本文已获作者授权。
文 | resolvewang 本篇文章将是『如何构建一个分布式爬虫』系列文章的最后一篇，拟从实战角度来介绍如何构建一个稳健的分布式微博爬虫。这里我没敢谈高效，抓过微博数据的同学应该都知道微博的反爬虫能力，也知道微博数据抓取的瓶颈在哪里。我在知乎上看过一些同学的说法，把微博的数据抓取难度简单化了，我只能说，那是你太 naive，没深入了解和长期抓取而已。 本文将会以 PC 端微博进行讲解，因为移动端微博数据不如 PC 短全面，而且抓取和解析难度都会小一些。文章比较长，由于篇幅所限，文章并没有列出所有代码，只是讲了大致流程和思路。
要抓微博数据，第一步便是模拟登陆，因为很多信息（比如用户信息，用户主页微博数据翻页等各种翻页）都需要在登录状态下才能查看。关于模拟登陆进阶，我写过两篇文章，一篇是 模拟登陆微博的，是从小白的角度写的。另外一篇是 模拟登陆百度云的，是从有一定经验的熟手的角度写的。读了这两篇文章，并且根据我写的过程自己动手实现过的同学，应该对于模拟登陆 PC 端微博是没有太大难度的。那两篇文章没有讲如何处理验证码，这里我简单说一下，做爬虫的同学不要老想着用什么机器学习的方法去识别复杂验证码，真的难度非常大，这应该也不是一个爬虫工程师的工作重点，当然这只是我的个人建议。工程化的项目，我还是建议大家通过打码平台来解决验证码的问题。我在 分布式微博爬虫中就是直接调用打码平台的接口来做的大规模微博账号的模拟登陆，效果还不错，而且打码成本很低。 说完模拟登陆（具体请参见我写的那两篇文章，篇幅所限，我就不 copy 过来了），我们现在正式进入微博的数据抓取。这里我会以微博用户信息抓取为例来进行分析和讲解。 关于用户信息抓取，可能我们有两个目的。一个是我们只想抓一些指定用户，另外一个是我们想尽可能多的抓取更多数量的用户的信息。我的目的假定是第二种。那么我们该以什么样的策略来抓取，才能获得尽可能多的用户信息呢？如果我们初始用户选择有误，选了一些不活跃的用户，很可能会形成一个环，这样就抓不了太多的数据。这里有一个很简单的思路：我们把一些大 V 拿来做为种子用户，我们先抓他们的个人信息，然后再抓大 V 所关注的用户和粉丝，大 V 关注的用户肯定也是类似大 V 的用户，这样的话，就不容易形成环了。 策略我们都清楚了。就该是分析和编码了。 我们先来分析如何构造用户信息的 URL。这里我以微博名为 一起神吐槽 的博主为例进行分析。做爬虫的话，一个很重要的意识就是爬虫能抓的数据都是人能看到的数据，反过来，人能在浏览器上看到的数据，爬虫几乎都能抓。这里用的是 几乎，因为有的数据抓取难度特别。我们首先需要以正常人的流程看看怎么获取到用户的信息。我们先进入该博主的主页，如下图 
种子用户主页 点击查看更多，可以查看到该博主的具体信息 
种子博主具体信息 这里我们就看到了他的具体信息了。然后，我们看该页面的 url 构造 http://weibo.com/p/1005051751195602/info?mod=pedit_more
我直接 copy 的地址栏的 url。这样做有啥不好的呢？对于老鸟来说，一下就看出来了，这样做的话，可能会导致信息不全，因为可能有些信息是动态加载的。所以，我们需要通过抓包来判断到底微博会通过该 url 返回所有信息，还是需要请求一些 ajax 链接才会返回一些关键信息。这里我就重复一下我的观点：抓包很重要，抓包很重要，抓包很重要！重要的事情说三遍。关于抓包，我在 模拟登陆微博和 模拟登陆百度云都详细讲过了，这里我就不讲了。 我们抓完包，发现并没有 ajax 请求。那么可以肯定请求前面的 url，会返回所有信息。我们通过点击鼠标右键，查看网页源代码，然后 ctrl a、 ctrl c 将所有的页面源码保存到本地，这里我命名为 personinfo.html。我们用浏览器打开该文件，发现我们需要的所有信息都在这段源码中，这个工作和抓包判断数据是否全面有些重复，但是在我看来是必不可少的，因为我们解析页面数据的时候还可以用到这个 html 文件，如果我们每次都通过网络请求去解析内容的话，那么可能账号没一会儿就会被封了（因为频繁访问微博信息），所以我们需要把要解析的文件保存到本地。 从上面分析中我们可以得知 http://weibo.com/p/1005051751195602/info?mod=pedit_more
