打造一個健壯高效的網路爬蟲

反爬 / 封 IP 對於封 IP 的情況，可以分為幾種情況來處理：首先尋找手機站點、App 站點，如果存在此類站點，反爬會相對較弱。使用代理，如抓取免費代理、購買付費代理、使用 Tor 代理、Socks 代理等。在代理的基礎上維護自己的代理池，防止代理浪費，保證實時可用。搭建 ADSL 撥... ...

以下內容轉自爬蟲界大佬崔慶才的文章，傳送門

整個分享的主題叫做《健壯高效的網路爬蟲》，本次分享從抓取、解析、存儲、反爬、加速五個方面介紹了利用 Python 進行網路爬蟲開發的相關知識點和技巧，介紹了不同場景下如何採取不同措施高效地進行數據抓取的方法，包括 Web 抓取、App 抓取、數據存儲、代理選購、驗證碼破解、分散式抓取及管理、智能解析等多方面的內容，另外還結合了不同場景介紹了常用的一些工具包，全部內容是我在從事網路爬蟲研究過程以來的經驗精華總結。

爬取

對於爬取來說，我們需要學會使用不同的方法來應對不同情景下的數據抓取任務。

爬取的目標絕大多數情況下要麼是網頁，要麼是 App，所以這裡就分為這兩個大類別來進行了介紹。

對於網頁來說，我又將其劃分為了兩種類別，即服務端渲染和客戶端渲染，對於 App 來說，我又針對介面的形式進行了四種類別的劃分——普通介面、加密參數介面、加密內容介面、非常規協議介面。

所以整個大綱是這樣子的：

網頁爬取
- 服務端渲染
- 客戶端渲染
App 爬取
- 普通介面
- 加密參數介面
- 加密內容介面
- 非常規協議介面

爬取 / 網頁爬取

服務端渲染的意思就是頁面的結果是由伺服器渲染後返回的，有效信息包含在請求的 HTML 頁面裡面，比如貓眼電影這個站點。客戶端渲染的意思就是頁面的主要內容由 JavaScript 渲染而成，真實的數據是通過 Ajax 介面等形式獲取的，比如淘寶、微博手機版等等站點。

服務端渲染的情況就比較簡單了，用一些基本的 HTTP 請求庫就可以實現爬取，如 urllib、urllib3、pycurl、hyper、requests、grab 等框架，其中應用最多的可能就是 requests 了。

對於客戶端渲染，這裡我又劃分了四個處理方法：

尋找 Ajax 介面，此種情形可以直接使用 Chrome/Firefox 的開發者工具直接查看 Ajax 具體的請求方式、參數等內容，然後用 HTTP 請求庫模擬即可，另外還可以通過設置代理抓包來查看介面，如 Fiddler/Charles。
模擬瀏覽器執行，此種情形適用於網頁介面和邏輯較為複雜的情況，可以直接以可見即可爬的方式進行爬取，如可以使用 Selenium、Splinter、Spynner、pyppeteer、PhantomJS、Splash、requests-html 等來實現。
直接提取 JavaScript 數據，此種情形適用於真實數據沒有經過 Ajax 介面獲取，而是直接包含在 HTML 結果的某個變數中，直接使用正則表達式將其提取即可。
模擬執行 JavaScript，某些情況下直接模擬瀏覽器執行效率會偏低，如果我們把 JavaScript 的某些執行和加密邏輯摸清楚了，可以直接執行相關的 JavaScript 來完成邏輯處理和介面請求，比如使用 Selenium、PyExecJS、PyV8、js2py 等庫來完成即可。

爬取 / App 爬取

對於 App 的爬取，這裡分了四個處理情況：

對於普通無加密介面，這種直接抓包拿到介面的具體請求形式就好了，可用的抓包工具有 Charles、Fiddler、mitmproxy。
對於加密參數的介面，一種方法可以實時處理，例如 Fiddler、mitmdump、Xposed 等，另一種方法是將加密邏輯破解，直接模擬構造即可，可能需要一些反編譯的技巧。
對於加密內容的介面，即介面返回結果完全看不懂是什麼東西，可以使用可見即可爬的工具 Appium，也可以使用 Xposed 來 hook 獲取渲染結果，也可以通過反編譯和改寫手機底層來實現破解。
對於非常規協議，可以使用 Wireshark 來抓取所有協議的包，或者使用 Tcpdump 來進行 TCP 數據包截獲。

以上便是爬取流程的相關分類和對應的處理方法。

解析

對於解析來說，對於 HTML 類型的頁面來說，常用的解析方法其實無非那麼幾種，正則、XPath、CSS Selector，另外對於某些介面，常見的可能就是 JSON、XML 類型，使用對應的庫進行處理即可。

