Scrapy抓取百度搜索结果页排名

自媒体 投稿&转载 1745浏览

掌握多少知识,就能抓住多少机会。“知识”来源于“信息”的提炼,而“信息”来源于“数据”的分析。从“数据”→“信息”→“知识”→“智慧”是一步步转化而来。

想从互联网领域中学习什么东西,不同于学校,老师可以直接给予学生现成的知识。互联网高速发展、不易预测的特性,导致大部分信息仍处于未知的状态,没有多少人会告诉你有什么信息、有什么知识。很多信息还躺在一坨坨数据中等待被分析出来。

所以我觉得,在互联网行业中,数据获取与分析是如同沟通表达、时间管理一样的通用型技能,是可以不受职能控制而进行转移。

数据可以通过交换、购买、API等方式来获得,但如果其他人都没有,那就只能自己去找数据,然后分析出信息,提炼出知识。

举个例子,曾经为了分析排在百度首页的网页都有什么共同特征,自己指定了几个可能影响排名的因素:网页大小、下载速度、网页链接数量、正文字数、url的目录层级、query在正文的出现次数、query分词后的词项在正文中的出现次数、query在title中的出现次数等十几个指标,拿了5000个长尾词跑百度搜索结果,把前5页出现的网页全部抓下来,跑出前面指定的十几个指标对应的数据,然后分析所处不同分页的网页(每个分页个5万个样本),在指标上有什么明显的规律。

以上是获取数据,对数据分析后发现:

1、排在第一页的结果,平均正文字数500,第二页~第五页的结果依次递减;

2、排在第一页的结果,平均网页包含的链接数量130,第二页~第五页的结果依次递增;

3、其他指标,在所有分页中均无明显波动。

 

以上是信息,对信息进行提炼,形成知识:

1、网页正文字数和网页包含的链接会影响长尾词的排名

2、覆盖长尾词的页面,保证正文字数控制在500字以上,网页中包含的链接控制在130以下,会提高网页出现在百度首页的概率

 

当然,真实的网页排序因素远比这个复杂多得多,除了以上两点肯定还要同时满足多个条件才能出现在首页。

另外,还需注意获取的数据的可靠性和公正性,可靠性是数据能不能推导出正确的结论;公正性是这个数据是不是公平的。

还是上面的例子,如果换成5000个热词,那计算出来的结果就不可靠也不公正。因为百度是一个商业搜索引擎,而在长尾词上,百度会相对不那么商业。

做流量的,很多数据得需要自己去抓,抓取就要用到爬虫。花了几天时间体验了下python的Scrapy,感觉不错,是一个高性能、易上手、健壮稳定、可高度定制、可分布的爬虫框架。

作为一个成熟的爬虫框架,肯定比自己现手写一个爬虫要来的快的多,而相比火车头,它能实现火车头实现不了的功能,比如上面说的例子。

下面是Scrapy的使用小记

项目构成:

scrapy.cfg:项目配置文件

items.py:存放抓取数据的

pipelines.py:处理抓取数据的

settings.py:爬虫配置文件,有现成的API,可添加各种防ban策略

middlewares.py:中间件

dmoz_spider.py:爬虫程序

参照官方文档和Google写了个抓取百度排名的程序,上手后,在配置速度比火车头还要快一些。

考虑百度封闭爬虫比较严,需要一些防屏蔽策略,采用如下方法实现:

1、轮换出口IP

用scrapinghub提供的代理,因为是国外的IP,所以访问百度比国内要慢一些,但是提供的代理很稳定,方便配置,且免费,貌似没有使用次数的限制。

在sittings.py中添加:

'''crawlera账号、密码'''

CRAWLERA_ENABLED = True
CRAWLERA_USER = '账号'
CRAWLERA_PASS = '密码'


'''下载中间件设置'''

DOWNLOADER_MIDDLEWARES = {
'scrapy_crawlera.CrawleraMiddleware': 600
}

 

2、轮换UA

在sittings.py添加:

  1. USER_AGENTS = [  
  2.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",  
  3.     "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",  
  4. .......  
  5. ]  
  6. '''下载中间件设置'''  
  7. DOWNLOADER_MIDDLEWARES = {  
  8.     'tutorial.middlewares.RandomUserAgent': 1,  
  9. }  

