异，也许是设定抓取一定数量的网页即可，也许是设定抓取消耗的时间等。

 

2.增量型爬虫（Incremental Crawler）：增量型爬虫与批量型爬虫不同，会保持持续不断的抓取，对于抓取到的网页，要定期更新，因为互联网的网页处于不断变化中，新增网页、网页被删除或者网页内容更改都很常见，而增量型爬虫需要及时反映这种变化，所以处于持续不断的抓取过程中，不是在抓取新网页，就是在更新已有网页。通用的商业搜索引擎爬虫基本都属此类。

 

3.垂直型爬虫(Focused Crawter）：垂直型爬虫关注特定主题内容或者属于特定行业的网页，比如对于健康网站来说，只需要从互联网页而里找到与健康相关的页面内容即可，其他行业的内容不在考虑范围。垂直型爬虫一个最大的特点和难点就是：如何识别网页内容是否属于指定行业或者主题。从节省系统资源的角度来说，不太可能把所有互联网页面下载下来之后再去筛选，这样浪费资源就太过分了，往往需要爬虫在抓取阶段就能够动态识别某个网址是否与主题相关，并尽量不去抓墩无关页面，以达到节省资源的目的。垂直搜索网站或者垂直行业网站往往需要此种类型的爬虫。

 

常见的数据爬虫 

 

webmagic

webmagic是一个无须配置、便于二次开发的爬虫框架，它提供简单灵活的API，只需少量代码即可实现一个爬虫。

webmagic采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。

webmagic包含强大的页面抽取功能，开发者可以便捷的使用css selector、xpath和正则表达式进行链接和内容的提取，支持多个选择器链式调用。

Heritrix

 

Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。

 

Heritrix采用的是模块化的设计，各个模块由一个控制器类（CrawlController类）来协调，控制器是整体的核心。

 

Scrapy

 

Scrapy 是纯python实现的爬虫框架，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便～

 

Soukey

 

Soukey采摘网站数据采集软件是一款基于.Net平台的开源软件，也是网站数据采集软件类型中唯一一款开源软件。尽管Soukey采摘开源，但并不会影响软件功能的提供，甚至要比一些商用软件的功能还要丰富。多任务多线程数据采集，支持POST方式；可采集Ajax页面；支持Cookie，支持手工登录采集数据；等

 

下一课时我们要用Java语言实现一套自己的爬虫。

 

用Java实现数据爬虫

 

 

按照整体逻辑图，我们需要先确定一个要抓去的网址，分析网址源码，从这个网址中解析所有待抓取URL

 

同时从源码中解析目标内容，进行处理。

 

重复上述步骤即可。

 

1. 需要定义一个Set类用于存储待抓取URL

 

2. 定一个Set类，存储已经处理过的URL

 

HttpUrlConnection抓数据

 

 

Jsoup抓数据

 

Jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

 

 

HtmlUnit - WebClient抓数据

 

 

IP被封禁的解决方案

 

频繁抓取一个网站，最常见的问题就是IP被封，返回的Http状态码是403 Forbidden

 

这种情况下就需要更换IP，使用高匿名代理IP

 

那么IP从哪里获取呢   http://www.data5u.com/