3700字！爬虫数据清洗已经不重要了，我这样的爬虫架构，如履薄冰

前言

在毕业设计中，用Java写下了第一个爬虫。2019年工作之后，从Python的requests原生爬虫库，学到分布式爬虫框架Scrapy，写了60个左右爬虫。然后写了十几篇有关于爬虫的文章。但大多都是围绕着程序设计、功能模块的角度写的，今天就从数据的角度出发，来看看爬虫程序是如何开发的。

数据

爬虫的目的就是获取数据，我总结了一下采集数据的步骤：

1. 明确自己想要什么数据，这些数据有什么内容
2. 去找有这些数据的网站
3. 分析带有目标数据的网页，分析渲染数据的请求方式，是静态网页还是XHR异步
4. 分析数据网页的层级。即从网站首页开始，如何层层递进到目标数据网页
5. 程序开发（反爬验证、数据采集、数据清洗、数据入库）

所以说大多时候，爬虫程序的开发是以数据为驱动的。在开发程序前明确目标数据，在程序开发过程中清洗数据。

数据清洗其实是对每个数据中的字段进行处理。我在开发爬虫的过程中，常用的数据清洗方法有：字段缺失处理、数据转换、数据去重、异常值处理。 下面就使用Python的requests来开发实际操作一下，在数据去重等部分时，我也会使用Scrapy来实现，来展现一下Scrapy的优势所在。

关于Scrapy

大家可能对requets用的比较多，所以这里也简单得介绍一下Scrapy。

Scrapy是一个分布式爬虫框架，我把它比作成爬虫界的Spring。reqeusts就像是servlet一样，各种功能逻辑都需要自己去实现，而Spring做了集成，底层对用户透明。

就像我们知道，Spring是在application配置文件中初始化bean，在mapper中定义数据库操作一样，而使用者无需关心Spring是如何读取这些配置文件进行各种操作的。同样，Scrapy也提供了这样的功能配置。

所以说，Scrapy是一个爬虫框架，requests是一个爬虫模块，这就是两者区别的根本所在。下面是我画的Scrapy的架构图。

爬虫开发问题

无论使用Java的Jsoup也好，python的requests也罢，开发爬虫除了要解决网站反爬限制之外，还会面临下面几个问题：

1.分布式

爬虫程序一般只运行在一台主机上，如果是一模一样的爬虫程序部署在不同的主机上，那都是独立爬虫程序。如果想要弄一个分布式的爬虫，通常的思路是将爬虫程序分为url采集和数据采集两个部分。

现将url爬取下来放入到数据库中，然后通过where条件限制，或者直接使用redis的list结构，让不同主机上的爬虫程序读取到不同的url，然后进行数据爬取。

2.url去重

爬取数据的时候会经常遇到重复的url，如果重复爬取是不是浪费时间。通过url去重的思路就是：将爬取的url放入到集合中，每次爬取都去判断url是否存在于集合中。那么，如果程序中途停止了，这个内存中集合也将不复存在，再次启动程序，将无法判断哪些是已经爬取过的。

那么就用数据库，将已经爬取过的url插入到数据库中，这样就算重启程序，爬取过的url也不会丢失了。可是如果我就是想重新开始爬取，是不是还得手动清空数据库中的url表。每次查询数据库耗费的时间，这都是需要考虑的。

3.断点续爬

假如有1000个页面需要爬取，爬到第999个页面，进度条马上满格的时候，程序咯噔一下挂了，就差一个，但是还是没爬完啊，咋整？我选择重新启动程序，那么你说我怎么样才能直接从第999个开始爬取呢？

这里先讲讲我写的第一个爬虫：爬取10+个地市的poi信息。

实习，第一次开发爬虫，也不知道有高德poi接口啥的，于是就找了个网站来爬取poi信息。当时那个网站估计还在起步阶段，服务器带宽应该不高，访问速度是真的慢，而且动不动维护停站，所以我的程序也得跟着停止。如果每次启动都重新爬取，估计几年也爬不完，于是我想了个办法。

我先将所有地市下所有区县数据的条数（网站上有）先手动录入到数据库表中，每次重新启动爬虫程序的时候，先统计结果数据表中各个区县已经爬取的条数，与总条数进行对比。如果小于的话，说明还没有爬取完，然后通过某区县已爬取条数 / 网站每页展示条数计算出我已经爬取到此区县的页数，再通过余数定位到我爬到了此页面的第几个。通过这种方法，最后无丢失爬取了163w条数据。

换种思路，将爬取的url放到表中，重启程序开始爬取url的时候，先去判断url是否存在于数据表中，如果存在就不进行爬取，这样也能实现断点续爬。也是沿用了原始的url的去重的思路。

4.动态加载

在爬虫教程第六篇基金篇写了一个jsonp的动态加载，算是比较简单的一种，只要找到请求接口获取数据进行处理即可。爬虫教程第七篇写了电视猫的eval()的js加密，这算是很复杂的一种动态加载。请求接口的参数是加密的，需要耗费大量时间来分析密密麻麻的js，来计算出这个186位的参数。

so，有没有一种方式让我既能脱离阅读分析js，还能绕过动态加载？

sure！！首先关于动态加载，可以理解为浏览器内核通过执行js在前端渲染数据。那么我们在程序中搞个浏览器内核，我们直接获取js渲染后的页面数据不就可以了么？

通常使用selenium + chrome、phantomjs、pyvirtualdisplay来处理动态加载，但是或多或少都会有性能问题。

如果手动实现这些功能，费时费力。所以，如果我说关于上述问题，Scrapy都提供了现成的解决方案（开箱即用的插件），那么你会心动吗？

插件的介绍我就不多说了，在我的Scrapy爬虫文章里都有，如果有兴趣可以自行学习。言归正传，继续探讨数据清洗的问题。

采集数据

数据采集其实也属于数据清洗，同时也是数据清洗的前提。因为要将从获取的html或者json使用selector转换成csv格式的数据。所以在从网页获取数据时，需要先判断数据是静态网页渲染还是XHR异步请求。

