大规模异步新闻爬虫之网络请求函数的优化
前面我们实现了一个简单的再也不能简单的新闻爬虫，这个爬虫有很多槽点，估计大家也会鄙视这个爬虫。上一节最后我们讨论了这些槽点，现在我们就来去除这些槽点来完善我们的新闻爬虫。
问题我们前面已经描述清楚，解决的方法也有了，那就废话不多讲，代码立刻上（Talk is cheap, show me the code!）。
downloader 的实现
import requestsimport cchardet
import traceback
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:
r = requests.get(url, headers=_headers, timeout=timeout)
if binary:
html = r.content
else:
encoding = cchardet.detect(r.content)['encoding']
html = r.content.decode(encoding)
status = r.status_code
redirected_url = r.url
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/'
s, html，lost_url_found_by_大大派 = downloader(url)
print(s, len(html)，lost_url_found_by_大大派)
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.comhttp://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。
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',
])
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.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。
以上是 大规模异步新闻爬虫之网络请求函数的优化 的全部内容， 来源链接： utcz.com/z/523239.html
