知乎爬蟲之5:爬蟲優化

本文由博主原創,轉載請注明出處

知乎爬蟲系列文章：

github爬蟲項目（源碼）地址(已完成，關注和star在哪~):https://github.com/MatrixSeven/ZhihuSpider

附贈之前爬取的數據一份(mysql): 鏈接:https://github.com/MatrixSeven/ZhihuSpider 只下載不點贊，不star，差評差評~藍瘦香菇）

1. 使用多線程加速

什么，爬蟲爬起來數據太慢了，怎么辦？你那當然是開啟多線程了。那么多線程是什么我就不介紹了。如果還不知道的，請左移多線程百度百科。
恩，知道了多線程，但是多線程如果自己控制的話，會很不好控制，所以咱們還需要兩個線程池，一個負責拿到個人信息，一個負責獲取用戶的token。接下來讓咱們之前寫的ParserBase類實現Runnable，然后在ParserFollower里和ParserUserInfo里分別實現run方法，其實也很簡單了，就是把之前的爬去邏輯，丟到run方法里。然后咱們就開啟了多線程之旅。
但是在存取數據的時候會遇到很多問題，比如數據會重復，這就出現了臟數據，那么咱們就是適當的加鎖。來保證數據的干凈。

2. 使用隊列減少數據庫訪問

如果說數據重復的問題解決的，那么咱們還有一個大問題，因為兩次爬到的可能是同一個人，但是一份在數據庫里，一份在正在跑的內存里，怎么辦，當然是要連接下數據庫，然后判斷是數據是否已經在數據庫中存在了，那么在多線程且獲取速度很快的情況下，那么將會頻繁訪問數據庫，造成速度緩慢，數據庫鏈接數過多，cpu使用率過大，那咱們怎么除處理這個問題呢？
首先大家都一定知道，在現在內存非常大的今天，咱們完全可以把一部分數據直接緩存下載，而且程序訪問內存的代價要比訪問數據庫的代價要小的太多。
因此，咱們可以用一個list把咱們已經有的token存下來，然后每次去這個list里去做驗證，這樣，就減少了數據庫的訪問了頻率。

3. 實現LRU提高緩存命中率

如上所說，用一個list的確是起到了減少數據庫訪問的目的，但是效果好像不如想象那么好，因為數據庫里100k的數據，咱們不可能把所有數據都緩存下載，那么怎么才能在優化下呢？
這時候就要合理的處理這個list了，自己實現一個LRU緩存，來調高命中率。
那么lru是什么？y一句話LRU是Least Recently Used 近期最少使用算法，也叫淘汰算法。
具體實現和思想可見緩存淘汰算法–LRU算法。
按照這個思想，其實還有個優化，那就是根據碰撞次數和上次碰撞時間進行移除。咱們只是實現簡單的，具體實現在MatrixSeven/ZhihuSpider

========關于獲取頁面數據=======

咱們上一篇分析了知乎的登陸請求和如何拿到粉絲/關注的請求，那么咱們這篇就來研究下如何拿利用Jsoup到咱們想要的數據。
那么咱們說下，首先請求關注者和粉絲者是pcweb版本的，但是獲取頁面的是手機頁面的。
好，正題:

1.什么是Jsoup

jsoup 是一款Java 的HTML解析器，可直接解析某個URL地址、HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似于jQuery的操作方法來取出和操作數據。

2. HttpClient請求模擬

HttpClient 是 Apache Jakarta Common 下的子項目，可以用來提供高效的、最新的、功能豐富的支持 HTTP 協議的客戶端編程工具包，并且它支持 HTTP 協議最新的版本和建議。

3.走起頁面

首先模擬手機瀏覽器的UA。就是讓咱們打開的頁面返回的是移動端的頁面效果，那么最應該怎么怎么做呢？其實服務器判定你是ie還是chrome還是firefox是根據請求頭里面的UA實現的，因此咱們要找一個手機瀏覽器的UA。。
咱們可以某度一下或者直接在瀏覽器里面直接f12,模擬移動端，然后看請求參數：

User-Agent:Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36

妥妥的沒問題：

那咱們如何將這句體現到程序里面呢？
簡單，在咱們拿到get對象后直接設置：

 httpGet.setHeader("User-Agent", "Mozilla/5.0 
        (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 
        (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36");

就ok了，然后咱們就可以用jsoup來拿咱們想要的元素了，jsoup的語法和jq如出一轍。
咱們直接對著頁面，右擊咱們想要的元素，選擇審查元素，然后用jq的選擇器選出來就好了。
可以參考jQuery 選擇器

4.拿到關注者

直接get咱們之前分析的請求地址

https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&
include=data%5B%2A%5D.employments%2Ccover_url%2Callow_message%2Canswer_coun
t%2Carticles_count%2Cfavorite_count%2Cfollower_count%2Cgender%2Cis_followe
d%2Cmessage_thread_token%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer
%29%5D.topics&limit=10&offset=30

不過要記得替換用戶名字和在請求頭里加入cookie的最后一段zc_0
然后請求數據返回的是json

{
  "paging": {
    "is_end": false,
    "next": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=20",
    "previous": "https://www.zhihu.com/api/v4/members/Sweets07/followers?per_page=10&include=data%5B%2A%5D.answer_count%2Carticles_count%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F%28type%3Dbest_answerer%29%5D.topics&limit=10&offset=0",
    "is_start": false,
    "totals": 398
  },
  "data": [
    {
      "is_followed": true,
      "avatar_url_template": "https://pic1.zhimg.com/da8e974dc_{size}.jpg",
      "name": "陳曉峰",
      "url": "",
      "type": "people",
      "user_type": "people",
      "answer_count": 0,
      "url_token": "chen-xiao-feng-84",
      "headline": "阿里巴巴，分布式數據庫，",
      "avatar_url": "https://pic1.zhimg.com/da8e974dc_is.jpg",
      "is_following": false,
      "is_org": false,
      "follower_count": 14,
      "badge": [],
      "id": "ff02ea0544901a9ddfcb7ba60c73b673",
      "articles_count": 0
    }
  ]
}

這個數據包括了下次請求地址，上次請求地址，時候是開始，時候是結束，共有多少粉絲，關注人基本信息，
因此咱們可以在一個while里來獲得所有粉絲數：
流程：

第一次獲取數據
獲取is_end字段
判斷is_end時候為true
根據is_end判斷是否繼續循環
如果循環，更新is_end，更新下次請求連接

一套下來，就能拿到一個用戶的所有粉絲了。

吾愛Java(QQ群):170936712

posted @ 2017-01-06 10:04 菜狗_無知閱讀(2202) 評論(4) 收藏舉報

刷新頁面返回頂部

柒

無知的菜狗