160 lines
7.7 KiB
Markdown
160 lines
7.7 KiB
Markdown
|
## 网络爬虫和相关工具
|
|||
|
|
|
|||
|
|
### 网络爬虫
|
|||
|
|
|
|||
|
|
网络爬虫（web crawler），以前经常称之为网络蜘蛛（spider），是按照一定的规则自动浏览万维网并获取信息的机器人程序（或脚本），曾经被广泛的应用于互联网搜索引擎。使用过互联网和浏览器的人都知道，网页中除了供用户阅读的文字信息之外，还包含一些超链接。网络爬虫系统正是通过网页中的超链接信息不断获得网络上的其它页面。正因如此，网络数据采集的过程就像一个爬虫或者蜘蛛在网络上漫游，所以才被形象的称为网络爬虫或者网络蜘蛛。
|
|||
|
|
|
|||
|
|
#### 爬虫的应用领域
|
|||
|
|
|
|||
|
|
在理想的状态下，所有ICP（Internet Content Provider）都应该为自己的网站提供API接口来共享它们允许其他程序获取的数据，在这种情况下爬虫就不是必需品，国内比较有名的电商平台（如淘宝、京东等）、社交平台（如腾讯微博等）等网站都提供了自己的Open API，但是这类Open API通常会对可以抓取的数据以及抓取数据的频率进行限制。对于大多数的公司而言，及时的获取行业相关数据是企业生存的重要环节之一，然而大部分企业在行业数据方面的匮乏是其与生俱来的短板，合理的利用爬虫来获取数据并从中提取出有价值的信息是至关重要的。当然爬虫还有很多重要的应用领域，以下列举了其中的一部分：
|
|||
|
|
|
|||
|
|
1. 搜索引擎
|
|||
|
|
2. 新闻聚合
|
|||
|
|
3. 社交应用
|
|||
|
|
4. 舆情监控
|
|||
|
|
5. 行业数据
|
|||
|
|
|
|||
|
|
### 合法性和背景调研
|
|||
|
|
|
|||
|
|
#### 爬虫合法性探讨
|
|||
|
|
|
|||
|
|
1. 网络爬虫领域目前还属于拓荒阶段，虽然互联网世界已经通过自己的游戏规则建立起一定的道德规范(Robots协议，全称是“网络爬虫排除标准”)，但法律部分还在建立和完善中，也就是说，现在这个领域暂时还是灰色地带。
|
|||
|
|
2. “法不禁止即为许可”，如果爬虫就像浏览器一样获取的是前端显示的数据（网页上的公开信息）而不是网站后台的私密敏感信息，就不太担心法律法规的约束，因为目前大数据产业链的发展速度远远超过了法律的完善程度。
|
|||
|
|
3. 在爬取网站的时候，需要限制自己的爬虫遵守Robots协议，同时控制网络爬虫程序的抓取数据的速度；在使用数据的时候，必须要尊重网站的知识产权（从Web 2.0时代开始，虽然Web上的数据很多都是由用户提供的，但是网站平台是投入了运营成本的，当用户在注册和发布内容时，平台通常就已经获得了对数据的所有权、使用权和分发权）。如果违反了这些规定，在打官司的时候败诉几率相当高。
|
|||
|
|
|
|||
|
|
#### Robots.txt文件
|
|||
|
|
|
|||
|
|
大多数网站都会定义robots.txt文件，下面以淘宝的[robots.txt](http://www.taobao.com/robots.txt)文件为例，看看该网站对爬虫有哪些限制。
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
User-agent: Baiduspider
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Disallow: /product/
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: Googlebot
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Allow: /product
|
|||
|
|
Allow: /spu
|
|||
|
|
Allow: /dianpu
|
|||
|
|
Allow: /oversea
|
|||
|
|
Allow: /list
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-agent: Bingbot
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Allow: /product
|
|||
|
|
Allow: /spu
|
|||
|
|
Allow: /dianpu
|
|||
|
|
Allow: /oversea
|
|||
|
|
Allow: /list
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: 360Spider
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: Yisouspider
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: Sogouspider
|
|||
|
|
Allow: /article
|
|||
|
|
Allow: /oshtml
|
|||
|
|
Allow: /product
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: Yahoo! Slurp
|
|||
|
|
Allow: /product
|
|||
|
|
Allow: /spu
|
|||
|
|
Allow: /dianpu
|
|||
|
|
Allow: /oversea
|
|||
|
|
Allow: /list
|
|||
|
|
Disallow: /
|
|||
|
|
|
|||
|
|
User-Agent: *
|
|||
|
|
Disallow: /
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
注意上面robots.txt第一段的最后一行，通过设置“Disallow: /”禁止百度爬虫访问除了“Allow”规定页面外的其他所有页面。因此当你在百度搜索“淘宝”的时候，搜索结果下方会出现：“由于该网站的robots.txt文件存在限制指令（限制搜索引擎抓取），系统无法提供该页面的内容描述”。百度作为一个搜索引擎，至少在表面上遵守了淘宝网的robots.txt协议，所以用户不能从百度上搜索到淘宝内部的产品信息。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
### 相关工具介绍
|
|||
|
|
|
|||
|
|
#### HTTP协议
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
#### 相关工具
|
|||
|
|
|
|||
|
|
1. Chrome Developer Tools
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
2. POSTMAN
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
3. HTTPie
|
|||
|
|
|
|||
|
|
```Shell
|
|||
|
|
$ http --header http://www.scu.edu.cn
|
|||
|
|
HTTP/1.1 200 OK
|
|||
|
|
Accept-Ranges: bytes
|
|||
|
|
Cache-Control: private, max-age=600
|
|||
|
|
Connection: Keep-Alive
|
|||
|
|
Content-Encoding: gzip
