python爬虫之全站爬取方法

方法

做过好几个关于网站全站的项目，这里总结一下。

先把上面那张图写下来，全站爬取的两种方法：

关系网络：

优点：简单；可以抓取“热门”数据

缺点：无法抓取全量数据；速度慢；需要解决去重问题

可行性：比较高

遍历ID

优点：可以抓取所有数据；不用数据去重

缺点：资源消耗大；速度慢；可能被发现

可行性：仅可用于ID自增

关于关系网络

其实这个很好理解。比如说知乎，一个大V有100W粉丝，从这个大V出发，抓取粉丝的粉丝，一直循环下去。（可能是个死循环）

这个方法就比较简单，Scrapy中就是继承CrawlSpider，再编写匹配规则就好。

Example

这种方法一般是搜索引擎会做的。而且抓取的内容基本是最多人看到的，所以月排在前面，和SEO有关。

但是这种方法的缺点也是很明显的，最明显的就是没法抓全数据，像那种冷门的数据就没法抓取到，速度也是比较慢的，必须保存去重队列，以防止重复抓取页面。（了解下布隆过滤器）

如果对数据完整性要求没那么高可以考虑这种方法。

遍历ID

找各种方法就比较无脑了，啥也不用想，从0开始遍历跑吧。

毫无疑问，这种方法可以抓取网站所有的数据，因为在开始抓取前就已经完成的去重，所以这方面就不用管了。

但是缺点也很明显，因为是遍历ID，所以需要很多服务器资源和代理资源，有可能某个ID已经下架或失效。所以整个工程请求量会非常大。而且可能被别人发现，一般人都去看那些热门帖子，结果你把那么重来没人看的翻了一遍，别人也会发现数据异常的（也会存在假数据的情况😭）。

而且这种方法之适用于ID自增的，大多数是数字ID递增，比如说天眼查的：

知乎也是：

应该是和数字有关系，可以先采样进行抓取，研究数据分布情况。

当提供不正确ID时，也会返回数据不存在的情况

在这里提供一个生成ID的方法

最后再看看这张图。两种方法都有优缺点，根据实际需求选取，如果你还知道别的抓取方法，欢迎指出。