这个 url 就是获取用户数据的 url。那么我们在只知道用户 id 的时候怎么构造它呢？我们可以多拿几个用户 id 来做测试，看构造是否有规律，比如我这里以用户名为 网易云音乐的用户做分析，发现它的用户信息页面构造如下 http://weibo.com/1721030997/about
这个就和上面那个不同了。但是我们仔细观察，可以发现上面那个是个人用户，下面是企业微博用户。我们尝试一下把它们 url 格式都统一为第一种或者第二种的格式 http://weibo.com/1751195602/about
这样会出现 404，那么统一成上面那种呢？ http://weibo.com/p/1005051721030997/info?mod=pedit_more
这样子的话，它会被重定向到用户主页，而不是用户详细资料页。所以也就不对了。那么该以什么依据判断何时用第一种 url 格式，何时用第二种 url 格式呢？我们多翻几个用户，会发现除了 100505 之外，还有 100305、 100206 等前缀，那么我猜想这个应该可以区分不同用户。这个前缀在哪里可以得到呢？我们打开我们刚保存的页面源码，搜索 100505，可以发现 
domain 微博应该是根据这个来区分不同用户类型的。这里大家可以自己也可以试试，看不同用户的 domain 是否不同。为了数据能全面，我也是做了大量测试，发现个人用户的 domain 是 1005051，作家是 100305，其他基本都是认证的企业号。前两个个人信息的 url 构造就是
后者的是 http://weibo.com/uid/about
弄清楚了个人信息 url 的构造方式，但是还有一个问题。我们已知只有 uid 啊，没有 domain 啊。如果是企业号，我们通过 domain=100505 会被重定向到主页，如果是作家等(domain=100305 或者 100306)，也会被重定向主页。我们在主页把 domain 提取出来，再请求一次，不就能拿到用户详细信息了吗？ 关于如何构造获取用户信息的 url 的相关分析就到这里了。因为我们是在登录的情况下进行数据抓取的，可能在抓取的时候，某个账号突然就被封了，或者由于网络原因，某次请求失败了，该如何处理？对于前者，我们需要判断每次请求返回的内容是否符合预期，也就是看 response url 是否正常，看 response content 是否是 404 或者让你验证手机号等，对于后者，我们可以做一个简单的重试策略，大概代码如下 @timeout_decorator
def get_page(url, user_verify=True, need_login=True):
'''
:param url: 待抓取 url
:param user_verify: 是否为可能出现验证码的页面(ajax 连接不会出现验证码，如果是请求微博或者用户信息可能出现验证码)，否为抓取转发的 ajax 连接
:param need_login: 抓取页面是否需要登录，这样做可以减小一些账号的压力
:return: 返回请求的数据，如果出现 404 或者 403,或者是别的异常，都返回空字符串
'''
crawler.info('本次抓取的 url 为{url}'.format(url=url))
count = 0
while count max_retries:
if need_login:
# 每次重试的时候都换 cookies,并且和上次不同,如果只有一个账号，那么就允许相同
name_cookies = Cookies.fetch_cookies()
if name_cookies is None:
crawler.warning('cookie 池中不存在 cookie，正在检查是否有可用账号')
rs = get_login_info()
# 选择状态正常的账号进行登录，账号都不可用就停掉 celery worker
if len(rs) == 0:
crawler.error('账号均不可用，请检查账号健康状况')
# 杀死所有关于 celery 的进程
if 'win32' in sys.platform:
os.popen('taskkill /F /IM 'celery*'')
else:
os.popen('pkill -f 'celery'')
else:
crawler.info('重新获取 cookie 中...')