在middlewares.py添加:

  1. class RandomUserAgent(object):"""Randomly rotate user agents based on a list of predefined ones"""def __init__(self, agents):  
  2.     self.agents = agents@classmethoddef from_crawler(cls, crawler):  
  3.     return cls(crawler.settings.getlist('USER_AGENTS'))def process_request(self, request, spider):  
  4.     #print "**************************" + random.choice(self.agents)  
  5.     request.headers.setdefault('User-Agent',   random.choice(self.agents))  

3、轮换Cookie,并完全模拟浏览器请求头

在sittings.py添加:

  1. def getCookie():  
  2.     cookie_list = [  
  3.         'cookie1', #自己从不同浏览器中获取cookie在添加到这  
  4.         'cookie2',  
  5.         ......  
  6. ]  
  7.     cookie = random.choice(cookie_list)  
  8.     return cookie  
  9.   
  10. '''设置默认request headers'''  
  11.   
  12. DEFAULT_REQUEST_HEADERS = {   'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',  
  13.     'Accept-Encoding':'gzip, deflate, sdch',  
  14.     'Accept-Language':'zh-CN,zh;q=0.8,en;q=0.6',  
  15.     'Cache-Control':'max-age=0',  
  16.     'Connection':'keep-alive',  
  17.     'Host':'www.baidu.com',  
  18.     'RA-Sid':'7739A016-20140918-030243-3adabf-48f828',  
  19.     'RA-Ver':'3.0.7',  
  20.     'Upgrade-Insecure-Requests':'1',  
  21.     'Cookie':'%s' % getCookie()  
  22. }  

sittings.py添加其他配置项:

  1. '''下载延时,即下载两个页面的等待时间'''  
  2. DOWNLOAD_DELAY = 0.5  
  3.   
  4. '''并发最大值'''  
  5. CONCURRENT_REQUESTS = 100  
  6.   
  7. '''对单个网站并发最大值'''  
  8. CONCURRENT_REQUESTS_PER_DOMAIN = 100  
  9.   
  10. '''启用AutoThrottle扩展,默认为False'''  
  11. AUTOTHROTTLE_ENABLED = False  
  12.   
  13. '''设置下载超时'''  
  14. DOWNLOAD_TIMEOUT = 10  
  15.   
  16. '''降低log级别,取消注释则输出抓取详情'''  
  17. LOG_LEVEL = 'INFO'  

蜘蛛程序:dmoz_spider.py

  1. class DmozSpider(scrapy.Spider):  
  2.     name = "dmoz"  
  3.     allowed_domains = ["www.baidu.com"]  
  4.   
  5.     # start_urls = ['http://www.baidu.com/s?q=&tn=baidulocal&ct=2097152&si=&ie=utf-8&cl=3&wd=seo%E5%9F%B9%E8%AE%AD']  
  6.   
  7.     start_urls = []  
  8.     for word in open('/Users/sunjian/Desktop/tutorial/tutorial/spiders/word.txt'):  
  9.         word = word.strip()  
  10.         url = 'http://www.baidu.com/s?q=&tn=baidulocal&ct=2097152&si=&ie=utf-8&cl=3&wd=%s' % urllib.quote(word)   
  11.         start_urls.append(url)  
  12.   
  13.     def __get_url_query(self, url):  
  14.             m =  re.search("wd=(.*)", url).group(1)  
  15.             return m  
  16.   
  17.     def parse(self,response):  
  18.             n = 0  
  19.   
  20.             for sel in response.xpath('//td[@class="f"]'):  
  21.   
  22.                 query = urllib.unquote(self.__get_url_query(response.url))  
  23.   
  24.                 item = DmozItem()  
  25.   
  26.                 title = re.sub('<[^>]*?>','',sel.xpath('.//a/font[@size="3"]').extract()[0])  
  27.                 lading = sel.xpath('.//a[1]/@href').extract()[0]  
  28.                 time = sel.xpath('.//font[@color="#008000"]/text()').re('(\d{4}-\d{1,2}-\d{1,2})')[0]  
  29.                 size = sel.xpath('.//font[@color="#008000"]/text()').re('(\d+K)')[0]  
  30.   
  31.                 n += 1  
  32.   
  33.                 item['rank'] = n  
  34.         item['title'] = title.encode('utf8')  
  35.         item['lading'] = lading.encode('utf8')  
  36.         item['time'] = time.encode('utf8')  
  37.         item['size'] = size.encode('utf8')  
  38.         item['query'] = query  
  39.   
  40.         yield item  

