爬蟲工程師的入門簡介

    網際網路是由一個一個的超連結組成的，從一個網頁的連結可以跳到另一個網頁，在新的網頁裡，又有很多連結。理論上講，從任何一個網頁開始，不斷點開連結、連結的網頁的連結，就可以走遍整個網際網路！這個過程是不是像蜘蛛沿著網一樣爬？這也是“爬蟲”名字的由來。

    作為爬蟲工程師，就是要寫出一些能夠沿著網爬的”蜘蛛“程式，儲存下來獲得的資訊。一般來說，需要爬出來的資訊都是結構化的，如果不是結構化的，那麼也就沒什麼意義了（但百分之八十的資料是非結構化的）。爬蟲的規模可達可小，小到可以爬取豆瓣的top 250電影，定時爬取一個星期的天氣預報等。大到可以爬取整個網際網路的網頁（例如google）。下面這些，我認為都可以叫做爬蟲：

1. 爬知乎的作者和回答
2. 爬百度網盤的資源，存到資料庫中（當然，只是儲存資源的連結和標題），然後製作一個網盤的搜尋引擎
3. 同上，種子網站的搜尋引擎也是這樣的

到這裡，我們知道爬蟲的任務是獲取資料。現在比較流行大資料，從網際網路方面講，資料可以分成兩種，一種是使用者產生的（UGC），第二種就是通過一些手段獲得的，通常就是爬蟲。爬蟲又不僅僅侷限於從網頁中獲得資料，也可以從app抓包等。簡而言之，就是聚合資料並讓他們結構化。那麼，哪些工作需要爬蟲呢？

一.爬蟲能做什麼？

    典型的資料聚合類的網站都需要爬蟲。比如Google搜尋引擎。Google能在幾毫秒之內提供給你包含某些關鍵字的頁面，肯定不是實時給你去找網頁的，而是提前抓好，儲存在他們自己的資料庫裡（那他們的資料庫得多大呀）。所以種子搜尋引擎，網盤搜尋引擎，Resillio key引擎等都是用爬蟲實現抓好資料放在資料庫裡的。

    另外有一些提供資訊對比的網站，比如比價類的網站，就是通過爬蟲抓取不同購物網站商品的價格，然後將各個購物網站的價格展示在網站上。購物網站的價格時時都在變，但是比價網站抓到的資料不會刪除，所以可以提供價格走勢，這是購物網站不會提供的資訊。

    除此之外，做一些好玩的事情。比如我們想看大量的圖片，可以寫一個爬蟲批量下載下來，不必一個一個點選儲存，還要忍受網站的廣告了；比如我們想備份自己的資料，例如儲存下來我們在豆瓣釋出過的所有的廣播，可以使用爬蟲將自己釋出的內容全部抓下來，這樣即使一些網站沒有提供備份服務，我們也可以自己豐衣足食。

二.爬蟲工程師需要掌握哪些技能？

    我見過這樣的說法：“爬蟲是低階、重複性很多的工作，沒有發展前途”。這是誤解。首先，對於程式設計師來說基本上不存在重複性的工作，任何重複勞動都可以通過程式自動解決。例如博主之前要抓十幾個相似度很高但是html結構不太一樣的網站，我就寫了一個簡單的程式碼生成器，從爬蟲程式碼到單元測試程式碼都可以自動生成，只要對應html結構稍微修改一下就行了。所以我認為，重複性的勞動在程式設計方面來說基本上是不存在的，如果你認為自己做的工作是重複性的，說明你比較勤快，不願意去偷懶。而我還認為，勤快的程式設計師不是好程式設計師。下面我根據自己這段時間的工作經歷，講一講爬蟲需要哪些相關的技能。

1.基本的編碼基礎（至少一門程式語言）

    這個對於任何程式設計工作來說都是必須的。基礎的資料結構你得會吧。資料名字和值得對應（字典），對一些url進行處理（列表）等等。事實上，掌握的越牢固越好，爬蟲並不是一個簡單的工作，也並不比其他工作對程式語言的要求更高。熟悉你用的程式語言，熟悉相關的框架和庫永遠是百益無害。

我主要用Python，用Java寫爬蟲的也有，理論上講任何語言都可以寫爬蟲的，不過最好選擇一門相關的庫多，開發迅速的語言。用C語言寫肯定是自找苦吃了。

2.任務佇列

當爬蟲任務很大的時候，寫一個程式跑下來是不合適的：

1. 如果中間遇到錯誤停掉，重頭再來？這不科學
2. 我怎麼知道程式在哪裡失敗了？任務和任務之間不應該相互影響
3. 如果我有兩臺機器怎麼分工？

所以我們需要一種任務佇列，它的作用是：講計劃抓取的網頁都放到任務佇列裡面去。然後worker從佇列中拿出來一個一個執行，如果一個失敗，記錄一下，然後執行下一個。這樣，worker就可以一個接一個地執行下去。也增加了擴充套件性，幾億個任務放在佇列裡也沒問題，有需要可以增加worker，就像多一雙虧筷子吃飯一樣。

