《Python数据挖掘与机器学习实战》—2.8.2 爬虫的工作流程
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。
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。
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。
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。
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。
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。
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。
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。
- 点赞
- 收藏
- 关注作者
评论(0)