爬虫总结 | 爬虫的那点事第一篇
现在慢慢开始对爬虫的一些工作做一个总结，这是第一篇文章，整理聊下做一个爬虫系统时的一些感悟。
一、在（反）爬虫路上的心得和解决方案
在讲反爬之前，先说阐明我的一个观点：反反爬的过程其实是一个和我们的客户（反爬平台）达成和解的过程，保持一种近乎双赢的平衡，不到万不得已不要做技术上的硬碰硬，因为客户是上帝，惹毛了它，对大家都不好。
我们爬了两百多个平台，很多小平台经常被我们爬挂掉啦。网上有一个比较流行的反爬和反反爬的对比图，我想说的是，大家都是搞技术的，何必如此！
image.png
1.1、心得
- 心得一：找出软柿子
一个平台的数据，一般会在很多端呈现，比如手机移动端（主要包括以m开头，也叫做wap）、PC端以及手机APP端。
一般情况下，m站是最简单的，它是首选。如果是拿API的话，很多APP端的也是比PC端要简单的多。PC端的反爬很多，包括各种验证码等。
当然，这不是绝对的，有的时候PC站的信息最全，而你又恰好需要全部的信息，那么PC站是首选。一般m站都以m开头后接域名。
这里说明一点，没有平台是没有手机移动端的，比如抖音只有APP，你觉得它有没有手机移动端？有的，你从APP分享出去一个页面就是啦。 - 心得二：要善于使用浏览器调试工具
以Chrome浏览器为例。
第一步：Chrome浏览器打开页面 F12 点击Network，选中XHR（XMLHttpRequest方法发送的请求），刷新页面查看得到的一些AJAX请求是否有我们需要请求，
第二步：选择手机版，重复第一步的动作，查看是否有没有想要的AJAX请求，以上都没有的情况下，选中doc刷新页面，我们想要的页面一般就在doc中。 - 心得三：前端知识很重要
看得懂JS，很多反爬都是在JS层面做的。
知道有NodeJS中间层这个东西，很多公司都是通过NodeJS做中间层进行前后端分离的并解决性能问题，在异步ajax转成同步渲染过程中得到平衡。如下图，把数据通过NodeJS处理完之后放到HTML的一个属性里面再返回（很多平台就是这么干的）。
image.png
1.2、解决方案
- 伪装 User Agent法
在settings配置文件中新增User Agent池，在middlewares里面去调用。
========settings配置文件========
#User-Agent池
USER_AGENT_LIST = [
'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/55.0.2883.87 Chrome/55.0.2883.87 Safari/537.36',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:47.0) Gecko/20100101 Firefox/47.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:41.0) Gecko/20100101 Firefox/41.0',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.116 Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36',
'Mozilla/6.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Mobile Safari/537.36',
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/36.0.1985.125 Safari/537.36',
]
========middlewares配置文件========
# User Agent轮换
class RotateUserAgentMiddleware(UserAgentMiddleware):
def __init__(self, user_agent):
self.user_agent = user_agent
def process_request(self, request, spider):
ua = random.choice(self.user_agent)
request.headers['User-Agent'] = ua
@classmethod
def from_crawler(cls, crawler):
return cls(user_agent=crawler.settings.get('USER_AGENT_LIST'))
- 轮换IP法
使用IP代理和分布式。
使用IP代码的方式，在settings配置文件中新增IP池，然后在middlewares里面去调用。和伪装 User Agent法的方式一样。 - 模拟登录
在start_requests到parse之间实现登录操作。 - 云打码识别验证码
去网上找找，一大堆。 - 模拟浏览器操作
selenium和PhantomJS模拟人的操作，作为一个需要高效率的爬虫系统，建议不这么做。 - 达成和解：降低访问频率
- 破解API
前端知识，破解JS加密。
二、分布式爬虫的经验
分布式需要考虑的几个问题，第一个就是如何搭建分布式爬虫系统；再就是因为使用了分布式，部署爬虫系统的服务器会有很多，那么第二个需要考虑的问题就是如何一键部署；当然也需要监控系统，看看每个任务的运行情况。
2.1、搭建分布式爬虫系统
那么多台主机协作的关键是共享一个爬取队列。可以使用Scrapy-Redis，Scrapy-Redis库改写了Scrapy的调度器，队列等组件，可以方便的实现Scrapy分布式架构。也可以使用其他方式。
我们使用的是Celery+Rabbitmq+Scrapy+Flower构建的分布式爬虫系统。
Celery是一个基于python开发的分布式异步消息队列，轻松实现任务的异步处理。
Celery在执行任务时需要一个消息中间件来接收和发送任务消息，以及存储任务结果，一般使用RabbitMQ 或 Redis，本系统采用的是Rabbitmq。
Flower是Celery的一个实时监控和管理Web界面工具。
Flower使用Celery Events进行实时监视，实现了显示Task进度和历史，显示Task的详细信息(参数，启动时间，运行时间)，以及统计数据和图形的表示。
查看有那些节点(worker)，点击具体的worker可以查看每个worker的详细情况，以及设置：
image.png
查看Tasks，进入详情页还可以查看参数，启动时间，运行时间，以及任务失败的原因：
image.png
2.2、一键部署
Ansible是新出现的自动化运维工具，基于Python开发，集合了众多运维工具（puppet、cfengine、chef、func、fabric）的优点，实现了批量系统配置、批量程序部署、批量运行命令等功能。
2.3、监控&WEB系统
搭建了一个爬虫系统之后，需要对爬虫爬去的数据进行一个监测，主要包括服务器管理、任务管理、主题管理和数据管理等。
爬虫WEB系统是基于Django构建的爬虫web系统。Django是一个基于Python开发的web应用框架，采用了MTV的框架模式。
这块主要看产品的设计啦。主要目的是监控任务的爬取情况，监控主题的健康情况。
三、对于后期的内容精准推送有什么建议
老板肯定都是希望码农做出来的东西是价格低、质量好、速度快、保稳定，下面我来一个个说。
- 价格低，可以解释为成本低，人员成本。
这个我就不细讲啦，技术何必为难技术呢。 - 质量好是指内容质量满足要求，那么就需要对内容进行装饰。
数据采集、内容分发分开的，中间时通过装饰关系表去建立关联。 - 速度快是指内容推送及时性满足要求，在资源一定时需要可以设置不同任务的优先级。
根据控制不同的任务被消费的worker数进行控制的。 - 内容稳定性推送，那么需要提高内容分发的稳定性。
需要一个消息队列，比如kafka。
四、爬虫中遇到的一些坑
- 字符问题
爬出来的内容是乱码，HTTP Header中Accept-Encoding 是浏览器发给服务器,声明浏览器支持的编码类型的。 - 跨域请求
就是爬去的当前页面的请求参数是来自上一个页面中的一个值，而且还可能是加密的值。 - 数据藏在img文件中
- 请求需要破解JS，JS被混淆过
五、视频落地和精准推送
没有做过去把第三方视频落地过，本质上应该是没有什么区别。
六、数据落地，后期做用户画像考虑
提前考虑，把要做用户画像的数据用担当的一个日志文件保存，不然到时候获取需要的数据结构时比较麻烦。
做用户画像困难点可能是在梳理业务，制定合适的权重值。
数据存储的典型方法是Hadoop的分布式文件系统HDFS和HBase。
