《Python数据挖掘与机器学习实战》—2.8.2 爬虫的工作流程

举报
华章计算机 发表于 2019/06/17 13:14:15 2019/06/17
【摘要】 本节书摘来自华章计算机《Python数据挖掘与机器学习实战》一书中的第2章,第2.8.2节,作者是方巍 。

2.8.2  爬虫的工作流程

  网络爬虫的基本工作流程,如图2-8所示。

  (1)选取一部分精心挑选的种子URL。

  (2)将这些URL放入待抓取URL队列。

  (3)从待抓取URL队列中取出待抓取的URL,解析DNS并且得到主机的IP,将URL对应的网页下载下来,存储进已下载的网页库中。此外,将这些URL放进已抓取的URL队列。

  (4)分析已抓取的URL队列中的URL,然后解析其他URL,并且将URL放入待抓取的URL队列,从而进入下一个循环。

 image.png

图2-8  爬虫的工作流程

  从爬虫的角度对互联网进行划分,如图2-9所示。

  •  已下载的未过期网页。

  •  已下载的已过期网页:抓取到的网页实际上是互联网内容的一个镜像与备份。互联网是动态变化的,如果一部分互联网上的内容已经发生了变化,那么抓取到的这部分网页就已经过期了。

  •  待下载的网页:是待抓取的URL队列中的那些页面。

  •  可知网页:还没有抓取下来,也没有在待抓取的URL队列中,但是可以通过对已抓取的页面或者待抓取的URL对应页面分析获取到的URL,认为是可知网页。

  •  还有一部分网页爬虫是无法直接抓取并下载的,称为不可知网页。

 image.png

图2-9  互联网的划分

  在爬虫系统中,待抓取的URL队列是很重要的一部分。待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题,因为这涉及先抓取哪个页面,后抓取哪个页面。而决定这些URL排列顺序的方法叫做抓取策略。下面重点介绍几种常见的抓取策略。

  •  深度优先遍历策略:指网络爬虫会从起始页开始,一个链接一个链接地跟踪下去,处理完这条线路之后再转入下一个起始页,继续跟踪链接。

  •  宽度优先遍历策略:将新下载网页中发现的链接直接插入待抓取URL队列的末尾。

  •  反向链接数策略:指一个网页被其他网页链接指向的数量。

  •  Partial PageRank策略:借鉴了PageRank算法的思想,即对于已经下载的网页,连同待抓取URL队列中的URL形成网页集合,计算每个页面的PageRank值,计算完之后,将待抓取的URL队列中的URL按照PageRank值的大小进行排序,并按照该顺序抓取页面。

  •  OPIC策略:实际上也是对页面进行重要性打分。对于待抓取的URL队列中的所有页面,按照打分情况进行排序。

  •  大站优先策略:对于待抓取的URL队列中的所有网页,根据所属的网站进行分类。对于待下载页面数多的网站,优先下载。

  互联网是实时变化的,具有很强的动态性。网页更新策略主要是决定何时更新之前已经下载过的页面。常见的更新策略有以下3种:

  (1)历史参考策略。

  顾名思义,根据页面以往的历史更新数据,预测该页面未来何时会发生变化。一般来说,是通过泊松过程进行建模来预测。

  (2)用户体验策略。

  尽管搜索引擎针对某个查询条件能够返回数量巨大的结果,但是用户往往只关注前几页结果。因此,抓取系统可以优先更新在查询结果前几页显示的网页,而后再更新后面的网页。这种更新策略也需要用到历史信息。用户体验策略保留网页的多个历史版本,并且根据过去每次的内容变化对搜索质量的影响得出一个平均值,用这个值作为决定何时重新抓取的依据。

  (3)聚类抽样策略。

  前面提到的两种更新策略都有一个前提:需要网页的历史信息。这样就存在两个问题:第一,系统要是为每个系统保存多个版本的历史信息,无疑增加了很多的系统负担;第二,要是新的网页完全没有历史信息,就无法确定更新策略。

  这种策略认为网页具有很多属性,类似属性的网页,可以认为其更新频率也是类似的。要计算某一个类别网页的更新频率,只需要对这一类网页抽样,以它们的更新周期作为整个类别的更新周期,基本思路如图2-10所示。

 image.png

图2-10  网页聚类抽样策略

  一般来说,抓取系统需要面对的是整个互联网上数以亿计的网页。单个抓取程序不可能完成这样的任务,往往需要多个抓取程序一起来处理。一般来说,抓取系统往往是一个分布式的三层结构,如图2-11所示。

 image.png

图2-11  分布式结构

  最下面一层是分布在不同地理位置上的数据中心,在每个数据中心里有若干台抓取服务器,而每台抓取服务器上可能部署了若干套爬虫程序,这样就构成了一个基本的分布式抓取系统。

  对于一个数据中心内的不同抓取服务器,协同工作的方式有以下两种:

  1.主从式(Master-Slave)

  主从式的基本结构如图2-12所示。

 image.png

图2-12  主从式结构

  对于主从式而言,有一台专门的Master服务器来维护待抓取URL队列,它负责每次将URL分发到不同的Slave服务器上,而Slave服务器则负责实际的网页下载工作。Master服务器除了维护待抓取的URL队列及分发URL之外,还要负责调解各个Slave服务器的负载情况,以免某些Slave服务器过于“清闲”或者“劳累”。这种模式下,Master往往容易成为系统瓶颈。

  2.对等式(Peer to Peer)

  对等式的基本结构如图2-13所示。

 image.png

图2-13  对等式结构

  在这种模式下,所有的抓取服务器在分工上没有不同。每一台抓取服务器都可以从待抓取的URL队列中获取URL,接着求出该URL的主域名的Hash值H,然后计算H mod m(其中m是服务器的数量,以图2-13为例,m为3),计算得到的数就是处理该URL的主机编号。

  举例:假设对于URL www.baidu.com,计算其Hash值H=8,m=3,则H mod m=2,因此由编号为2的服务器进行该链接的抓取。假设这时候是0号服务器拿到这个URL,那么它会将该URL转给服务器2,由服务器2进行抓取。

  这种模式有一个问题,当有一台服务器死机或者添加新的服务器时,所有URL的哈希求余的结果都要变化。也就是说,这种方式的扩展性不佳。针对这种情况,又有一种改进方案被提出来,这种改进的方案是用一致性哈希法来确定服务器分工,其基本结构如图2-14所示。

 image.png

图2-14  一致性哈希法

  一致性哈希法将URL的主域名进行哈希运算,映射为一个范围在0~232之间的某个数,然后将这个范围平均地分配给m台服务器,根据URL主域名哈希运算的值所处的范围来判断由哪台服务器进行抓取。

  如果某一台服务器出现问题,那么本该由该服务器负责的网页则按照顺时针顺延,由下一台服务器进行抓取。这样,即使某台服务器出现问题,也不会影响其他的工作。


【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。