爬虫平台Crawlab核心原理--自动提取字段算法

⚠注意: 可配置爬虫现在仅在Python版本（v0.2.1-v0.2.4）可用，在最新版本Golang版本（v0.3.0）还暂时不可用，后续会加上，请关注近期更新

背景

实际的大型爬虫开发项目中，爬虫工程师会被要求抓取监控几十上百个网站。一般来说这些网站的结构大同小异，不同的主要是被抓取项的提取规则。传统方式是让爬虫工程师写一个通用框架，然后将各网站的提取规则做成可配置的，然后将配置工作交给更初级的工程师或外包出去。这样做将爬虫开发流水线化，提高了部分生产效率。但是，配置的工作还是一个苦力活儿，还是非常消耗人力。因此，自动提取字段应运而生。

自动提取字段是Crawlab在版本v0.2.2中在可配置爬虫基础上开发的新功能。它让用户不用做任何繁琐的提取规则配置，就可以自动提取出可能的要抓取的列表项，做到真正的“一键抓取”，顺利的话，开发一个网站的爬虫可以半分钟内完成。市面上有利用机器学习的方法来实现自动抓取要提取的抓取规则，有一些可以做到精准提取，但遗憾的是平台要收取高额的费用，个人开发者或小型公司一般承担不起。

Crawlab的自动提取字段是根据人为抓取的模式来模拟的，因此不用经过任何训练就可以使用。而且，Crawlab的自动提取字段功能不会向用户收取费用，因为Crawlab本身就是免费的。

算法介绍

算法的核心来自于人的行为本身，通过查找网页中看起来像列表的元素来定位列表及抓取项。一般我们查找列表项是怎样的一个过程呢？有人说：这还不容易吗，一看就知道那个是各列表呀！兄弟，拜托... 咱们是在程序的角度谈这个的，它只理解HTML、CSS、JS这些代码，并不像你那样智能。

我们识别一个列表，首先要看它是不是有很多类似的子项；其次，这些列表通常来说看起来比较“复杂”，含有很多看得见的元素；最后，我们还要关注分页，分页按钮一般叫做“下一页”、“下页”、“Next”、“Next Page”等等。

用程序可以理解的语言，我们把以上规则总结如下：

列表项

1. 从根节点自上而下遍历标签；
2. 对于每一个标签，如果包含多个同样的子标签，判断为列表标签候选；
3. 取子标签（递归）个数最多的列表标签候选为列表标签；

列表子项

1. 对以上规则提取的列表标签，对每个子标签（递归）进行遍历
2. 将有href的a标签为加入目标字段；
3. 将有text的标签为加入目标字段。

分页

1. 对于每一个标签，如果标签文本为特定文本（“下一页”、“下页”、“next page”、“next”），选取该标签为目标标签。

这样，我们就设计好了自动提取列表项、列表子项、分页的规则。剩下的就是写代码了。我知道这样的设计过于简单，也过于理想，没有考虑到一些特殊情况。后面我们将通过在一些知名网站上测试看看我们的算法表现如何。

算法实现

算法实现很简单。为了更好的操作HTML标签，我们选择了lxml库作为HTML的操作库。lxml是python的一个解析库，支持HTML和XML的解析，支持XPath、CSS解析方式，而且解析效率非常高。

自上而下的遍历语法是sel.iter()。sel是etree.Element，而iter会从根节点自上而下遍历各个元素，直到遍历完所有元素。它是一个generator。

构造解析树

在获取到页面的HTML之后，我们需要调用lxml中的etree.HTML方法构造解析树。代码很简单如下，其中r为requests.get的Response

# get html parse tree
sel = etree.HTML(r.content)

这段带代码在SpiderApi._get_html方法里。源码请见这里。

辅助函数

在开始构建算法之前，我们需要实现一些辅助函数。所有函数是封装在SpiderApi类中的，所以写法与类方法一样。

@staticmethod
def _get_children(sel):
    # 获取所有不包含comments的子节点
    return [tag for tag in sel.getchildren() if type(tag) != etree._Comment]

@staticmethod
def _get_text_child_tags(sel):
    # 递归获取所有文本子节点（根节点）
    tags = []
    for tag in sel.iter():
        if type(tag) != etree._Comment and tag.text is not None and tag.text.strip() != '':
            tags.append(tag)
    return tags

@staticmethod
def _get_a_child_tags(sel):
    # 递归获取所有超链接子节点（根节点）
    tags = []
    for tag in sel.iter():
        if tag.tag == 'a':
            if tag.get('href') is not None and not tag.get('href').startswith('#') and not tag.get(
                    'href').startswith('javascript'):
                tags.append(tag)
    return tags

