一篇了解爬蟲技術方方面面

原理

傳統(tǒng)爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統(tǒng)的一定停止條件。聚焦爬蟲的工作流程較為復雜，需要根據一定的網頁分析算法過濾與主題無關的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊列。

然后，它將根據一定的搜索策略從隊列中選擇下一步要抓取的網頁URL，并重復上述過程，直到達到系統(tǒng)的某一條件時停止。另外，所有被爬蟲抓取的網頁將會被系統(tǒng)存貯，進行一定的分析、過濾，并建立索引，以便之后的查詢和檢索；

所以一個完整的爬蟲一般會包含如下三個模塊：

網絡請求模塊

爬取流程控制模塊

內容分析提取模塊

網絡請求

我們常說爬蟲其實就是一堆的http(s)請求，找到待爬取的鏈接，然后發(fā)送一個請求包，得到一個返回包，當然，也有HTTP長連接(keep-alive)或h5中基于stream的websocket協(xié)議，這里暫不考慮；

所以核心的幾個要素就是：

url

請求header、body

響應herder、內容

URL

爬蟲開始運行時需要一個初始url，然后會根據爬取到的html文章，解析里面的鏈接，然后繼續(xù)爬取，這就像一棵多叉樹，從根節(jié)點開始，每走一步，就會產生新的節(jié)點。為了使爬蟲能夠結束，一般都會指定一個爬取深度(Depth)。

Http請求

http請求信息由請求方法(method)、請求頭(headers)、請求正文(body)三部分組成。由于method一般是header中的第一行，也可以說請求頭中包含請求方法，下面是chrome訪問請求頭的一部分：

對于爬蟲需要注意的是請求方法是post時，需要將請求的參數先進行urlencode后再發(fā)送，后臺收到請求信息后可能會做一些校驗，這可能會影響到爬取，相關的header字段如下：

Basic Auth

這是一種古老的、不安全的用戶驗證方式，一般會有用戶授權的限制，會在headers的Autheration字段里要求加入用戶名密碼(明文)，如果驗證失敗則請求就會失敗，現(xiàn)在這種認證方式正在被淘汰。

Referer

鏈接的來源，通常在訪問鏈接時，都要帶上Referer字段，服務器會進行來源驗證，后臺通常會用此字段作為防盜鏈的依據。

User-Agent

后臺通常會通過此字段判斷用戶設備類型、系統(tǒng)以及瀏覽器的型號版本。有些編程語言包里網絡請求會自定義User-Agent，可以被辨別出來，爬蟲中可以設置為瀏覽器的ua.

Cookie

一般在用戶登錄或者某些操作后，服務端會在返回包中包含Cookie信息要求瀏覽器設置Cookie，沒有Cookie會很容易被辨別出來是偽造請求；

也有本地通過JS，根據服務端返回的某個信息進行處理生成的加密信息，設置在Cookie里面；

JavaScript加密操作

在進行敏感數據傳輸時，一般都會通過javascript進行加密，例如qq空間就會對用戶登陸密碼進行RSA加密后再發(fā)送給服務器，因此，爬蟲在模擬登陸時需要自己去請求公鑰，然后加密。

自定義字段

因為http的headers可以自定義地段，所以第三方可能會加入了一些自定義的字段名稱或者字段值，這也是需要注意的。

流程控制

所謂爬取流程，就是按照什么樣的規(guī)則順序去爬。在爬取任務不大的情況下，爬取的流程控制不會太麻煩，很多爬取框架都已經幫你做了如scrapy，只需要自己實現(xiàn)解析的代碼。

但在爬取一些大型網站時，例如全網抓取京東的評論，微博所有人的信息，關注關系等等，這種上十億到百億次設置千億次的請求必須考慮效率，否則一天只有86400秒，那么一秒鐘要抓100次，一天也才8640w次請求，也需要100多天才能到達十億級別的請求量。

涉及到大規(guī)模的抓取，一定要有良好的爬蟲設計，一般很多開源的爬蟲框架也都是有限制的，因為中間涉及到很多其他的問題，例如數據結構，重復抓取過濾的問題，當然最重要的是要把帶寬利用滿。

所以分布式抓取很重要，這時流程控制就會很重要，分布式最重要的就是多臺機器不同線程的調度和配合，通常會共享一個url隊列，然后各個線程通過消息通信，如果想要抓的越多越快，那么對中間的消息系統(tǒng)的吞吐量要求也越高。