login.excute_login_task()
time.sleep(10)
try:
if need_login:
resp = requests.get(url, headers=headers, cookies=name_cookies[1], timeout=time_out, verify=False)
if '$CONFIG['islogin'] = '0'' in resp.text:
crawler.warning('账号{}出现异常'.format(name_cookies[0]))
freeze_account(name_cookies[0], 0)
Cookies.delete_cookies(name_cookies[0])
continue
else:
resp = requests.get(url, headers=headers, timeout=time_out, verify=False)
page = resp.text
if page:
page = page.encode('utf-8', 'ignore').decode('utf-8')
else:
continue
# 每次抓取过后程序 sleep 的时间，降低封号危险
time.sleep(interal)
if user_verify:
if 'unfreeze' in resp.url or 'accessdeny' in resp.url or 'userblock' in resp.url or is_403(page):
crawler.warning('账号{}已经被冻结'.format(name_cookies[0]))
freeze_account(name_cookies[0], 0)
Cookies.delete_cookies(name_cookies[0])
count = 1
continue
if 'verifybmobile' in resp.url:
crawler.warning('账号{}功能被锁定，需要手机解锁'.format(name_cookies[0]))
freeze_account(name_cookies[0], -1)
Cookies.delete_cookies(name_cookies[0])
continue
if not is_complete(page):
count = 1
continue
if is_404(page):
crawler.warning('url 为{url}的连接不存在'.format(url=url))
return ''
except (requests.exceptions.ReadTimeout, requests.exceptions.ConnectionError, AttributeError) as e:
crawler.warning('抓取{}出现异常，具体信息是{}'.format(url, e))
count = 1
time.sleep(excp_interal)
else:
Urls.store_crawl_url(url, 1)
return page
crawler.warning('抓取{}已达到最大重试次数，请在 redis 的失败队列中查看该 url 并检查原因'.format(url))
Urls.store_crawl_url(url, 0)
return ''
这里大家把上述代码当一段伪代码读就行了，主要看看如何处理抓取时候的异常。因为如果贴整个用户抓取的代码，不是很现实，代码量有点大。
下面讲页面解析的分析。有一些做 PC 端微博信息抓取的同学，可能曾经遇到过这么个问题：保存到本地的 html 文件打开都能看到所有信息啊，为啥在页面源码中找不到呢？因为 PC 端微博页面的关键信息都是像下图这样，被 FM.view() 包裹起来的，里面的数据可能被json encode过。 
标签 那么这么多的 FM.view()，我们怎么知道该提取哪个呢？这里有一个小技巧，由于只有中文会被编码，英文还是原来的样子，所以我们可以看哪段 script 中包含了渲染后的页面中的字符，那么那段应该就可能包含所有页面信息。我们这里以顶部的头像为例，如图 
根据唯一性判断 我们在页面源码中搜索，只发现一个 script 中有该字符串，那么就是那段 script 是页面相关信息。我们可以通过正则表达式把该 script 提取出来，然后把其中的 html 也提取出来，再保存到本地，看看信息是否全面。这里我就不截图了。感觉还有很多要写的，不然篇幅太长了。 另外，对于具体页面的解析，我也不做太多的介绍了。太细的东西还是建议读读源码。我只讲一下，我觉得的一种处理异常的比较优雅的方式。微博爬虫的话，主要是页面样式太多，如果你打算包含所有不同的用户的模版，那么我觉得几乎不可能，不同用户模版，用到的解析规则就不一样。那么出现解析异常如何处理？尤其是你没有 catch 到的异常。很可能因为这个问题，程序就崩掉。其实对于 Python 这门语言来说，我们可以通过 装饰器 来捕捉我们没有考虑到的异常，比如我这个装饰器 def parse_decorator(return_type):
'''
:param return_type: 用于捕捉页面解析的异常, 0 表示返回数字 0, 1 表示返回空字符串, 2 表示返回 [],3 表示返回 False, 4 表示返回{}, 5 返回 None
:return: 0,'',[],False,{},None
'''
def page_parse(func):
@wraps(func)
def handle_error(*keys):
try:
return func(*keys)
except Exception as e:
parser.error(e)
if return_type == 5:
return None
elif return_type == 4:
return {}
elif return_type == 3:
return False
elif return_type == 2:
return []
elif return_type == 1:
return ''
else:
return 0
return handle_error
return page_parse
上面的代码就是处理解析页面发生异常的情况，我们只能在数据的准确性、全面性和程序的健壮性之间做一些取舍。用装饰器的话，程序中不用写太多的 try 语句，代码重复率也会减少很多。 页面的解析由于篇幅所限，我就讲到这里了。没有涉及太具体的解析，其中一个还有一个比较难的点，就是数据的全面性，读者可以去多观察几个微博用户的个人信息，就会发现有的个人信息，有的用户有填写，有的并没有。解析的时候要考虑完的话，建议从自己的微博的个人信息入手，看到底有哪些可以填。这样可以保证几乎不会漏掉一些重要的信息。
最后，我再切合本文的标题，讲如何搭建一个分布式的微博爬虫。开发过程中，我们可以先就做单机单线程的爬虫，然后再改成使用 celery 的方式。这里这样做是为了方便开发和测试，因为你单机搭起来并且跑得通了，那么分布式的话，就很容易改了，因为 celery 的 API 使用本来就很简洁。 我们抓取的是用户信息和他的关注和粉丝 uid。用户信息的话，我们一个请求大概能抓取一个用户的信息，而粉丝和关注我们一个请求可以抓取 18 个左右（因为这个抓的是列表），显然可以发现用户信息应该多占一些请求的资源。这时候就该介绍 理论篇没有介绍的关于 celery 的一个高级特性了，它叫做任务路由。直白点说，它可以规定哪个分布式节点能做哪些任务，不能做哪些任务。它的存在可以让资源分配更加合理， 分布式微博爬虫项目初期，就没有使用任务路由，然后抓了十多万条关注和分析，结果发现用户信息抓几万条，这就是资源分配得不合理。那么如何进行任务路由呢？ # coding:utf-8
