第一個問題：JS加密如何突破

(1) 熟練掌握Chrome的開發者工具的各個功能，Elements， Network，Source

(2) 認真觀察，善于思考。Network查看加載流程，找可疑的xhr請求，設置xhr斷點，通過Call Stack 回溯js執行過程，邊回溯邊查看上下文代碼。能讀懂js，知道js的相關知識，比如js里面的window變量。

(3) 以上是通過debug js找到js加密解密的代碼，然后通過Python重新實現，這個過程很長，可能耗費你幾天的時間，一旦網站改變一下js算法你的Python實現就不能用了。

(4) 用Selenium可簡單突破，并且網站隨便該都無所謂。唯一遺憾的是，Selenium的運行效率較差。但是，作為一個能用js加密來保護數據的網站，單價的運行效率應該足以滿足網站的訪問頻率限制。這時候，更多的思考是如何增加資源（IP、賬號）來提高抓取效率。

第二個問題、多線程、協程，多進程的選擇

（1）爬蟲是IO密集型任務，大部分時間花在網絡訪問上，所以多進程不適合網絡爬蟲，而多線程、異步IO協程更適合，而異步IO是最適合的，它相比多線程，協程間的切換代價更小，我們提倡使用異步IO而非多線程。異步IO的模塊主要是：aysncio, aiohttp, aiomysql 等。

（2）網頁爬下來后從中提取想要的數據是CPU密集型的，這時候可以用多進程并發提取。

（3）我們推薦的爬蟲策略是，爬蟲只管爬，把爬下來的html保存起來，存到數據庫。然后單獨寫提取數據的提取器，單獨運行提取器。好處是，提取不影響爬取，爬的效率更高，并且提取程序可以隨時修改，有新的提取需求時不需要重新抓取。比如，最初寫爬蟲時只想提取網頁中的兩項數據，運行一段時間后，發現另外3項數據也很有用，如果保存了html，只需改改提取器重新跑一遍就好了。

第三個問題、如果想要保留加粗或者圖片原始位置，只能通過挖掘規律再寫正則表達式來針對性處理嗎？

網頁數據提取主要兩種方法：正則表達式，xpath。通過xpath可以獲得某個html標簽節點。比如，一篇blog網頁，它的主體內容都在某個標簽里面，可能是某個div。用xpath得到這個div，轉換為html，就是包含了格式及其圖片的部分，你保存這段html代碼而非純文本就好了。

第四個問題、爬蟲的增量爬取、斷點續爬、去重等

（1）通過網址池的概念去管理所有的URL

（2）增量爬取就是不重復下載已經下載過的，讓網址池記住那些已經下載過的URL；

（3）斷點續爬，就是上次還沒有爬取的URL這次接著爬，還是讓網址池記住那些還沒被爬取的URL

（4）爬蟲的去重，讓網址池記錄URL的狀態以避免重復爬取。

第五個問題、爬蟲的部署問題，在公司是不是分布式爬蟲系統比較多會涉及部署問題

爬蟲的部署，不一定是分布式的。大規模的爬蟲，突破了目標網站限制的爬蟲才會涉及到分布式，分布式的好處是抓取速度提高，但是管理會比較復雜。

第六個問題、網頁的自動解析？這個話題就包含很多子任務了： 怎么自動抽取文章的內容，如何處理各種各樣的時間格式，怎樣處理翻頁

（1）文章內容的提取，基本的是每種網頁建立一個提取模板（正則表達式），好處是提取精準，壞處是工作量大，一旦稍微改版就失敗。通過算法建立單一提取程序，基本上都可以提取，但是可能會有寫雜質，比如文末的相關閱讀。好處是，一勞永逸，不受改版限制。

（2）時間的提取，除了正則表達式之外似乎沒有特別有效的方法。

（3）翻頁的話，如果只是抓取，把該頁的url提取出來繼續抓；如何在提取內容時要把多頁內容合并成一個網頁，那就要特別處理。

第七個問題、爬新聞類的網站時，如何做好同一新聞，各網站相互轉載，爬取時文本去重

比較著名的算法是，Google的simhash，但具體實踐中比較復雜。網傳百度的做法是把文章的最長一句話（或多句）做hash，這個hash值就是文章的唯一性代表（指紋），這個方法準確率很高，但是召回率比較低，一旦這最長的幾句話改一個字就不能召回；我改進了該方法，對n句最長的話分別做hash，一個文章由n個指紋（如圖人的是個指頭指紋都不一樣）確定唯一性。準確率和召回率都還不錯。

第八個問題、異步爬蟲的設計

（1）一個好的URL管理策略，見猿人學上的網址池相關文章；

網址池是一個“生產者-消費者”模型，爬蟲從中取出url去下載，下載的html中提取新的url放入池中，告訴url池剛才拿出的url是否下載成功；再從池中取出url進行下載。。。url池是核心部件，它記錄url的不同狀態：

（a）下載成功

（b）下載失敗n次

（c）正在下載

每次往池子添加url時都要檢查url在池中的狀態，避免重復下載。