知乎爬虫之5:爬虫优化

当前位置:

首页 > 编程开发 > python爬虫 >

知乎爬虫之5:爬虫优化

github爬虫项目（源码）地址(已完成，关注和star在哪~):https://github.com/MatrixSeven/ZhihuSpider

附赠之前爬取的数据一份(mysql): 链接:https://github.com/MatrixSeven/ZhihuSpider 只下载不点赞，不star，差评差评~蓝瘦香菇）

1. 使用多线程加速

什么，爬虫爬起来数据太慢了，怎么办？你那当然是开启多线程了。那么多线程是什么我就不介绍了。如果还不知道的，请左移多线程百度百科。
恩，知道了多线程，但是多线程如果自己控制的话，会很不好控制，所以咱们还需要两个线程池，一个负责拿到个人信息，一个负责获取用户的token。接下来让咱们之前写的ParserBase类实现Runnable，然后在ParserFollower里和ParserUserInfo里分别实现run方法，其实也很简单了，就是把之前的爬去逻辑，丢到run方法里。然后咱们就开启了多线程之旅。
但是在存取数据的时候会遇到很多问题，比如数据会重复，这就出现了脏数据，那么咱们就是适当的加锁。来保证数据的干净。

2. 使用队列减少数据库访问

如果说数据重复的问题解决的，那么咱们还有一个大问题，因为两次爬到的可能是同一个人，但是一份在数据库里，一份在正在跑的内存里，怎么办，当然是要连接下数据库，然后判断是数据是否已经在数据库中存在了，那么在多线程且获取速度很快的情况下，那么将会频繁访问数据库，造成速度缓慢，数据库链接数过多，cpu使用率过大，那咱们怎么除处理这个问题呢？
首先大家都一定知道，在现在内存非常大的今天，咱们完全可以把一部分数据直接缓存下载，而且程序访问内存的代价要比访问数据库的代价要小的太多。
因此，咱们可以用一个list把咱们已经有的token存下来，然后每次去这个list里去做验证，这样，就减少了数据库的访问了频率。

3. 实现LRU提高缓存命中率

如上所说，用一个list的确是起到了减少数据库访问的目的，但是效果好像不如想象那么好，因为数据库里100k的数据，咱们不可能把所有数据都缓存下载，那么怎么才能在优化下呢？
这时候就要合理的处理这个list了，自己实现一个LRU缓存，来调高命中率。
那么lru是什么？y一句话LRU是Least Recently Used 近期最少使用算法，也叫淘汰算法。
具体实现和思想可见缓存淘汰算法–LRU算法。
按照这个思想，其实还有个优化，那就是根据碰撞次数和上次碰撞时间进行移除。咱们只是实现简单的，具体实现在MatrixSeven/ZhihuSpider

========关于获取页面数据=======

咱们上一篇分析了知乎的登陆请求和如何拿到粉丝/关注的请求，那么咱们这篇就来研究下如何拿利用Jsoup到咱们想要的数据。
那么咱们说下，首先请求关注者和粉丝者是pcweb版本的，但是获取页面的是手机页面的。
好，正题:

1.什么是Jsoup

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。

2. HttpClient请求模拟

HttpClient 是 Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。

3.走起页面

首先模拟手机浏览器的UA。就是让咱们打开的页面返回的是移动端的页面效果，那么最应该怎么怎么做呢？其实服务器判定你是ie还是chrome还是firefox是根据请求头里面的UA实现的，因此咱们要找一个手机浏览器的UA。。
咱们可以某度一下或者直接在浏览器里面直接f12,模拟移动端，然后看请求参数：

User-Agent:Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36

妥妥的没问题：

那咱们如何将这句体现到程序里面呢？
简单，在咱们拿到get对象后直接设置：

 httpGet.setHeader("User-Agent", "Mozilla/5.0 
        (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 
        (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36");

就ok了，然后咱们就可以用jsoup来拿咱们想要的元素了，jsoup的语法和jq如出一辙。
咱们直接对着页面，右击咱们想要的元素，选择审查元素，然后用jq的选择器选出来就好了。
可以参考jQuery 选择器

4.拿到关注者

直接get咱们之前分析的请求地址

https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&
include=data%5B%2A%5D.employments%2Ccover_url%2Callow_message%2Canswer_coun
t%2Carticles_count%2Cfavorite_count%2Cfollower_count%2Cgender%2Cis_followe
d%2Cmessage_thread_token%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer
%29%5D.topics&limit=10&offset=30

不过要记得替换用户名字和在请求头里加入cookie的最后一段zc_0
然后请求数据返回的是json

{
  "paging": {
    "is_end": false,
    "next": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=20",
    "previous": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=0",
    "is_start": false,
    "totals": 398
  },
  "data": [
    {
      "is_followed": true,
      "avatar_url_template": "https://pic1.zhimg.com/da8e974dc_{size}.jpg",
      "name": "陈晓峰",
      "url": "",
      "type": "people",
      "user_type": "people",
      "answer_count": 0,
      "url_token": "chen-xiao-feng-84",
      "headline": "阿里巴巴，分布式数据库，",
      "avatar_url": "https://pic1.zhimg.com/da8e974dc_is.jpg",
      "is_following": false,
      "is_org": false,
      "follower_count": 14,
      "badge": [],
      "id": "ff02ea0544901a9ddfcb7ba60c73b673",
      "articles_count": 0
    }
  ]
}

出处：https://www.cnblogs.com/seven007/p/6248578.html

这个数据包括了下次请求地址，上次请求地址，时候是开始，时候是结束，共有多少粉丝，关注人基本信息，
因此咱们可以在一个while里来获得所有粉丝数：
流程：

第一次获取数据
获取is_end字段
判断is_end时候为true
根据is_end判断是否继续循环
如果循环，更新is_end，更新下次请求连接

一套下来，就能拿到一个用户的所有粉丝了。

栏目列表