現(xiàn)在也有一些開源的分布式爬取框架如scrapy-redis就是一個重寫了scrapy的調度模塊、隊列、管道的包，redis數據庫是用來在分布式中做請求隊列共享，scrapyd是用來部署scrapy的,scrapyd-api用來啟動獲取數據。

內容分析提取

請求headers的Accept-Encoding字段表示瀏覽器告訴服務器自己支持的壓縮算法（目前最多的是gzip），如果服務器開啟了壓縮，返回時會對響應體進行壓縮，爬蟲需要自己解壓；

過去我們常需要獲取的內容主要來源于網頁html文檔本身，也就是說，我們決定進行抓取的時候，都是html中包含的內容，但是隨著這幾年web技術飛速的發(fā)展，動態(tài)網頁越來越多，尤其是移動端，大量的SPA應用，這些網站中大量的使用了ajax技術。

我們在瀏覽器中看到的網頁已不全是html文檔說包含的，很多都是通過javascript動態(tài)生成的，一般來說，我們最終眼里看到的網頁包括以下三種：

Html文檔本身包含內容

這種情況是最容易解決的，一般來講基本上是靜態(tài)網頁已經寫死的內容，或者動態(tài)網頁，采用模板渲染，瀏覽器獲取到HTML的時候已經是包含所有的關鍵信息，所以直接在網頁上看到的內容都可以通過特定的HTML標簽得到。

這種情況解析也是很簡單的，一般的方法有一下幾種：

CSS選擇器

XPATH（這個值得學習一下）

正則表達式或普通字符串查找

JavaScript代碼加載內容

一般來說有兩種情況：一種情況是在請求到html文檔時，網頁的數據在js代碼中，而并非在html標簽中，之所以我們看到的網頁是正常的，那是因為，其實是由于執(zhí)行js代碼動態(tài)添加到標簽里面的。

所以這個時候內容在js代碼里面的，而js的執(zhí)行是在瀏覽器端的操作，所以用程序去請求網頁地址的時候，得到的response是網頁代碼和js的代碼，所以自己在瀏覽器端能看到內容，解析時由于js未執(zhí)行，肯定找到指定HTML標簽下內容肯定為空，如百度的主頁就是這種，這個時候的處理辦法，一般來講主要是要找到包含內容的js代碼串，然后通過正則表達式獲得相應的內容，而不是解析HTML標簽。

另一種情況是在和用戶交互時，JavaScript可能會動態(tài)生成一些dom，如點擊某個按鈕彈了一個對話框等；對于這種情況，一般這些內容都是一些用戶提示相關的內容，沒什么價值，如果確實需要，可以分析一下js執(zhí)行邏輯，但這樣的情況很少。

Ajax／Fetch異步請求

這種情況是現(xiàn)在很常見的，尤其是在內容以分頁形式顯示在網頁上，并且頁面無刷新，或者是對網頁進行某個交互操作后，得到內容。對于這種頁面，分析的時候我們要跟蹤所有的請求，觀察數據到底是在哪一步加載進來的。然后當我們找到核心的異步請求的時候，就只需抓取這個異步請求就可以了，如果原始網頁沒有任何有用信息，也沒必要去抓取原始網頁了。

爬蟲技術的現(xiàn)狀

語言

理論上來說，任何支持網絡通信的語言都是可以寫爬蟲的，爬蟲本身雖然語言關系不大，但是，總有相對順手、簡單的。目前來說，大多數爬蟲是用后臺腳本類語言寫的，其中python無疑是用的最多最廣的，并且頁誕生了很多優(yōu)秀的庫和框架，如scrapy、BeautifulSoup 、pyquery、Mechanize等。

但是一般來說，搜索引擎的爬蟲對爬蟲的效率要求更高，會選用c++、java、go(適合高并發(fā))，我在大學時代就用c++實現(xiàn)了一個多線程的框架，但是發(fā)現(xiàn)和python實現(xiàn)的爬蟲效率提升并不明顯，原因是，對于簡單爬蟲，瓶頸在于數據分析及提取，而網絡效率和語言關系并不大。

值得一提的是，在近幾年node發(fā)展非?？欤?使得javascript遍地開花，有些人也開始嘗試用node做爬蟲，但是，這其實和其它后臺腳本語言沒什么區(qū)別，也不如 python簡單， 因為你依舊不能在node 里發(fā)起ajax請求，不能執(zhí)行原網頁的dom。