1. 静态和XHR

静态网页渲染，就是用户访问网站发起请求时，是网站后台将数据渲染（填写）到html上，返回给浏览器展示，这里的数据渲染是后台来做。爬虫使用css或者Xpath选择器处理数据，对应Python的BS4或者Slector模块。

而XHR异步请求，是网站先将空的html返回给浏览器，然后浏览器再发起XHR（Ajax）来请求数据（大部分是Json），最后浏览器将数据渲染到空html上进行展示，所以这里的数据渲染是浏览器（前端）去做。所以Python使用json模块来处理数据。

2. 区分方法

这里就拿腾讯视频来简单介绍一下：

我们在F12进入开发者控制台时，可以看到动漫列表和热搜榜的数据。

当我们点击热搜搜索框是时，热搜榜的div就会修改，这就是局部刷新的XHR异步加载。

我们在控制台看一下Network中的XHR信息。

所以，判断是静态网页渲染还是XHR，有很多种方法。

1. 可以根据自己的经验。例如热搜榜肯定是实时更新的，所以每次点击搜索框都是最新的，所以需要异步XHR
2. 也可以在观察控制台的变化。当我点击搜索框时，代表热搜榜的div就会刷新，这就是XHR的表现
3. 查看网页源码。网页源码表示后台返回的html原始网页。源码里面的数据就是静态网页渲染，源码里没有而网站页面上有的数据就是XHR

1. 程序开发过程中去发现。

数据清洗

数据清洗可以发生在数据采集阶段，也可以发生在数据存储阶段，数据大都存储在数据库中，然后使用SQL进行数据清洗。但是我更偏向于前者，在源头制定好数据规范，这也是数据治理的一部分。所以，能在程序中处理，就不要把数据问题丢给使用者，

1. 数据去重

用SQL处理重复数据，使用distinct() 方法，传入的字段来确定数据的唯一性，例如一个视频的id。这个唯一字段需要自己在开发过程中去确定。

在原生爬虫requets中，我给出两种数据去重的方案：

1. 依靠程序内部设计，使用set/list/map集合来判断数据是否唯一
2. 依靠外部数据库，每次爬取都去数据库查询数据是否已存在

方案一优点是不需要与外部系统频繁交互，缺点就是程序重启集合数据就会清空，而且多线程情况下还要考虑线程安全。方案二稳定，但是需要依赖数据库，数据库的响应速度会影响程序的性能。在上面讲的poi爬虫就使用了方案二。

以上两种情况，都需要自己实现代码，各有利弊。而Scrapy使用的是scrapy-deltafetch插件实现的，里面使用了内嵌数据库BerkerlyDB，即不需要与外部系统交互，重启也不会丢失数据，只需要安装之后添加几行配置就能使用。感兴趣的话：可以跳转到scrapy-deltafetch文章连接进行学习：https://cloud.tencent.com/developer/article/2194956

这里先启动程序，爬取一个指定的url。

当爬取完上面url之后，第二次启动再遇到这个url时，就会看到Ignoring关键字，提示忽略已经爬取的url，不再进行爬取。

这里的用url作为数据去重的标准，如果想要重新爬取之前爬取过的url，启动前添加deltafetch_reset=1参数即可。

同时，这个插件也解决了爬虫问题中的断点续爬的问题。

2. 字段缺失处理

在爬取某些网页时，爬取的都是字段的并集。所以某些字段在某个网页并不存在，当使用选择器获取这些字段时，就会出现空指针或者数据越界的异常。

数据字段缺失还是比较好处理的。通常是使用if进行判断，然后设置缺省值。下面是scrapy处理字段缺失的代码：

3. 数据转换

时间戳转换成日期、日期格式转换、字符串替换都算是数据转换。下面是Python实现日期格式转化的代码：

代码很简单，主要用到了datetime模块。

在上面的代码中，使用replace()进行了字符串的替换，其中包括将空格、换行等字符替换成空字符。

4. 异常值处理

异常值在爬虫开发中还是比较少见的，常见的有网页编码问题导致数据的乱码，还有一些数据填充的错误。这两个问题我记得遇到过，找了好久代码没有找到，这里就简单的说一下思路。

乱码就通过chardet.detect(str) 来检测一下字符串的编码格式，或者直接去看一下网页信息。使用charset关键字进行搜索：

通过meta可以看到字符集是UTF-8。至于数据填充错误，只能具体情况具体分析，通过错误数据来反推，然后在程序中进行改进。

思考

看到这里可能会有人问：前面写的分布式、断点续爬、url去重以及动态加载和数据清洗有什么关系呢？

站在我个人的角度，我觉得是紧密联系的。我在上面谈及数据去重的时候，说了有两种方案：集合和数据库。如果在多台机器上使用分布式，集合去重这一个方案绝对是被pass了，因为你没法在多个进程共用一个集合对象。至于数据库，就要考虑如何设计才能保证数据的一致性了。

至于断点续爬、url去重就是数据去重的一个思路介绍。动态加载就是对数据采集中XHR的一个介绍。所以，爬虫也有很多东西可以学，学会requets ≠ 精通爬虫。

结语

上面就是个人在爬虫开发过程中，对常用的数据清洗方式的一个总结，都是一些简单的程序处理逻辑，希望对大家了解爬虫、开发爬虫有所帮助。

同时，我个人也写了关于requests爬虫入门的7篇文章，以及Scrapy爬虫的10篇文章，有兴趣的可以去参考一下。