大數據時代，這項收集數據的技能不可少

大數據是未來的“新石油”?！度祟惡喪罚簭膭游锏缴系邸返淖髡哂韧郀枴ず绽f：大數據將是人類自由意志的終結，數據主義將取代以往的宗教和人文主義，成為未來的信仰。人人都在談大數據，談DT時代，我們剝去社會附加上的外衣，則回歸“數據”二字。

那如何獲取數據呢？

在運營公眾號這么長一段時間，經常有人問超模君：超模君，我需要什么的數據，該怎么處理，或者直接問超模君，能不能給我提供一些數據？

其實超模君內心是奔潰的。。。而一般我給出的建議如果沒有整理好的數據，可以嘗試做個爬蟲試試。而在獲取數據的道路上并不簡單，爬蟲可謂是“麻雀雖小，五臟俱全”，爬蟲雖然操作起來很簡單，用十幾行腳本語言就可以搞定，但其中可涉及到網絡通信，字符串處理，數據庫等，能使用到一種語言的幾乎所有組件。

一言不合就上代碼

我們先來看一個最簡單的最簡單的爬蟲，用python寫成，只需要三行。

import requests
url="http://www.cricode.com"
r=requests.get(url)

上面這三行爬蟲程序，就如下面這三行情詩一般，很干脆利落。

是好男人，

就應該在和女友吵架時，

抱著必輸的心態。

上面那個最簡單的爬蟲，不是一個完整的爬蟲，因為爬蟲通常需要以下3個步驟：

1）給定的種子URLs，爬蟲程序將所有種子URL頁面爬取下來

2）爬蟲程序解析爬取到的URL頁面中的鏈接，將這些鏈接放入待爬取URL集合里

3）重復1、2步，直到達到指定條件才終止爬取

因此，一個完整的爬蟲大概是這樣子的：

import requests                       #用來爬取網頁
from bs4 import BeautifulSoup         #用來解析網頁
seds = ["http://www.hao123.com",      #我們的種子
              "http://www.csdn.net",
              "http://www.cricode.com"]
sum = 0                               #我們設定終止條件為：爬取到100000個頁面時，就不玩了
 
while sum < 10000 :
    if sum < len(seds):
         r = requests.get(seds[sum])
         sum = sum + 1
         do_save_action(r)
         soup = BeautifulSoup(r.content)               
         urls = soup.find_all("href",.....)                     //解析網頁
         for url in urls:
              seds.append(url)
 
    else:
         break

上面那個完整的爬蟲，不足20行代碼，相信你能找出20個需要改進的地方來。因為它的缺點實在是太多了。下面列舉一下它的N個缺點：

1）我們的任務是爬取1萬個網頁，按上面這個程序，一個人在默默的爬取，假設爬起一個網頁3秒鐘，那么，爬一萬個網頁就要3萬秒鐘。MGD，我們可以考慮開啟多個線程去一起爬取，或者用分布式架構去并發地爬取網頁。

2）種子URL和后續解析到的URL都放在一個列表里，我們應該將這些待爬取的URL存放到一個新的更合理的數據結構里，例如隊列或者優先隊列。

3）對各個網站的URL，我們一視同仁，然而，我們應該是要區別對待的。應當考慮大站好站優先原則。

4）我們每次發起請求，都是根據URL來發起的，而在這個過程中會牽涉到DNS解析（將URL轉換成 IP 地址）。一個網站通常有數以萬計的URL，所以我們可以考慮將這些網站域名的 IP 地址進行緩存，避免每次都發起DNS請求，浪費時間。

5）解析到網頁中的URLs后，我們沒有做任何去重處理，全部放入了待爬取的列表中。事實上，可能有很多鏈接是重復的，我們做了很多無用功。

6）…..

那么，真正的問題來了，學挖掘機到底哪家強？

現在我們就來列出上面找出的幾個問題的解決方案。

1）如何做到并行爬取

我們可以有多重方法去實現并行。

多線程或者線程池方式，一個爬蟲程序內部開啟多個線程。同一臺機器開啟多個爬蟲程序，這樣，我們就有N多爬取線程在同時工作。能大大縮短時間。

此外，當我們要爬取的任務特別多時，一臺機器、一個網點明顯不夠，這時我們就要考慮分布式爬蟲了。常見的分布式架構有：主從（Master——Slave）架構、點對點（Peer to Peer）架構，混合架構等。

說到分布式架構，我們需要考慮的問題就有很多，比如我們需要分派任務，各個爬蟲之間需要通信合作，共同完成任務，不要重復爬取相同的網頁。分派任務時我們要做到公平公正，就需要考慮如何進行負載均衡。負載均衡，我們第一個想到的就是Hash，比如根據網站域名進行hash。

負載均衡分派完任務之后，并不意味著萬事大吉了，萬一哪臺機器崩潰了呢？原先指派給崩潰的那臺機器的任務應該再指派給哪臺機器？又或者哪天要增加幾臺機器，任務重新分配問題該如何解決？

用一致性Hash算法就是一個比較好的解決方案。

2）如何對待待抓取隊列

類似于操作系統如何調度進程的場景。

不同的網站，重要程度不同，因此，可以設計一個優先級隊列來存放待爬取的網頁鏈接。這樣一來，每次抓取時，重要的網頁都會被我們優先爬取。

另外，你也可以效仿操作系統的進程調度策略之多級反饋隊列調度算法。

3）進行DNS緩存

為了避免每次都發起DNS查詢，我們可以將DNS進行緩存。DNS緩存當然是設計一個hash表來存儲已有的域名及其 IP 。

4）進行網頁去重

說到網頁去重，應該都會想到垃圾郵件過濾。垃圾郵件過濾的一個經典的解決方案是Bloom Filter（布隆過濾器）。布隆過濾器原理簡單來說就是：建立一個大的位數組，然后用多個Hash函數對同一個url進行hash得到多個數字，然后將位數組中這些數字對應的位置為1。下次再來一個url時，同樣是用多個Hash函數進行hash，得到多個數字，我們只需要判斷位數組中這些數字對應的為是全為1，如果全為1，那么說明這個url已經出現過。如此，便完成了url去重的問題。不過，這種方法會有誤差，但是只要誤差在我們的接受范圍之內，就像是1萬個網頁，我們只爬取到了9999個，剩下那1個網頁，誰在乎呢！

5）數據存儲的問題

數據存儲同樣是一個很有技術含量的問題。用關系數據庫存取還是用NoSQL，或者是自己設計特定的文件格式進行存儲，都有很大工程可做。

6）如何完成進程間通信

分布式爬蟲，離不開進程間的通信。我們可以以規定的數據格式進行數據交互，去完成進程間的通信。

7）……

廢話說了那么多，真正的問題來了，問題不是學挖掘機到底哪家強？而是如何實現上面這些東西?。海?