实习了一个多月！师傅终于教我案例了！分布式爬虫！这是我的笔记

概述 要抓微博数据，第一步便是模拟登陆，因为很多信息（比如用户信息，用户主页微博数据翻页等各种翻页）都需要在登录状态下才能查看

要抓微博数据，第一步便是模拟登陆，因为很多信息（比如用户信息，用户主页微博数据翻页等各种翻页）都需要在登录状态下才能查看

这里我简单说一下，做爬虫的同学不要老想着用什么机器学习的方法去识别复杂验证码，真的难度非常大，这应该也不是一个爬虫工程师的工作重点，当然这只是我的个人建议。工程化的项目，我还是建议大家通过打码平台来解决验证码的问题。

策略我们都清楚了。就该是分析和编码了。

我们先来分析如何构造用户信息的URL。这里我以微博名为一起神吐槽的博主为例进行分析。做爬虫的话，一个很重要的意识就是爬虫能抓的数据都是人能看到的数据，反过来，人能在浏览器上看到的数据，爬虫几乎都能抓。这里用的是几乎，因为有的数据抓取难度特别。我们首先需要以正常人的流程看看怎么获取到用户的信息。我们先进入该博主的主页，如下图

进群：548377875    即可获取大量的pdf以及教学视频哦！希望你能通过Python拿到高薪！

种子博主具体信息

这里我们就看到了他的具体信息了。然后，我们看该页面的url构造

weibo.com/p/100505175…

我直接copy的地址栏的url。这样做有啥不好的呢？对于老鸟来说，一下就看出来了，这样做的话，可能会导致信息不全，因为可能有些信息是动态加载的。所以，我们需要通过抓包来判断到底微博会通过该url返回所有信息，还是需要请求一些AJAX 链接才会返回一些关键信息。这里我就重复一下我的观点：抓包很重要，抓包很重要，抓包很重要！重要的事情说三遍。

我们抓完包，发现并没有AJAX请求。那么可以肯定请求前面的url，会返回所有信息。我们通过点击鼠标右键，查看网页源代码，然后ctrl+a、ctrl+c将所有的页面源码保存到本地，这里我命名为personinfo.HTML。我们用浏览器打开该文件，发现我们需要的所有信息都在这段源码中，这个工作和抓包判断数据是否全面有些重复，但是在我看来是必不可少的，因为我们解析页面数据的时候还可以用到这个HTML文件，如果我们每次都通过网络请求去解析内容的话，那么可能账号没一会儿就会被封了（因为频繁访问微博信息），所以我们需要把要解析的文件保存到本地。

从上面分析中我们可以得知

weibo.com/p/100505175…

这个url就是获取用户数据的url。那么我们在只知道用户ID的时候怎么构造它呢？我们可以多拿几个用户ID来做测试，看构造是否有规律，比如我这里以用户名为网易云音乐的用户做分析，发现它的用户信息页面构造如下

weibo.com/1721030997/…

这个就和上面那个不同了。但是我们仔细观察，可以发现上面那个是个人用户，下面是企业微博用户。我们尝试一下把它们url格式都统一为第一种或者第二种的格式

weibo.com/1751195602/…

这样会出现404，那么统一成上面那种呢？

weibo.com/p/100505172…

这样子的话，它会被重定向到用户主页，而不是用户详细资料页。所以也就不对了。那么该以什么依据判断何时用第一种url格式，何时用第二种url格式呢？我们多翻几个用户，会发现除了100505之外，还有100305、100206等前缀，那么我猜想这个应该可以区分不同用户。这个前缀在哪里可以得到呢？我们打开我们刚保存的页面源码，搜索100505，可以发现

domain

微博应该是根据这个来区分不同用户类型的。这里大家可以自己也可以试试，看不同用户的domain是否不同。为了数据能全面，我也是做了大量测试，发现个人用户的domain是1005051，作家是100305，其他基本都是认证的企业号。前两个个人信息的url构造就是

weibo.com/p/domain+ui…

后者的是

weibo.com/uID/about

弄清楚了个人信息url的构造方式，但是还有一个问题。我们已知只有uID啊，没有domain啊。如果是企业号，我们通过domain=100505会被重定向到主页，如果是作家等(domain=100305或者100306)，也会被重定向主页。我们在主页把domain提取出来，再请求一次，不就能拿到用户详细信息了吗？