常用的任務佇列有kafka，beanstalkd，celery等。

3.資料庫

這個不用講了，資料儲存肯定要會資料庫的。不過有時候一些小資料也可以儲存成json或者csv等。我有時想抓一些圖片就直接按照資料夾儲存檔案。

推薦使用NoSQL的資料庫，比如mongodb，因為爬蟲抓到的資料一般是都欄位-值得對應，有些欄位有的網站有有的網站沒有，mongo在這方面比較靈活，況且爬蟲爬到的資料關係非常非常弱，很少會用到表與表的關係。

4.HTTP知識

    HTTP知識是必備技能。因為要爬的是網頁，所以必須要了解網頁啊。

    首先html文件的解析方法要懂，比如子節點父節點，屬性這些。我們看到的網頁是五彩斑斕的，只不過是被瀏覽器處理了而已，原始的網頁是由很多標籤組成的。處理最好使用html的解析器，如果自己用正則匹配的話坑會很多。我個人非常喜歡xpath，跨語言，表達比價好，但是也有缺點，正則、邏輯判斷有點彆扭。

    HTTP協議要理解。HTTP協議本身是無狀態的，那麼“登入”是怎麼實現的？這就要求去了解一下session和cookies了。GET方法和POST方法的區別（事實上除了字面意思不一樣沒有任何區別）。

    瀏覽器要熟練。爬蟲的過程其實是模擬人類去瀏覽器資料的過程。所以瀏覽器是怎麼訪問一個網站的，你要學會去觀察，怎麼觀察呢？Developer Tools！Chrome的Developer Tools提供了訪問網站的一切資訊。從traffic可以看到所有發出去的請求。copy as curl功能可以給你生成和瀏覽器請求完全一致的curl請求！我寫一個爬蟲的一般流程是這樣的，先用瀏覽器訪問，然後copy as curl看看有哪些header，cookies，然後用程式碼模擬出來這個請求，最後處理請求的結果儲存下來。

5.運維

    這個話題要說的有很多，實際工作中運維和開發的時間差不多甚至更多一些。維護已經在工作的爬蟲是一個繁重的工作。隨著工作時間增加，一般我們都會學著讓寫出來的爬蟲更好維護一些。比如爬蟲的日誌系統，資料量的統計等。將爬蟲工程師和運維分開也不太合理，因為如果一個爬蟲不工作了，那原因可能是要抓的網頁更新了結構，也有可能出現在系統上，也有可能是當初開發爬蟲的時候沒發現反扒策略，上線之後出問題了，也可能是對方網站發現了你是爬蟲把你封殺了，所以一般來說開發爬蟲要兼顧運維。

    所以爬蟲的運維我可以提供下面幾個思路：

    首先，從資料增量監控。定向爬蟲（指的是隻針對一個網站的爬蟲）比較容易，一段時間之後對一些網站的資料增量會有一個大體的瞭解。經常看看這些資料的增加趨勢是否是正常就可以了（Grafana）。非定向爬蟲的資料增量不是很穩定，一般看機器的網路狀況，網站的更新情況等（這方面我的經驗不多）。

    然後看爬蟲執行的成功情況。在上面提到了用任務佇列控制爬蟲工作，這樣解耦可以帶來很多好處，其中一個就是可以就是可以對一次爬蟲執行進行日誌。可以在每次爬蟲任務執行的時候，將執行的時間、狀態、目標url、異常等放入一個日誌系統（比如kibana），然後通過一個視覺化的手段可以清晰地看到爬蟲的失敗率。

爬蟲丟擲的Exception。幾乎所有的專案都會用到錯誤日誌收集（Sentry），這裡需要注意的一點是，忽略正常的異常（比如Connection錯誤，鎖衝突等），否則的話你會被這些錯誤淹沒。

三、爬蟲與反爬

    這同樣是很深的一個話題，就像攻擊武器與防禦武器一樣，雙方總是在不斷升級。常見的反爬措施（我遇到過的）有下面幾種：

1.訪問頻率

    很好理解，如果訪問太頻繁網站可能針對你的ip封鎖一段時間，這和防DDoS的原理一樣。對於爬蟲來說，碰到這樣的限制一下任務的頻率就可以了，可以儘量讓爬蟲想人類一樣訪問網頁（比如隨機sleep一段時間，如果每隔3s訪問一次網站很顯然不是正常人的行為）。

2.登入限制

    也比較常見。不過公開資訊的網站一般不會有這個限制，這樣讓使用者也麻煩了。其實反爬措施都或多或少的影響真實使用者，反爬越嚴格，誤殺使用者的可能性也越高。對爬蟲來說，登入同樣可以通過模擬登入的方式解決，加個cookie就行了（話又說回來，網路的原理很重要）。

