大數(shù)據(jù)時代,這項收集數(shù)據(jù)的技能不可少

大數(shù)據(jù)是未來的“新石油”。《人類簡史：從動物到上帝》的作者尤瓦爾·赫拉利說：大數(shù)據(jù)將是人類自由意志的終結(jié)，數(shù)據(jù)主義將取代以往的宗教和人文主義，成為未來的信仰。人人都在談大數(shù)據(jù)，談DT時代，我們剝?nèi)ド鐣郊由系耐庖拢瑒t回歸“數(shù)據(jù)”二字。

那如何獲取數(shù)據(jù)呢？

在運營公眾號這么長一段時間，經(jīng)常有人問超模君：超模君，我需要什么的數(shù)據(jù)，該怎么處理，或者直接問超模君，能不能給我提供一些數(shù)據(jù)？

其實超模君內(nèi)心是奔潰的。。。而一般我給出的建議如果沒有整理好的數(shù)據(jù)，可以嘗試做個爬蟲試試。而在獲取數(shù)據(jù)的道路上并不簡單，爬蟲可謂是“麻雀雖小，五臟俱全”，爬蟲雖然操作起來很簡單，用十幾行腳本語言就可以搞定，但其中可涉及到網(wǎng)絡通信，字符串處理，數(shù)據(jù)庫等，能使用到一種語言的幾乎所有組件。

一言不合就上代碼

我們先來看一個最簡單的最簡單的爬蟲，用python寫成，只需要三行。

import requests
url="http://www.cricode.com"
r=requests.get(url)

上面這三行爬蟲程序，就如下面這三行情詩一般，很干脆利落。

是好男人，

就應該在和女友吵架時，

抱著必輸?shù)男膽B(tài)。

上面那個最簡單的爬蟲，不是一個完整的爬蟲，因為爬蟲通常需要以下3個步驟：

1）給定的種子URLs，爬蟲程序?qū)⑺蟹N子URL頁面爬取下來

2）爬蟲程序解析爬取到的URL頁面中的鏈接，將這些鏈接放入待爬取URL集合里

3）重復1、2步，直到達到指定條件才終止爬取

因此，一個完整的爬蟲大概是這樣子的：

import requests                       #用來爬取網(wǎng)頁
from bs4 import BeautifulSoup         #用來解析網(wǎng)頁
seds = ["http://www.hao123.com",      #我們的種子
              "http://www.csdn.net",
              "http://www.cricode.com"]
sum = 0                               #我們設定終止條件為：爬取到100000個頁面時，就不玩了
 
while sum < 10000 :
    if sum < len(seds):
         r = requests.get(seds[sum])
         sum = sum + 1
         do_save_action(r)
         soup = BeautifulSoup(r.content)               
         urls = soup.find_all("href",.....)                     //解析網(wǎng)頁
         for url in urls:
              seds.append(url)
 
    else:
         break

上面那個完整的爬蟲，不足20行代碼，相信你能找出20個需要改進的地方來。因為它的缺點實在是太多了。下面列舉一下它的N個缺點：

1）我們的任務是爬取1萬個網(wǎng)頁，按上面這個程序，一個人在默默的爬取，假設爬起一個網(wǎng)頁3秒鐘，那么，爬一萬個網(wǎng)頁就要3萬秒鐘。MGD，我們可以考慮開啟多個線程去一起爬取，或者用分布式架構(gòu)去并發(fā)地爬取網(wǎng)頁。

2）種子URL和后續(xù)解析到的URL都放在一個列表里，我們應該將這些待爬取的URL存放到一個新的更合理的數(shù)據(jù)結(jié)構(gòu)里，例如隊列或者優(yōu)先隊列。

3）對各個網(wǎng)站的URL，我們一視同仁，然而，我們應該是要區(qū)別對待的。應當考慮大站好站優(yōu)先原則。

4）我們每次發(fā)起請求，都是根據(jù)URL來發(fā)起的，而在這個過程中會牽涉到DNS解析（將URL轉(zhuǎn)換成 IP 地址）。一個網(wǎng)站通常有數(shù)以萬計的URL，所以我們可以考慮將這些網(wǎng)站域名的 IP 地址進行緩存，避免每次都發(fā)起DNS請求，浪費時間。

5）解析到網(wǎng)頁中的URLs后，我們沒有做任何去重處理，全部放入了待爬取的列表中。事實上，可能有很多鏈接是重復的，我們做了很多無用功。

6）…..