关于如何构造获取用户信息的url的相关分析就到这里了。因为我们是在登录的情况下进行数据抓取的，可能在抓取的时候，某个账号突然就被封了，或者由于网络原因，某次请求失败了，该如何处理？对于前者，我们需要判断每次请求返回的内容是否符合预期，也就是看response url是否正常，看response content是否是404或者让你验证手机号等，对于后者，我们可以做一个简单的重试策略，大概代码如下

@timeout_decorator

def get_page(url,user_verify=True,need_login=True):

"""

:param url: 待抓取url

:param user_verify: 是否为可能出现验证码的页面(AJAX连接不会出现验证码，如果是请求微博或者用户信息可能出现验证码)，否为抓取转发的AJAX连接

:param need_login: 抓取页面是否需要登录，这样做可以减小一些账号的压力

:return: 返回请求的数据，如果出现404或者403,或者是别的异常，都返回空字符串

"""

crawler.info('本次抓取的url为{url}'.format(url=url))

count = 0

while count < max_retrIEs: if need_login: # 每次重试的时候都换cookies,并且和上次不同,如果只有一个账号，那么就允许相同 name_cookies = cookies.fetch_cookies() if name_cookies is None: crawler.warning('cookie池中不存在cookie，正在检查是否有可用账号') rs = get_login_info() # 选择状态正常的账号进行登录，账号都不可用就停掉celery worker if len(rs) == 0: crawler.error('账号均不可用，请检查账号健康状况') # 杀死所有关于celery的进程 if 'win32' in sys.platform: os.popen('taskkill /F /IM "celery*"') else: os.popen('pkill -f "celery"') else: crawler.info('重新获取cookie中...') login.excute_login_task() time.sleep(10) try: if need_login: resp = requests.get(url,headers=headers,cookies=name_cookies[1],timeout=time_out,verify=False) if "$CONfig['islogin'] = '0'" in resp.text: crawler.warning('账号{}出现异常'.format(name_cookies[0])) freeze_account(name_cookies[0],0) cookies.delete_cookies(name_cookies[0]) continue else: resp = requests.get(url,verify=False) page = resp.text if page: page = page.encode('utf-8','ignore').decode('utf-8') else: continue # 每次抓取过后程序sleep的时间，降低封号危险 time.sleep(interal) if user_verify: if 'unfreeze' in resp.url or 'accessdeny' in resp.url or 'userblock' in resp.url or is_403(page): crawler.warning('账号{}已经被冻结'.format(name_cookies[0])) freeze_account(name_cookies[0],0) cookies.delete_cookies(name_cookies[0]) count += 1 continue if 'verifybmobile' in resp.url: crawler.warning('账号{}功能被锁定，需要手机解锁'.format(name_cookies[0])) freeze_account(name_cookies[0],-1) cookies.delete_cookies(name_cookies[0]) continue if not is_complete(page): count += 1 continue if is_404(page): crawler.warning('url为{url}的连接不存在'.format(url=url)) return '' except (requests.exceptions.ReadTimeout,requests.exceptions.ConnectionError,AttributeError) as e: crawler.warning('抓取{}出现异常，具体信息是{}'.format(url,e)) count += 1 time.sleep(excp_interal) else: Urls.store_crawl_url(url,1) return pagecrawler.warning('抓取{}已达到最大重试次数，请在redis的失败队列中查看该url并检查原因'.format(url))Urls.store_crawl_url(url,0)return ''

这里大家把上述代码当一段伪代码读就行了，主要看看如何处理抓取时候的异常。因为如果贴整个用户抓取的代码，不是很现实，代码量有点大。

下面讲页面解析的分析。有一些做PC端微博信息抓取的同学，可能曾经遇到过这么个问题：保存到本地的HTML文件打开都能看到所有信息啊，为啥在页面源码中找不到呢？因为PC端微博页面的关键信息都是像下图这样，被FM.vIEw()包裹起来的，里面的数据可能被Json encode过。