3.通過Header封殺

    一般瀏覽器訪問網站會有header，比如Safari或者Chrome等等，還有作業系統資訊。如果使用程式訪問並不會有這樣的header。破解也很簡單，訪問的時候加上header就行。

4.JavaScript指令碼動態獲取網站資料

    有一些網站（尤其是單頁面網站）的內容並不是通過伺服器直接返回的，而是伺服器只返回一個客戶端JavaScript程式，然後JavaScript獲取內容。更高階的是，JavaScript在本地計算一個token，然後拿這個token來進行AJAX獲取內容。而本地的JavaScript又是經過程式碼混淆和加密的，這樣我們做爬蟲的通過看原始碼幾乎不可能模擬出來這個請求（主要是token不可能破解），但是我們可以從另一個角度：headless的瀏覽器，也就是我們直接執行這個客戶端程式，這可以100%地模擬真實使用者！

5.驗證碼

    這幾乎是終極武器了，驗證碼是專門用來區分人和計算機的手段。對於反爬方來說，這種方式對真實使用者和搜尋引擎（其實可以通過記錄搜尋引擎爬蟲的ip來區別對待，可以解決）的危害比較大，相信讀者都有輸入驗證碼的痛苦經歷。但這種方法也並不是無敵的！通過現在很火的機器學習可以輕鬆的識別大部分的驗證碼！Google的reCAPTCHA是一種非常高階的驗證碼，但是聽說通過模擬瀏覽器也是可以破解的。

6.ip限制

    網站可能將識別的ip永久封殺，這種方式需要的人力比較大，而且誤傷使用者的代價也很高。但是破解辦法卻非常簡單。目前代理池幾乎是搞爬蟲的標配了，甚至還有很多高匿代理等好用的東西。所以這基本上只能殺殺小爬蟲。

7.網站內容反爬

    有一些網站將網站內容用只有人類可以接收的形式來呈現（其實反爬就是區別對待人類和機器嘛）。比如將內容用圖片的形式顯示。但是近幾年來人類和機器的差別越來越小，圖片可以用OCR準確率非常高地去識別。

    反爬總結

爬蟲和反爬是典型的攻防雙方的互相升級。但是我認為，這種升級不像軍事，軍事是無盡頭的，但是爬蟲和反爬是有盡頭的。

爬蟲的盡頭就是瀏覽器，一旦使用瀏覽器，程式完全可以模擬真實使用者發出請求，缺點是就是消耗資源，因為需要新開一個程式，解析DOM，執行客戶端JavaScript程式碼。（chrome的node api在github開源僅僅兩天，就拿到8k個star）

反爬的盡頭就是像Google這種超級厲害的驗證碼，畢竟驗證碼的根本目的就是識別人類和機器的。

我正好有一個反爬做的非常好的例子。Google Arts Project專案是一個匯聚世界名畫的藝術長廊，我比較喜歡裡面的一些畫，所以想下載一些（當然這是不對的），然後發現這個網站反爬做的相當好（因為版權屬於收藏作品的博物館，所以Google Arts Project肯定不會提供下載），要下載幾乎是不可能的。我有點不服，開始用各種手段試圖下載原圖。嘗試了一番，發現這個網站block掉了滑鼠右鍵功能、審查元素發現圖片並不是一個常規的圖片、追蹤網路包發現原圖竟然不是一次網路請求拿到的，而是分成了好幾次請求base64編碼的字元流每次請求圖片的一部分，然後在客戶端組裝起來圖片！當然在客戶端的程式碼也是經過加密和混淆的！這完全可以作為反爬的教科書了，既沒有誤傷使用者，又讓爬蟲無法下手。

圖片每次只請求部分

四、職業道德

    成規模的爬蟲一般都會使用叢集，一般的小網站伺服器規模可能不如爬蟲叢集的規模大。所以很多時候我們最好對要爬的網站限制一下頻率。否則這些爬蟲就相當於DoS攻擊叢集了！一般的網站都會有robots.txt可以參考。

    好了，總結來說，寫爬蟲需要經驗積累，需要靈活的思路。比如說我之前就遇到過網站，需要驗證碼驗證拿到一個token，可是通過看網路請求發現這個token長得很像一個時間戳，然後本地自己生成一個時間戳發現也是能用的！於是就這樣繞過了驗證碼。所以多多積累和嘗試，可以偷不少懶，嘿嘿。

另外爬蟲也不是和我之前想的那樣是一個枯燥無味的工作，比如我就發現了不少很垃圾，很搞笑的網站，樂趣也蠻多的。學到的東西也不少。萬變不離其宗嘛。

    網際網路時代資訊無處不在，我們日常所接觸的大量資訊例如微博、社交媒體網站的帖子、消費者點評、新聞、銷售人員的拜訪記錄，這些都是常見的非結構化資料來源。非結構化資料分析能夠揭示潛藏在文字當中的趨勢和關聯，為商業決策、研究行業趨勢和熱點內容分析提供有力支援。