那么，真正的問題來了，學挖掘機到底哪家強？

現(xiàn)在我們就來列出上面找出的幾個問題的解決方案。

1）如何做到并行爬取

我們可以有多重方法去實現(xiàn)并行。

多線程或者線程池方式，一個爬蟲程序內(nèi)部開啟多個線程。同一臺機器開啟多個爬蟲程序，這樣，我們就有N多爬取線程在同時工作。能大大縮短時間。

此外，當我們要爬取的任務特別多時，一臺機器、一個網(wǎng)點明顯不夠，這時我們就要考慮分布式爬蟲了。常見的分布式架構(gòu)有：主從（Master——Slave）架構(gòu)、點對點（Peer to Peer）架構(gòu)，混合架構(gòu)等。

說到分布式架構(gòu)，我們需要考慮的問題就有很多，比如我們需要分派任務，各個爬蟲之間需要通信合作，共同完成任務，不要重復爬取相同的網(wǎng)頁。分派任務時我們要做到公平公正，就需要考慮如何進行負載均衡。負載均衡，我們第一個想到的就是Hash，比如根據(jù)網(wǎng)站域名進行hash。

負載均衡分派完任務之后，并不意味著萬事大吉了，萬一哪臺機器崩潰了呢？原先指派給崩潰的那臺機器的任務應該再指派給哪臺機器？又或者哪天要增加幾臺機器，任務重新分配問題該如何解決？

用一致性Hash算法就是一個比較好的解決方案。

2）如何對待待抓取隊列

類似于操作系統(tǒng)如何調(diào)度進程的場景。

不同的網(wǎng)站，重要程度不同，因此，可以設計一個優(yōu)先級隊列來存放待爬取的網(wǎng)頁鏈接。這樣一來，每次抓取時，重要的網(wǎng)頁都會被我們優(yōu)先爬取。

另外，你也可以效仿操作系統(tǒng)的進程調(diào)度策略之多級反饋隊列調(diào)度算法。

3）進行DNS緩存

為了避免每次都發(fā)起DNS查詢，我們可以將DNS進行緩存。DNS緩存當然是設計一個hash表來存儲已有的域名及其 IP 。

4）進行網(wǎng)頁去重

說到網(wǎng)頁去重，應該都會想到垃圾郵件過濾。垃圾郵件過濾的一個經(jīng)典的解決方案是Bloom Filter（布隆過濾器）。布隆過濾器原理簡單來說就是：建立一個大的位數(shù)組，然后用多個Hash函數(shù)對同一個url進行hash得到多個數(shù)字，然后將位數(shù)組中這些數(shù)字對應的位置為1。下次再來一個url時，同樣是用多個Hash函數(shù)進行hash，得到多個數(shù)字，我們只需要判斷位數(shù)組中這些數(shù)字對應的為是全為1，如果全為1，那么說明這個url已經(jīng)出現(xiàn)過。如此，便完成了url去重的問題。不過，這種方法會有誤差，但是只要誤差在我們的接受范圍之內(nèi)，就像是1萬個網(wǎng)頁，我們只爬取到了9999個，剩下那1個網(wǎng)頁，誰在乎呢！

5）數(shù)據(jù)存儲的問題

數(shù)據(jù)存儲同樣是一個很有技術(shù)含量的問題。用關(guān)系數(shù)據(jù)庫存取還是用NoSQL，或者是自己設計特定的文件格式進行存儲，都有很大工程可做。

6）如何完成進程間通信

分布式爬蟲，離不開進程間的通信。我們可以以規(guī)定的數(shù)據(jù)格式進行數(shù)據(jù)交互，去完成進程間的通信。