标签

那么这么多的FM.vIEw()，我们怎么知道该提取哪个呢？这里有一个小技巧，由于只有中文会被编码，英文还是原来的样子，所以我们可以看哪段script中包含了渲染后的页面中的字符，那么那段应该就可能包含所有页面信息。我们这里以顶部的头像为例，如图

我们在页面源码中搜索，只发现一个script中有该字符串，那么就是那段script是页面相关信息。我们可以通过正则表达式把该script提取出来，然后把其中的HTML也提取出来，再保存到本地，看看信息是否全面。这里我就不截图了。感觉还有很多要写的，不然篇幅太长了。

另外，对于具体页面的解析，我也不做太多的介绍了。太细的东西还是建议读读源码。我只讲一下，我觉得的一种处理异常的比较优雅的方式。微博爬虫的话，主要是页面样式太多，如果你打算包含所有不同的用户的模版，那么我觉得几乎不可能，不同用户模版，用到的解析规则就不一样。那么出现解析异常如何处理？尤其是你没有catch到的异常。很可能因为这个问题，程序就崩掉。其实对于Python这门语言来说，我们可以通过 装饰器 来捕捉我们没有考虑到的异常，比如我这个装饰器

def parse_decorator(return_type):

"""

:param return_type: 用于捕捉页面解析的异常,0表示返回数字0,1表示返回空字符串,2表示返回[],3表示返回False,4表示返回{},5返回None

:return: 0,'',[],False,{},None

"""

def page_parse(func): br/>@wraps(func)

def handle_error( keys):

try:

keys)

except Exception as e:

parser.error(e)

if return_type == 5: return None elif return_type == 4: return {} elif return_type == 3: return False elif return_type == 2: return [] elif return_type == 1: return '' else: return 0 return handle_errorreturn page_parse

上面的代码就是处理解析页面发生异常的情况，我们只能在数据的准确性、全面性和程序的健壮性之间做一些取舍。用装饰器的话，程序中不用写太多的 try语句，代码重复率也会减少很多。

页面的解析由于篇幅所限，我就讲到这里了。没有涉及太具体的解析，其中一个还有一个比较难的点，就是数据的全面性，读者可以去多观察几个微博用户的个人信息，就会发现有的个人信息，有的用户有填写，有的并没有。解析的时候要考虑完的话，建议从自己的微博的个人信息入手，看到底有哪些可以填。这样可以保证几乎不会漏掉一些重要的信息。

最后，我再切合本文的标题，讲如何搭建一个分布式的微博爬虫。开发过程中，我们可以先就做单机单线程的爬虫，然后再改成使用celery的方式。这里这样做是为了方便开发和测试，因为你单机搭起来并且跑得通了，那么分布式的话，就很容易改了，因为celery的API使用本来就很简洁。

我们抓取的是用户信息和他的关注和粉丝uID。用户信息的话，我们一个请求大概能抓取一个用户的信息，而粉丝和关注我们一个请求可以抓取18个左右（因为这个抓的是列表），显然可以发现用户信息应该多占一些请求的资源。这时候就该介绍理论篇没有介绍的关于celery的一个高级特性了，它叫做任务路由。直白点说，它可以规定哪个分布式节点能做哪些任务，不能做哪些任务。它的存在可以让资源分配更加合理， 分布式微博爬虫项目初期，就没有使用任务路由，然后抓了十多万条关注和分析，结果发现用户信息抓几万条，这就是资源分配得不合理。那么如何进行任务路由呢？

Coding:utf-8

import os

from datetime import timedelta

from celery import Celery

from kombu import Exchange,Queue

from config.conf import get_broker_or_backend

from celery import platforms

允许celery以root身份启动

platforms.C_FORCE_ROOT = True

worker_log_path = os.path.join(os.path.dirname(os.path.dirname( file ))+'/logs','celery.log')

beat_log_path = os.path.join(os.path.dirname(os.path.dirname( file ))+'/logs','beat.log')

tasks = ['tasks.login','tasks.user']

include的作用就是注册服务化函数

app = Celery('weibo_task',include=tasks,broker=get_broker_or_backend(1),backend=get_broker_or_backend(2))

app.conf.update(

CELERY_TIMEZONE='Asia/Shanghai',

CELERY_ENABLE_UTC=True,

CELERYD_LOG_file=worker_log_path,

CELERYBEAT_LOG_file=beat_log_path,

CELERY_ACCEPT_CONTENT=['Json'],

CELERY_TASK_SERIAliZER='Json',

CELERY_RESulT_SERIAliZER='Json',

CELERY_QUEUES=(

Queue('login_queue',exchange=Exchange('login',type='direct'),routing_key='for_login'),

