大家好！從今天開始，我要與大家一起打造一個屬於我們自己的分散式爬蟲平臺，同時也會對涉及到的技術進行詳細介紹。大家如果有什麼好的想法請多留言，多提意見，一起來完善我們的爬蟲平臺。在正式介紹平臺之前，先用一些篇幅對基礎篇做一點補充。模擬滾動
這次的目標是爬一個眾籌網站的所有專案，專案列表頁如下：https://www.kaistart.com/project/more.html。開啟後進行分析，頁面顯示出10個專案：
如果想看到更多專案，並不能像網易雲音樂那樣點“下一頁”翻頁，而是需要向下拉滾動條或者向下滾動滑鼠滾輪來觸發非同步請求。爬蟲該如何應對這種情況呢？我們可以使用selenium的api執行js程式碼將螢幕內容滾動到指定位置。
下面這段程式碼會一直向下滾動專案頁，一直到滾不動為止：
|
1 2 3 4 5 6 7 8 |
# 一直滾動到最底部 js1 = 'return document.body.scrollHeight' js2 = 'window.scrollTo(0, document.body.scrollHeight)' old_scroll_height = 0 while browser.execute_script(js1) >= old_scroll_height: old_scroll_height = browser.execute_script(js1) browser.execute_script(js2) time.sleep(1) |
scrollTo() 方法可把內容滾動到指定的座標:
| 引數 | 描述 |
| xpos | 必需。要在視窗文件顯示區左上角顯示的文件的 x 座標。 |
| ypos | 必需。要在視窗文件顯示區左上角顯示的文件的 y 座標。 |
這裡用到了scrollHeight，它和ClientHeight還有OffsetHeight有什麼區別呢？
offsetHeight： 包括內容可見部分的高度，border，可見的padding，水平方向的scrollbar（如果存在）；不包括margin。
clientHeight： 包括內容可見部分的高度，可見的padding；不包括border，水平方向的scrollbar，margin。
scrollHeight： 包括內容的高度（可見與不可見），padding（可見與不可見）；不包括border，margin。
Chrome
程式碼寫好了，接下來就用selenium+phantomJs大法實驗一下！滾到底後把專案列表提取出來看一下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
browser = webdriver.PhantomJs() url = 'https://www.kaistart.com/project/more.html' try: browser.get(url) wait = ui.WebDriverWait(browser, 20) wait.until(lambda dr: dr.find_element_by_class_name('project-detail').is_displayed()) # 一直滾動到最底部 js1 = 'return document.body.scrollHeight' js2 = 'window.scrollTo(0, document.body.scrollHeight)' old_scroll_height = 0 while browser.execute_script(js1) >= old_scroll_height: old_scroll_height = browser.execute_script(js1) browser.execute_script(js2) time.sleep(1) sel = Selector(text=browser.page_source) proj_list = sel.xpath('//li[@class="project-li"]') |
程式執行結束後，顯示proje_list裡面只有25個元素，而我們自己手動滾的話卻有100多個，明顯有bug。想定位這個問題很簡單，截圖即可，看看為什麼停在第25個專案。對，phantomJs雖然沒有圖形介面，但是可以截圖。
|
1 |
browser.save_screenshot(debug.png') |
這樣就會把圖片儲存在專案目錄，開啟看看：
發現專案頁只能顯示一行，這說明網頁不相容phantomJs，這倒不是什麼新鮮事，換一個瀏覽器試試唄。第一期介紹過，selenium是支援所有主流瀏覽器的。比如換成Chrome，只需改一行程式碼：
|
1 |
browser = webdriver.Chrome() |
再次執行程式，不出所料，Chrome瀏覽器彈出來，不僅能夠正確顯示頁面，還一直在滾動：
專案全都刷出來了，想爬什麼就爬吧！什麼？你問我在Linux伺服器上怎麼爬？純命令列的那種嗎？
虛擬X Server
PhantomJs是無介面瀏覽器，可以在Linux伺服器上正常執行，但Chrome會在呼叫GUI介面時報錯。既然Linux伺服器沒有圖形介面服務，也就是X Server，我們就要虛擬出來一個，才能讓Chrome正常執行。於是找到了Xvfb（X virtual frame buffer）,它可以用來作為完整X服務程式的替代。Xvfb有一個Python的封裝叫PyVirtualDisplay，我們就用它來解決這個問題。
安裝：
pip install pyvirtualdisplay
用法：
|
1 2 3 4 5 6 7 8 9 10 |
from selenium import webdriver from pyvirtualdisplay import Display display = Display(visible=0, size=(800, 600)) display.start() driver = webdriver.Chrome() driver.get("http://www.baidu.com") print (driver.page_source.encode('utf-8')) driver.quit() display.stop() |
執行程式後列印出了baidu的頁面內容，現在可以完美執行Chrome了。需要補充的是，在Linux上執行Chrome需要額外安裝一個ChromeDriver，比較簡單，就不詳細介紹了。
分散式系統
既然我們要打造自己的分散式爬蟲平臺，就要先知道什麼是分散式系統，百度百科是這樣定義的：
分散式系統（distributed system）是建立在網路之上的軟體系統。正是因為軟體的特性，所以分散式系統具有高度的內聚性和透明性。因此，網路和分散式系統之間的區別更多的在於高層軟體（特別是作業系統），而不是硬體。內聚性是指每一個資料庫分佈節點高度自治，有本地的資料庫管理系統。透明性是指每一個資料庫分佈節點對使用者的應用來說都是透明的，看不出是本地還是遠端。在分散式資料庫系統中，使用者感覺不到資料是分佈的，即使用者不須知道關係是否分割、有無副本、資料存於哪個站點以及事務在哪個站點上執行等。
這個定義不太好理解，看看書上怎麼說。《分散式系統概念與設計》一書中對分散式系統做了如下定義：
分散式系統是一個硬體或軟體元件分佈在不同的網路計算機上，彼此之間僅僅通過訊息傳遞進行通訊和協調的系統。
《分散式系統原理和範型》一書中是這樣定義分散式系統的：
分散式系統是若干獨立計算機的集合，這些計算機對於使用者來說就像是單個相關係統。
簡單來說就是一群獨立計算機集合共同對外提供服務，但是對於系統的使用者來說，就像是一臺計算機在提供服務一樣。分散式意味著可以採用更多的普通計算機（相對於昂貴的大型機）組成分散式叢集對外提供服務。計算機越多，CPU、記憶體、儲存資源等也就越多，能夠處理的併發訪問量也就越大。
從分散式系統的概念中我們知道，各個主機之間通訊和協調主要通過網路進行，所以，分散式系統中的計算機在空間上幾乎沒有任何限制，這些計算機可能被放在不同的機櫃上，也可能被部署在不同的機房中，還可能在不同的城市中，對於大型的網站甚至可能分佈在不同的國家。但是，無論空間上如何分佈，一個標準的分散式系統應該具有以下幾個主要特徵：
透明性
系統資源被所有計算機共享。每臺計算機的使用者不僅可以使用本機的資源，還可以使用本分散式系統中其他計算機的資源。
同一性
系統中的若干臺計算機可以互相協作來完成一個共同的任務，或者說一個程式可以分佈在幾臺計算機上並行地執行。
通訊性
系統中的計算機都可以通過通訊來交換資訊。
下一步
今天先了解下基本概念，熱熱身。整個系統的架構及流程留到下次一起奉上。下期再見！