這些規則和解析方法其實寫起來是很繁瑣的，如果我們要爬上萬個網站，如果每個網站都去寫對應的規則，那麼不就太累了嗎？所以智能解析便是一個需求。

智能解析意思就是說，如果能提供一個頁面，演算法可以自動來提取頁面的標題、正文、日期等內容，同時把無用的信息給刨除，例如上圖，這是 Safari 中自帶的閱讀模式自動解析的結果。

對於智能解析，下麵分為四個方法進行了劃分：

readability 演算法，這個演算法定義了不同區塊的不同標註集合，通過權重計算來得到最可能的區塊位置。
疏密度判斷，計算單位個數區塊內的平均文本內容長度，根據疏密程度來大致區分。
Scrapyly 自學習，是 Scrapy 開發的組件，指定⻚頁⾯面和提取結果樣例例，其可⾃自學習提取規則，提取其他同類⻚頁⾯面。
深度學習，使⽤用深度學習來對解析位置進⾏行行有監督學習，需要⼤大量量標註數據。

如果能夠容忍一定的錯誤率，可以使用智能解析來大大節省時間。

目前這部分內容我也還在探索中，準確率有待繼續提高。

存儲

存儲，即選用合適的存儲媒介來存儲爬取到的結果，這裡還是分為四種存儲方式來進行介紹。

文件，如 JSON、CSV、TXT、圖⽚、視頻、⾳頻等，常用的一些庫有 csv、xlwt、json、pandas、pickle、python-docx 等。
資料庫，分為關係型資料庫、非關係型資料庫，如 MySQL、MongoDB、HBase 等，常用的庫有 pymysql、pymssql、redis-py、pymongo、py2neo、thrift。
搜索引擎，如 Solr、ElasticSearch 等，便於檢索和實現⽂本匹配，常用的庫有 elasticsearch、pysolr 等。
雲存儲，某些媒體文件可以存到如七⽜牛雲、又拍雲、阿里雲、騰訊雲、Amazon S3 等，常用的庫有 qiniu、upyun、boto、azure-storage、google-cloud-storage 等。

這部分的關鍵在於和實際業務相結合，看看選用哪種方式更可以應對業務需求。

反爬

反爬這部分是個重點，爬蟲現在已經越來越難了，非常多的網站已經添加了各種反爬措施，在這裡可以分為非瀏覽器檢測、封 IP、驗證碼、封賬號、字體反爬等。

下麵主要從封 IP、驗證碼、封賬號三個方面來闡述反爬的處理手段。

反爬 / 封 IP

對於封 IP 的情況，可以分為幾種情況來處理：

首先尋找手機站點、App 站點，如果存在此類站點，反爬會相對較弱。
使用代理，如抓取免費代理、購買付費代理、使用 Tor 代理、Socks 代理等。
在代理的基礎上維護自己的代理池，防止代理浪費，保證實時可用。
搭建 ADSL 撥號代理，穩定高效。

反爬 / 驗證碼

驗證碼分為非常多種，如普通圖形驗證碼、算術題驗證碼、滑動驗證碼、點觸驗證碼、手機驗證碼、掃二維碼等。

對於普通圖形驗證碼，如果非常規整且沒有變形或干擾，可以使用 OCR 識別，也可以使用機器學習、深度學習來進行模型訓練，當然打碼平臺是最方便的方式。
對於算術題驗證碼，推薦直接使用打碼平臺。
對於滑動驗證碼，可以使用破解演算法，也可以模擬滑動。後者的關鍵在於缺口的找尋，可以使用圖片比對，也可以寫基本的圖形識別演算法，也可以對接打碼平臺，也可以使用深度學習訓練識別介面。
對於點觸驗證碼，推薦使用打碼平臺。
對於手機驗證碼，可以使用驗證碼分發平臺，也可以購買專門的收碼設備，也可以人工驗證。
對於掃二維碼，可以人工掃碼，也可以對接打碼平臺。

反爬 / 封賬號

某些網站需要登錄才能爬取，但是一個賬號登錄之後請求過於頻繁會被封號，為了避免封號，可以採取如下措施：

尋找手機站點或 App 站點，此種類別通常是介面形式，校驗較弱。
尋找無登錄介面，儘可能尋找⽆無需登錄即可爬取的介面。
維護 Cookies 池，使⽤用批量賬號模擬登錄，使⽤時隨機挑選可用 Cookies 使⽤即可，實現：https://github.com/Python3WebSpider/CookiesPool。