抓取数据写入mysql

在piplines.py添加:

  1. class MySQLTutorialPipeline(object):  
  2.     def __init__(self, dbpool):  
  3.         self.dbpool = dbpool  
  4.       
  5.     @classmethod  
  6.     def from_settings(cls, settings):  
  7.         dbargs = dict(  
  8.             host=settings['MYSQL_HOST'],  
  9.             db=settings['MYSQL_DBNAME'],  
  10.             user=settings['MYSQL_USER'],  
  11.             passwd=settings['MYSQL_PASSWD'],  
  12.             charset='utf8',  
  13.             cursorclass = MySQLdb.cursors.DictCursor,  
  14.             use_unicode= True,  
  15.         )  
  16.         dbpool = adbapi.ConnectionPool('MySQLdb', **dbargs)  
  17.         return cls(dbpool)  
  18.   
  19.     #pipeline默认调用  
  20.     def process_item(self, item, spider):  
  21.         d = self.dbpool.runInteraction(self._do_upinsert, item, spider)  
  22.         d.addErrback(self._handle_error, item, spider)  
  23.         d.addBoth(lambda _: item)  
  24.         return d  
  25.   
  26.     #将每行更新或写入数据库中  
  27.     def _do_upinsert(self, conn, item, spider):  
  28.         conn.execute(""" INSERT INTO baidu_pc_rank VALUES ('%s','%s','%s','%s','%s','%s') """ % (item['rank'],item['title'],item['lading'],item['time'],item['size'],item['query']))  
  29.     #获取url的md5编码  
  30.     def _get_linkmd5id(self, item):  
  31.         #url进行md5处理,为避免重复采集设计  
  32.         return md5(item['address']).hexdigest()  
  33.     #异常处理  
  34.     def _handle_error(self, failue, item, spider):  
  35.         log.err(failure)  

在settings.py添加:

  1. MYSQL_HOST = '127.0.0.1'  
  2. MYSQL_DBNAME = 'se_rank'  
  3. MYSQL_USER = 'root'  
  4. MYSQL_PASSWD = ''  
  5.   
  6. ITEM_PIPELINES = {  
  7. 'tutorial.pipelines.MySQLTutorialPipeline': 400,  
  8. }  

运行爬虫:

每分钟抓300左右个页面,在速度上仍有很大提升空间,起码要用国内代理速度会快很多。以上防ban功能适用于所有网站,再抓另一个网站只要做对应修改便可。

抓取数据写入mysql情况:

 

推荐阅读

内网能上网但拒绝外网访问,蜘蛛能抓取到我的网站吗

不能!! 相关SEO术语解释: 访问量: 访问量即Page View,简称pv。 即页面浏览量,用户每 1 次对网站中的每个网页访问均被记录 1 次。用户对同一页面的多次访问,访问量累计。 百度蜘蛛: 百度蜘蛛,是百度搜索引擎的一个自动程序。它的作用......

为什么蜘蛛经常抓取,但快照却长时间不更新?

一个重要网页的快照往往会在搜索引擎数据库中保存有多份网页快照,这些快照的抓取时间并不相同。在一些极特殊情况下,搜索引擎系统可能会选择不同于当前搜索结果中的快照版本,导致出现快照时间倒退的情况。这对网站在搜索引擎中的表现无任何影响,也并不代表搜索引擎对......

如果页面中有很多URL,蜘蛛会选择性地抓取它们吗?

网站底部放了很多链接,为了让网站增加内链提高抓取,想问一下如果说页面里url特别多的话,蜘蛛会不会有选择性的进行抓取?...