01-大规模异步新闻爬虫:实现一个更好的网络请求函数

你好,我是悦创。

这系列文章,将是大规模异步新闻爬虫实战的第一篇,网络请求篇:downloader 的实现。

好了,废话不多说,我先上代码:

# -*- coding: utf-8 -*-
# @Time    : 2021/2/18 12:47 下午
# @Author  : AI悦创
# @FileName: 实现一个更好的网络请求函数.py
# @Software: PyCharm
# @Blog    :https://www.aiyc.top
# @公众号   :AI悦创
import requests
import cchardet
import traceback  # 在 Python 代码出错的时候,会打印一些:出错信息,会告诉我们第几行出错了,


def downloader(url, timeout=10, headers=None, debug=False, binary=False):
    _headers = {
        'User-Agent': ('Mozilla/5.0 (compatible; MSIE 9.0; '
                       'Windows NT 6.1; Win64; x64; Trident/5.0)'),
    }
    redirected_url = url
    if headers:
        _headers = headers
    try:
        response = requests.get(url, headers=_headers, timeout=timeout)
        if binary:
            html = response.content
        else:
            encoding = cchardet.detect(response.content)['encoding']
            html = response.content.decode(encoding)
        status = response.status_code
        redirected_url = response.url  # response 目前请求的 url ,也就是我们最初的 url 和最终的 url 有可能不是同一个,有可能被重定向了。
    except:
        if debug:
            traceback.print_exc()
        msg = 'failed download: {}'.format(url)
        print(msg)
        if binary:
            html = b''
        else:
            html = ''
        status = 0
    return status, html, redirected_url


if __name__ == '__main__':
    # url = 'http://news.baidu.com/'
    url = 'https://www.aiyc.top/'
    status, html, redirected_url = downloader(url)
    print(status, len(html), redirected_url)

这个 downloader() 函数,内置了默认的 User-Agent 模拟成一个 IE9 浏览器,同时接受调用者自定义的 headers 和 timeout。使用 cchardet 来处理编码问题,返回数据包括:

  • 状态码:如果出现异常,设置为0
  • 内容: 默认返回 str 内容。但是 URL 链接的是图片等二进制内容时,注意调用时要设 binary=True
  • 重定向 URL: 有些 URL 会被重定向,最终页面的 url 包含在响应对象里面

新闻 URL 的清洗

我们先看看这两个新闻网址:

http://xinwen.eastday.com/a/n181106070849091.html?qid=news.baidu.com

http://news.ifeng.com/a/20181106/60146589_0.shtml?_zbs_baidu_news

上面两个带 ? 的网站来自百度新闻的首页,这个问号 ? 的作用就是告诉目标服务器,这个网址是从百度新闻链接过来的,是百度带过来的流量。但是它们的表示方式不完全一样,一个是 qid=news.baidu.com, 一个是 _zbs_baidu_news 。这有可能是目标服务器要求的格式不同导致的,这个在目标服务器的后台的浏览统计程序中可能用得到。

然后去掉问号 ? 及其后面的字符,发现它们和不去掉指向的是相同的新闻网页。

从字符串对比上看,有问号和没问号是两个不同的网址,但是它们又指向完全相同的新闻网页,说明问号后面的参数对响应内容没有任何影响。

正在抓取新闻的大量实践后,我们发现了这样的规律:

新闻类网址都做了大量 SEO,它们把新闻网址都静态化了,基本上都是以 .html, .htm, .shtml 等结尾,后面再加任何请求参数都无济于事。

但是,还是会有些新闻网站以参数 id 的形式动态获取新闻网页。

那么我们抓取新闻时,就要利用这个规律,防止重复抓取。由此,我们实现一个清洗网址的函数。

# -*- coding: utf-8 -*-
# @Time    : 2021/5/17 10:42 上午
# @Author  : AI悦创
# @FileName: clean_url.py
# @Software: PyCharm
# @Blog    :https://www.aiyc.top
# @公众号   :AI悦创
# 过滤后缀
from urllib.parse import urlparse

g_bin_postfix = set([
    'exe', 'doc', 'docx', 'xls', 'xlsx', 'ppt', 'pptx',
    'pdf',
    'jpg', 'png', 'bmp', 'jpeg', 'gif',
    'zip', 'rar', 'tar', 'bz2', '7z', 'gz',
    'flv', 'mp4', 'avi', 'wmv', 'mkv',
    'apk',
])

# 新闻链接后缀
g_news_postfix = [
    '.html?', '.htm?', '.shtml?',
    '.shtm?',
]


def clean_url(url):
    # 1. 是否为合法的http url
    if not url.startswith('http'):
        return ''
    # 2. 去掉静态化url后面的参数
    for np in g_news_postfix:
        p = url.find(np)
        if p > -1:
            p = url.find('?')
            url = url[:p]
            return url
    # 3. 不下载二进制类内容的链接
    up = urlparse(url)
    path = up.path
    if not path:
        path = '/'
    postfix = path.split('.')[-1].lower()
    if postfix in g_bin_postfix:
        return ''

    # 4. 去掉标识流量来源的参数
    # badquery = ['spm', 'utm_source', 'utm_source', 'utm_medium', 'utm_campaign']
    good_queries = []
    for query in up.query.split('&'):
        qv = query.split('=')
        if qv[0].startswith('spm') or qv[0].startswith('utm_'):
            continue
        if len(qv) == 1:
            continue
        good_queries.append(query)
    query = '&'.join(good_queries)
    url = urlparse.urlunparse((
        up.scheme,
        up.netloc,
        path,
        up.params,
        query,
        ''  # crawler do not care fragment
    ))
    return url

清洗 url 的方法都在代码的注释里面了,这里面包含了两类操作:

  • 判断是否合法 url,非法的直接返回空字符串
  • 去掉不必要的参数,去掉静态化 url 的参数

网络爬虫知识点

1. URL 清洗

网络请求开始之前,先把url清洗一遍,可以避免重复下载、无效下载(二进制内容),节省服务器和网络开销。

2. cchardet 模块

该模块是 chardet 的升级版,功能和 chardet 完全一样,用来检测一个字符串的编码。由于是用 C 和 C++ 实现的,所以它的速度非常快,非常适合在爬虫中用来判断网页的编码。

切记,不要相信 requests 返回的 encoding,自己判断一下更放心。上一节,我们已经列举了一个例子来证明 requests 对编码识别的错误,如果忘了的话,可以再去回顾一下。

3. traceback 模块

我们写的爬虫在运行过程中,会出现各种异常,而且有些异常是不可预期的,也不知道它会出现在什么地方,我们就需要用 try 来捕获异常让程序不中断,但是我们又需要看看捕获的异常是什么内容,由此来改善我们的爬虫。这个时候,就需要 traceback 模块。

比如在 downloader() 函数里面我们用 try 捕获了 get() 的异常,但是,异常也有可能是 cchardet.detect() 引起的,用 traceback.print_exc() 来输出异常,有助于我们发现更多问题。

AI悦创·创造不同!
AI悦创 » 01-大规模异步新闻爬虫:实现一个更好的网络请求函数

发表评论