Queue('user_crawler',exchange=Exchange('user_info',routing_key='for_user_info'),

Queue('fans_followers',exchange=Exchange('fans_followers',routing_key='for_fans_followers'),

)

上述代码我指定了有login_queue、user_crawler、fans_followers三个任务队列。它们分别的作用是登录、用户信息抓取、粉丝和关注抓取。现在假设我有三台爬虫服务器A、B和C。我想让我所有的账号登录任务分散到三台服务器、让用户抓取在A和B上执行，让粉丝和关注抓取在C上执行，那么启动A、B、C三个服务器的celery worker的命令就分别是

celery -A tasks.workers -Q login_queue,user_crawler worker -l info -c 1 # A服务器和B服务器启动worker的命令，它们只会执行登录和用户信息抓取任务

celery -A tasks.workers -Q login_queue,fans_followers worker -l info -c 1 # C服务器启动worker的命令，它只会执行登录、粉丝和关注抓取任务

然后我们通过命令行或者代码（如下）就能发送所有任务给各个节点执行了

Coding:utf-8

from tasks.workers import app

from page_get import user as user_get

from db.seed_IDs import get_seed_IDs,get_seed_by_ID,insert_seeds,set_seed_other_crawled

@app.task(ignore_result=True)

def crawl_follower_fans(uID):

seed = get_seed_by_ID(uID)

if seed.other_crawled == 0:

rs = user_get.get_fans_or_followers_IDs(uID,1)

rs.extend(user_get.get_fans_or_followers_IDs(uID,2))

datas = set(rs)

重复数据跳过插入

if datas: insert_seeds(datas) set_seed_other_crawled(uID)

@app.task(ignore_result=True)

def crawl_person_infos(uID):

"""

根据用户ID来爬取用户相关资料和用户的关注数和粉丝数（由于微博服务端限制，默认爬取前五页，企业号的关注和粉丝也不能查看）

:param uID: 用户ID

:return:

"""

if not uID:

return

# 由于与别的任务共享数据表，所以需要先判断数据库是否有该用户信息，再进行抓取user = user_get.get_profile(uID)# 不抓取企业号if user.verify_type == 2: set_seed_other_crawled(uID) returnapp.send_task('tasks.user.crawl_follower_fans',args=(uID,),queue='fans_followers',routing_key='for_fans_followers')

@app.task(ignore_result=True)

def excute_user_task():

seeds = get_seed_IDs()

if seeds:

for seed in seeds:

在send_task的时候指定任务队列

app.send_task('tasks.user.crawl_person_infos',args=(seed.uID,queue='user_crawler',routing_key='for_user_info')

这里我们是通过 queue='user_crawler',routing_key='for_user_info'来将任务和worker进行关联的。

关于celery任务路由的更详细的资料请阅读官方文档。

到这里，基本把微博信息抓取的过程和分布式进行抓取的过程都讲完了，具体实现分布式的方法，可以读读基础篇。由于代码量比较大，我并没有贴上完整的代码，只讲了要点。分析过程是讲的抓取过程的分析和页面解析的分析，并在最后，结合分布式，讲了一下使用任务队列来让分布式爬虫更加灵活和可扩展。

如果有同学想跟着做一遍，可能需要参考分布式微博爬虫的源码，自己动手实现一下，或者跑一下，印象可能会更加深刻。

总结

以上是内存溢出为你收集整理的实习了一个多月！师傅终于教我案例了！分布式爬虫！这是我的笔记全部内容，希望文章能够帮你解决实习了一个多月！师傅终于教我案例了！分布式爬虫！这是我的笔记所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。