|
|||
|
|
Content-Language: zh-CN
|
|||
|
|
Content-Length: 14403
|
|||
|
|
Content-Type: text/html
|
|||
|
|
Date: Sun, 27 May 2018 15:38:25 GMT
|
|||
|
|
ETag: "e6ec-56d3032d70a32-gzip"
|
|||
|
|
Expires: Sun, 27 May 2018 15:48:25 GMT
|
|||
|
|
Keep-Alive: timeout=5, max=100
|
|||
|
|
Last-Modified: Sun, 27 May 2018 13:44:22 GMT
|
|||
|
|
Server: VWebServer
|
|||
|
|
Vary: User-Agent,Accept-Encoding
|
|||
|
|
X-Frame-Options: SAMEORIGIN
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
4. BuiltWith：识别网站使用的技术
|
|||
|
|
|
|||
|
|
```Python
|
|||
|
|
>>>
|
|||
|
|
>>> import builtwith
|
|||
|
|
>>> builtwith.parse('http://www.bootcss.com/')
|
|||
|
|
{'web-servers': ['Nginx'], 'font-scripts': ['Font Awesome'], 'javascript-frameworks': ['Lo-dash', 'Underscore.js', 'Vue.js', 'Zepto', 'jQuery'], 'web-frameworks': ['Twitter Bootstrap']}
|
|||
|
|
>>>
|
|||
|
|
>>> import ssl
|
|||
|
|
>>> ssl._create_default_https_context = ssl._create_unverified_context
|
|||
|
|
>>> builtwith.parse('https://www.jianshu.com/')
|
|||
|
|
{'web-servers': ['Tengine'], 'web-frameworks': ['Twitter Bootstrap', 'Ruby on Rails'], 'programming-languages': ['Ruby']}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
5. python-whois：查询网站的所有者
|
|||
|
|
|
|||
|
|
```Python
|
|||
|
|
>>>
|
|||
|
|
>>> import whois
|
|||
|
|
>>> whois.whois('baidu.com')
|
|||
|
|
{'domain_name': ['BAIDU.COM', 'baidu.com'], 'registrar': 'MarkMonitor, Inc.', 'whois_server': 'whois.markmonitor.com', 'referral_url': None, 'updated_date': [datetime.datetime(2017, 7, 28, 2, 36, 28), datetime.datetime(2017, 7, 27, 19, 36, 28)], 'creation_date': [datetime.datetime(1999, 10, 11, 11, 5, 17), datetime.datetime(1999, 10, 11, 4, 5, 17)], 'expiration_date': [datetime.datetime(2026, 10, 11, 11, 5, 17), datetime.datetime(2026, 10, 11, 0, 0)], 'name_servers': ['DNS.BAIDU.COM', 'NS2.BAIDU.COM', 'NS3.BAIDU.COM', 'NS4.BAIDU.COM', 'NS7.BAIDU.COM', 'dns.baidu.com', 'ns4.baidu.com', 'ns3.baidu.com', 'ns7.baidu.com', 'ns2.baidu.com'], 'status': ['clientDeleteProhibited https://icann.org/epp#clientDeleteProhibited', 'clientTransferProhibited https://icann.org/epp#clientTransferProhibited', 'clientUpdateProhibited https://icann.org/epp#clientUpdateProhibited', 'serverDeleteProhibited https://icann.org/epp#serverDeleteProhibited', 'serverTransferProhibited https://icann.org/epp#serverTransferProhibited', 'serverUpdateProhibited https://icann.org/epp#serverUpdateProhibited', 'clientUpdateProhibited (https://www.icann.org/epp#clientUpdateProhibited)', 'clientTransferProhibited (https://www.icann.org/epp#clientTransferProhibited)', 'clientDeleteProhibited (https://www.icann.org/epp#clientDeleteProhibited)', 'serverUpdateProhibited (https://www.icann.org/epp#serverUpdateProhibited)', 'serverTransferProhibited (https://www.icann.org/epp#serverTransferProhibited)', 'serverDeleteProhibited (https://www.icann.org/epp#serverDeleteProhibited)'], 'emails': ['abusecomplaints@markmonitor.com', 'whoisrelay@markmonitor.com'], 'dnssec': 'unsigned', 'name': None, 'org': 'Beijing Baidu Netcom Science Technology Co., Ltd.', 'address': None, 'city': None, 'state': 'Beijing', 'zipcode': None, 'country': 'CN'}
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
6. robotparser：解析robots.txt的工具
|
|||
|
|
|
|||
|
|
### 一个简单的爬虫
|
|||
|
|
|
|||
|
|
构造一个爬虫一般分为数据采集、数据处理和数据存储三个部分的内容。
|
|||
|
|
|
|||
|
|
首先我们要设定抓取的目标并获取网页。
|
|||
|
|
|
|||
|
|
1. 设置重试次数。
|
|||
|
|
2. 设置用户代理。
|
|||
|
|
|