因為node的javascript 執(zhí)行環(huán)境和瀏覽器的執(zhí)行環(huán)境并不相同。那么，難道就真的不能像在瀏覽器中一樣用js寫爬蟲，用jquery提取內容嗎？

運行環(huán)境

爬蟲本身不區(qū)分到底是運行在windows還是Linux，又或是OSX，但從業(yè)務角度講，我們把運行在服務端(后臺)的，稱之為后臺爬蟲。而現(xiàn)在，幾乎所有的爬蟲都是后臺爬蟲。

后臺爬蟲的三大問題

后臺爬蟲在大行其道的時候，也有著些許棘手的、到目前也沒有什么好的解決方案問題，而歸根結底，這些問題的根本原因是由于后臺爬蟲的先天不足導致，在正式討論之前，我們先思考一個問題，“爬蟲和瀏覽器有什么異同？”。

相同點

本質上都是通過http/https協(xié)議請求互聯(lián)網數據

不同點

爬蟲一般為自動化程序，無需用用戶交互，而瀏覽器不是

運行場景不同；瀏覽器運行在客戶端，而爬蟲一般都跑在服務端

能力不同；瀏覽器包含渲染引擎、javascript虛擬機，而爬蟲一般都不具備這兩者。

了解了這些，我們再來看看后臺面臨的問題

問題一：交互問題

有些網頁往往需要和用戶進行一些交互，進而才能走到下一步，比如輸入一個驗證碼，拖動一個滑塊，選幾個漢字。網站之所以這么做，很多時候都是為了驗證訪問者到底是人還是機器。

而爬蟲程序遇到這種情況很難處理，傳統(tǒng)的簡單圖片驗證碼可以通過圖形處理算法讀出內容，但是隨著各種各樣，花樣百出，人神共憤的、變態(tài)的驗證碼越來越多（尤其是買火車票時，分分鐘都想爆粗口），這個問題就越來越嚴重。

問題二：Javascript 解析問題

如前文所述，javascript可以動態(tài)生成dom。目前大多數網頁屬于動態(tài)網頁（內容由javascript動態(tài)填充），尤其是在移動端，SPA/PWA應用越來越流行，網頁中大多數有用的數據都是通過ajax/fetch動態(tài)獲取后然后再由js填充到網頁dom樹中，單純的html靜態(tài)頁面中有用的數據很少。

目前主要應對的方案就是對于js ajax/fetch請求直接請求ajax/fetch的url ，但是還有一些ajax的請求參數會依賴一段javascript動態(tài)生成，比如一個請求簽名，再比如用戶登陸時對密碼的加密等等。

如果一昧的去用后臺腳本去干javascript本來做的事，這就要清楚的理解原網頁代碼邏輯，而這不僅非常麻煩，而且會使你的爬取代碼異常龐大臃腫，但是，更致命的是，有些javascript可以做的事爬蟲程序是很難甚至是不能模仿的，比如有些網站使用拖動滑塊到某個位置的驗證碼機制，這就很難再爬蟲中去模仿。

其實，總結一些，這些弊端歸根結底，是因為爬蟲程序并非是瀏覽器，沒有javascript解析引擎所致。針對這個問題，目前主要的應對策略就是在爬蟲中引入Javascript 引擎，如PhantomJS，但是又有著明顯的弊端，如服務器同時有多個爬取任務時，資源占用太大。

還有就是，這些 無窗口的javascript引擎很多時候使用起來并不能像在瀏覽器環(huán)境中一樣，頁面內部發(fā)生跳轉時，會導致流程很難控制。

問題三：IP限制

這是目前對后臺爬蟲中最致命的。網站的防火墻會對某個固定ip在某段時間內請求的次數做限制，如果沒有超過上線則正常返回數據，超過了，則拒絕請求，如qq 郵箱。

值得說明的是，ip限制有時并非是專門為了針對爬蟲的，而大多數時候是出于網站安全原因針對DOS攻擊的防御措施。后臺爬取時機器和ip有限，很容易達到上線而導致請求被拒絕。目前主要的應對方案是使用代理，這樣一來ip的數量就會多一些，但代理ip依然有限，對于這個問題，根本不可能徹底解決。