import os
from datetime import timedelta
from celery import Celery
from kombu import Exchange, Queue
from config.conf import get_broker_or_backend
from celery import platforms
# 允许 celery 以 root 身份启动
platforms.C_FORCE_ROOT = True
worker_log_path = os.path.join(os.path.dirname(os.path.dirname(__file__)) '/logs', 'celery.log')
beat_log_path = os.path.join(os.path.dirname(os.path.dirname(__file__)) '/logs', 'beat.log')
tasks = ['tasks.login', 'tasks.user']
# include 的作用就是注册服务化函数
app = Celery('weibo_task', include=tasks, broker=get_broker_or_backend(1), backend=get_broker_or_backend(2))
app.conf.update(
CELERY_TIMEZONE='Asia/Shanghai',
CELERY_ENABLE_UTC=True,
CELERYD_LOG_FILE=worker_log_path,
CELERYBEAT_LOG_FILE=beat_log_path,
CELERY_ACCEPT_CONTENT=['json'],
CELERY_TASK_SERIALIZER='json',
CELERY_RESULT_SERIALIZER='json',
CELERY_QUEUES=(
Queue('login_queue', exchange=Exchange('login', type='direct'), routing_key='for_login'),
Queue('user_crawler', exchange=Exchange('user_info', type='direct'), routing_key='for_user_info'),
Queue('fans_followers', exchange=Exchange('fans_followers', type='direct'), routing_key='for_fans_followers'),
)
上述代码我指定了有 login_queue、 user_crawler、 fans_followers 三个任务队列。它们分别的作用是登录、用户信息抓取、粉丝和关注抓取。现在假设我有三台爬虫服务器 A、B 和 C。我想让我所有的账号登录任务分散到三台服务器、让用户抓取在 A 和 B 上执行，让粉丝和关注抓取在 C 上执行，那么启动 A、B、C 三个服务器的 celery worker 的命令就分别是 celery -A tasks.workers -Q loginqueue,usercrawler worker -l info -c 1 # A 服务器和 B 服务器启动 worker 的命令，它们只会执行登录和用户信息抓取任务 celery -A tasks.workers -Q loginqueue,fansfollowers worker -l info -c 1 # C 服务器启动 worker 的命令，它只会执行登录、粉丝和关注抓取任务
然后我们通过命令行或者代码（如下）就能发送所有任务给各个节点执行了 # coding:utf-8
from tasks.workers import app
from page_get import user as user_get
from db.seed_ids import get_seed_ids, get_seed_by_id, insert_seeds, set_seed_other_crawled
@app.task(ignore_result=True)
def crawl_follower_fans(uid):
seed = get_seed_by_id(uid)
if seed.other_crawled == 0:
rs = user_get.get_fans_or_followers_ids(uid, 1)
rs.extend(user_get.get_fans_or_followers_ids(uid, 2))
datas = set(rs)
# 重复数据跳过插入
if datas:
insert_seeds(datas)
set_seed_other_crawled(uid)
@app.task(ignore_result=True)
def crawl_person_infos(uid):
'''
根据用户 id 来爬取用户相关资料和用户的关注数和粉丝数（由于微博服务端限制，默认爬取前五页，企业号的关注和粉丝也不能查看）
:param uid: 用户 id
:return:
'''
if not uid:
return
# 由于与别的任务共享数据表，所以需要先判断数据库是否有该用户信息，再进行抓取
user = user_get.get_profile(uid)
# 不抓取企业号
if user.verify_type == 2:
set_seed_other_crawled(uid)
return
app.send_task('tasks.user.crawl_follower_fans', args=(uid,), queue='fans_followers',
routing_key='for_fans_followers')
@app.task(ignore_result=True)
def excute_user_task():
seeds = get_seed_ids()
if seeds:
for seed in seeds:
# 在 send_task 的时候指定任务队列
app.send_task('tasks.user.crawl_person_infos', args=(seed.uid,), queue='user_crawler',
routing_key='for_user_info')
这里我们是通过 queue='user_crawler',routing_key='for_user_info' 来将任务和 worker 进行关联的。 关于 celery 任务路由的更详细的资料请阅读 官方文档。
到这里，基本把微博信息抓取的过程和分布式进行抓取的过程都讲完了，具体实现分布式的方法，可以读读 基础篇。由于代码量比较大，我并没有贴上完整的代码，只讲了要点。分析过程是讲的抓取过程的分析和页面解析的分析，并在最后，结合分布式，讲了一下使用任务队列来让分布式爬虫更加灵活和可扩展。 如果有同学想跟着做一遍，可能需要参考 分布式微博爬虫的源码，自己动手实现一下，或者跑一下，印象可能会更加深刻。
题图：pexels，CC0 授权。
|
