一个爬取近百万数据的爬虫

这是菜鸟学Python的第135篇原创文章

阅读本文大概需要4分钟

菜鸟独白

我写爬虫也有一段时间了,目前还没有爬过百万级的数据.前段时间身体不舒服,冬天是流感的高发季节,一直没有写原创的文章,很多铁杆粉丝也非常关心我,留言询问!非常感谢大家的关心,周末我身体稍微好点了,于是我想自己也没有爬过百万级的数据,要不就试试看爬一个百万数据吧.

1

百万级的数据

1.目标网站的选择

这次我选择的是大名鼎鼎的Stackoverflow, 程序员心中有两大圣殿。一个是GitHub里面有很多很多好的库和源码,一个就是Stackoverflow里面有很多大牛帮忙回答问题。我们打开Stackoverflow,然后搜索Python相关的问题:

2.页面分析

发现一共有88万多个问题,再看一下页面的列表规律,我们按照每页最大显示50个问题,一共有17776页,数据非常大

2

爬虫的策略

目前为止我还没有爬过这么大的数据量,这次看来必须要用神器了scrapy.其实在用神器之前,我们自己写了多并发的多线程池,我测了一下速度还可以,爬取500个数据大概有6秒左右,跟scrapy差不多

但是考虑到稳定性和方便扩展性,还是用Scrapy比较方便一些

1.页面的爬取

scrapy的文章和资料非常多,基础知识这里我就不细细讲解.scrapy的内置功能非常强大,如果玩爬虫scrapy是必须要学习的,使用起来需要按照它的套路,就像乐高玩具一样,一块一块的搭起来就可以.下面我们讲一下几个关键的点:

1).页面列表的构建

整个的stackoverflow上关于Python的问题页面非常规整,我们可以很容易的构建列表,比如前1000页range(1,1000),range(1000,2000):

2).单页面的爬取

我们用scrapy genspider产生一个spider文件,我们用这个文件主要爬取页面的内容,每个问题的内容都非常的规则,我们用css非常容易可以提取:

我们主要提取问题标题,问题描述,view,vote,answers,提问时间和用户的名字这7个维度

2.数据的存储

我们需要在items.py里面构建一个存储的数据结构类,把这个7个特征存起来

然后在上面的spider类里面把页面解析的数据一一对于存起来

item=StackoverflowItem()

item['desc']=desc

item['title']=title

item['view']=view

item['answer']=answer

item['vote']=vote

item['start']=start

item['user']=user

yielditem

3

大规模的爬取

看起来好像一切顺利,于是我们开始运行爬虫爬取,大概爬取12000个数据左右,IP就会被封掉,大量的429 错误代码会出现.很明显有反爬的策略.这个时候我们的本机IP已经封掉了,这个时候想要继续爬取,有两个办法:

第一种办法:用代理IP

1).构建一个随机的代理池

网上免费的代理IP池很多,我们可以自己本地解析这些网页构建一个代理池,存在数据库里面,也可以访问一个付费的稳定的代理.

2).构建一个下载的中间价

Scrapy强大之处在于,它给了我们很多接口,扩展性非常好!基本上爬虫的方方面面它都内置了,类似Django真是居家旅行必备。我们只需要几行代码就能搞定

不要忘记了在Setting里面配置一下:

DOWNLOADER_MIDDLEWARES={

'stackoverflow.middlewares.RandomProxyMiddleware':543,

}

但是代理的ip非常不稳定,尤其是免费的。而且代理IP爬取的时间会比本机更慢,毕竟中间加了中转

第二种方法:重启猫继续用本机IP

一般重启家里的路由器有的时候会换本机的IP地址,因为本机的IP地址爬取的速度是最快,然后放慢爬取的速度,加一些delay.

我采用了第二种方法,爬了999页大概49950条数据,并且放慢了速度,大概需要20分钟左右

我们一共有近90万的数据需要爬取,如果按照这样的速度去爬取的话,大概需要7个小时才能完全爬取完毕。Scrapy提供了非常完善的异常处理和log分析,即使我们中间爬取出错了,我们依然可以获得已经爬取的数据.当然有条件的话可以放在服务器上去爬取,速度会更快.

4

尝鲜看一下数据

数据长啥样,我们随机拿5条出来看一下,数据比较粗糙没有经过清洗,里面比较有价值的是它的view值和answer值,还有时间和标题

目前才近10万条的数据,我们先尝鲜看一下,里面最火的一个问题被998个人围观:

结论:

百万数据的爬取其上没有我们想象的那么难,只要熟练使用框架,控制爬取的速度,分段爬取还是可以的! 如果有稳定的代理池和高性能的服务器那就更爽啦。等我全部爬取完毕之后,我也想知道Stackoverflow上面关于Python有哪些非常火的问题,大家都在关心Python哪些方面,这近百万的数据时间分布如何,敬请期待吧!

欢迎加入小密圈

跟我一起玩数据分析

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180128G04H1E00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励