获取列表项

下面是核心中的核心！同学们请集中注意力。

我们来编写获取列表项的代码。以下是获得列表标签候选列表list_tag_list的代码。看起来稍稍有些复杂，但其实逻辑很简单：对于每一个节点，我们获得所有子节点（一级），过滤出高于阈值（默认10）的节点，然后过滤出节点的子标签类别唯一的节点。这样候选列表就得到了。

list_tag_list = []
threshold = spider.get('item_threshold') or 10
# iterate all child nodes in a top-down direction
for tag in sel.iter():
    # get child tags
    child_tags = self._get_children(tag)

    if len(child_tags) < threshold:
        # if number of child tags is below threshold, skip
        continue
    else:
        # have one or more child tags
        child_tags_set = set(map(lambda x: x.tag, child_tags))

        # if there are more than 1 tag names, skip
        if len(child_tags_set) > 1:
            continue

        # add as list tag
        list_tag_list.append(tag)

接下来我们将从候选列表中筛选出包含最多文本子节点的节点。听起来有些拗口，打个比方：一个电商网站的列表子项，也就是产品项，一定是有许多例如价格、产品名、卖家等信息的，因此会包含很多文本节点。我们就是通过这种方式过滤掉文本信息不多的列表（例如菜单列表、类别列表等等），得到最终的列表。在代码里我们存为max_tag。

# find the list tag with the most child text tags
max_tag = None
max_num = 0
for tag in list_tag_list:
    _child_text_tags = self._get_text_child_tags(self._get_children(tag)[0])
    if len(_child_text_tags) > max_num:
        max_tag = tag
        max_num = len(_child_text_tags)

下面，我们将生成列表项的CSS选择器。以下代码实现的逻辑主要就是根据上面得到的目标标签根据其id或class属性来生成CSS选择器。

# get list item selector
item_selector = None
if max_tag.get('id') is not None:
    item_selector = f'#{max_tag.get("id")} > {self._get_children(max_tag)[0].tag}'
elif max_tag.get('class') is not None:
    cls_str = '.'.join([x for x in max_tag.get("class").split(' ') if x != ''])
    if len(sel.cssselect(f'.{cls_str}')) == 1:
        item_selector = f'.{cls_str} > {self._get_children(max_tag)[0].tag}'

找到目标列表项之后，我们需要做的就是将它下面的文本标签和超链接标签提取出来。代码如下，就不细讲了。感兴趣的读者可以看源码来理解。

# get list fields
fields = []
if item_selector is not None:
    first_tag = self._get_children(max_tag)[0]
    for i, tag in enumerate(self._get_text_child_tags(first_tag)):
        if len(first_tag.cssselect(f'{tag.tag}')) == 1:
            fields.append({
                'name': f'field{i + 1}',
                'type': 'css',
                'extract_type': 'text',
                'query': f'{tag.tag}',
            })
        elif tag.get('class') is not None:
            cls_str = '.'.join([x for x in tag.get("class").split(' ') if x != ''])
            if len(tag.cssselect(f'{tag.tag}.{cls_str}')) == 1:
                fields.append({
                    'name': f'field{i + 1}',
                    'type': 'css',
                    'extract_type': 'text',
                    'query': f'{tag.tag}.{cls_str}',
                })

    for i, tag in enumerate(self._get_a_child_tags(self._get_children(max_tag)[0])):
        # if the tag is <a...></a>, extract its href
        if tag.get('class') is not None:
            cls_str = '.'.join([x for x in tag.get("class").split(' ') if x != ''])
            fields.append({
                'name': f'field{i + 1}_url',
                'type': 'css',
                'extract_type': 'attribute',
                'attribute': 'href',
                'query': f'{tag.tag}.{cls_str}',
            })

分页的代码很简单，实现也很容易，就不多说了，大家感兴趣的可以看源码

这样我们就实现了提取列表项以及列表子项的算法。

使用方法

要使用自动提取字段，首先得安装Crawlab。如何安装请查看Github。

Crawlab安装完毕运行起来后，得创建一个可配置爬虫，详细步骤请参考[爬虫手记] 我是如何在3分钟内开发完一个爬虫的 。

创建完毕后，我们来到创建好的可配置爬虫的爬虫详情的配置标签，输入开始URL，点击提取字段按钮，Crawlab将从开始URL中提取列表字段。

接下来，点击预览看看这些字段是否为有效字段，可以适当增删改。可以的话点击运行，爬虫就开始爬数据了。

好了，你需要做的就是这几步，其余的交给Crawlab来做就可以了。

测试结果

本文在对排名前10的电商网站上进行了测试，仅有3个网站不能识别（分别是因为“动态内容”、“列表没有id/class”、“lxml定位元素问题”），成功率为70%。读者们可以尝试用Crawlab自动提取字段功能对你们自己感兴趣的网站进行测试，看看是否符合预期。结果的详细列表如下。

Crawlab的算法当然还需要改进，例如考虑动态内容和列表没有id/class等定位点的时候。也欢迎各位前来试用，甚至贡献该项目。

Github: tikazyq/crawlab