其實並不難！幾分鐘帶你分析python爬蟲入門簡單基礎！

1、基礎入門

1.1什麼是爬蟲

爬蟲(spider，又網絡爬蟲)，是指向網站/網絡發起請求，獲取資源後分析並提取有用數據的程序。

從技術層面來講就是 經過程序模擬瀏覽器請求站點的行爲，把站點返回的HTML代碼/JSON數據/二進制數據（圖片、視頻） 爬到本地，進而提取本身須要的數據，存放起來使用。

1.2爬蟲基本流程

用戶獲取網絡數據的方式：

方式1：瀏覽器提交請求--->下載網頁代碼--->解析成頁面

方式2：模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放於數據庫或文件中

爬蟲要作的就是方式2。

入門python爬蟲，10分鐘就夠了，這多是我見過最簡單的基礎教學

​

1發起請求

使用http庫向目標站點發起請求，即發送一個Request

Request包含：請求頭、請求體等

Request模塊缺陷：不能執行JS 和CSS 代碼

2獲取響應內容

若是服務器能正常響應，則會獲得一個Response

Response包含：html，json，圖片，視頻等

3解析內容

解析html數據：正則表達式（RE模塊）、xpath（主要使用）、beautiful soup、css

解析json數據：json模塊

解析二進制數據:以wb的方式寫入文件

4保存數據

數據庫（MySQL，Mongdb、Redis）或 文件的形式。

1.3http協議 請求與響應

http協議

​

Request：用戶將本身的信息經過瀏覽器（socket client）發送給服務器（socket server）

Response：服務器接收請求，分析用戶發來的請求信息，而後返回數據（返回的數據中可能包含其餘連接，如：圖片，js，css等）

ps：瀏覽器在接收Response後，會解析其內容來顯示給用戶，而爬蟲程序在模擬瀏覽器發送請求而後接收Response後，是要提取其中的有用數據。

1.3.1

request

(1) 請求方式

常見的請求方式：GET / POST

（2）請求的URL

url全球統一資源定位符，用來定義互聯網上一個惟一的資源 例如：一張圖片、一個文件、一段視頻均可以用url惟一肯定

（3）請求頭

User-agent：請求頭中若是沒有user-agent客戶端配置，服務端可能將你當作一個非法用戶host；

cookies：cookie用來保存登陸信息

注意：通常作爬蟲都會加上請求頭。

請求頭須要注意的參數：

Referrer：訪問源至哪裏來（一些大型網站，會經過Referrer 作防盜鏈策略；全部爬蟲也要注意模擬）

User-Agent:訪問的瀏覽器（要加上不然會被當成爬蟲程序）

cookie：請求頭注意攜帶

（4）請求體

請求體 若是是get方式，請求體沒有內容 （get請求的請求體放在 url後面參數中，直接能看到） 若是是post方式，請求體是format data

ps：一、登陸窗口，文件上傳等，信息都會被附加到請求體內 二、登陸，輸入錯誤的用戶名密碼，而後提交，就能夠看到post，正確登陸後頁面一般會跳轉，沒法捕捉到post

1.3.2

response

（1）響應狀態碼

200：表明成功

301：表明跳轉

404：文件不存在

403：無權限訪問

502：服務器錯誤

（2）response header

響應頭須要注意的參數：Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie保存下來

（3）preview就是網頁源代碼

json數據

如網頁html，圖片

二進制數據等

02

2、基礎模塊

2.1requests

requests是python實現的簡單易用的HTTP庫,是由urllib的升級而來。

開源地址：

https://github.com/kennethrei...

中文API：

http://docs.python-requests.o...

2.2re 正則表達式

在 Python 中使用內置的 re 模塊來使用正則表達式。

缺點：處理數據不穩定、工做量大

2.3XPath

Xpath(XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷。

在python中主要使用 lxml 庫來進行xpath獲取（在框架中不使用lxml，框架內直接使用xpath便可）

lxml 是 一個HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數據。

lxml和正則同樣，也是用 C 實現的，是一款高性能的 Python HTML/XML 解析器，咱們能夠利用以前學習的XPath語法，來快速的定位特定元素以及節點信息。

2.4BeautifulSoup

和 lxml 同樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。

使用BeautifulSoup須要導入bs4庫

缺點：相對正則和xpath處理速度慢

優勢：使用簡單

2.5Json

JSON(JavaScript Object Notation) 是一種輕量級的數據交換格式，它使得人們很容易的進行閱讀和編寫。同時也方便了機器進行解析和生成。適用於進行數據交互的場景，好比網站前臺與後臺之間的數據交互。

在python中主要使用 json 模塊來處理 json數據。Json解析網站：

https://www.sojson.com/simple...

2.6threading

使用threading模塊建立線程，直接從threading.Thread繼承，而後重寫__init__方法和run方法

03

3、方法實例

3.1get方法實例

demo_get.py

​

3.2post方法實例

demo_post.py

​

3.3添加代理

demo_proxies.py

​

3.4獲取ajax類數據實例

demo_ajax.py

​

3.5使用多線程實例

demo_thread.py

04

4、爬蟲框架

4.1Srcapy框架

Scrapy是用純Python實現一個爲了爬取網站數據、提取結構性數據而編寫的應用框架，用途很是普遍。

Scrapy 使用了 Twisted'twɪstɪd異步網絡框架來處理網絡通信，能夠加快咱們的下載速度，不用本身去實現異步框架，而且包含了各類中間件接口，能夠靈活的完成各類需求。

4.2Scrapy架構圖

​

4.3Scrapy主要組件

Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通信，信號、數據傳遞等。

Scheduler(調度器): 它負責接受引擎發送過來的Request請求，並按照必定的方式進行整理排列，入隊，當引擎須要時，交還給引擎。

Downloader（下載器）：負責下載Scrapy Engine(引擎)發送的全部Requests請求，並將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider（爬蟲）：它負責處理全部Responses,從中分析提取數據，獲取Item字段須要的數據，並將須要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

Item Pipeline(管道)：它負責處理Spider中獲取到的Item，並進行進行後期處理（詳細分析、過濾、存儲等）的地方.

Downloader Middlewares（下載中間件）：你能夠看成是一個能夠自定義擴展下載功能的組件。

Spider Middlewares（Spider中間件）：你能夠理解爲是一個能夠自定擴展和操做引擎和Spider中間通訊的功能組件（好比進入Spider的Responses;和從Spider出去的Requests）

4.4Scrapy的運做流程

引擎：Hi！Spider, 你要處理哪個網站？

Spider：老大要我處理xxxx.com。

引擎：你把第一個須要處理的URL給我吧。

Spider：給你，第一個URL是xxxxxxx.com。

引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

調度器：好的，正在處理你等一下。

引擎：Hi！調度器，把你處理好的request請求給我。

調度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

下載器：好的！給你，這是下載好的東西。（若是失敗：sorry，這個request下載失敗了。而後引擎告訴調度器，這個request下載失敗了，你記錄一下，咱們待會兒再下載）

引擎：Hi！Spider，這是下載好的東西，而且已經按照老大的下載中間件處理過了，你本身處理一下（注意！這兒responses默認是交給def parse()這個函數處理的）

Spider：（處理完畢數據以後對於須要跟進的URL），Hi！引擎，我這裏有兩個結果，這個是我須要跟進的URL，還有這個是我獲取到的Item數據。

引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是須要跟進URL你幫我處理下。而後從第四步開始循環，直到獲取完老大須要所有信息。

管道``調度器：好的，如今就作！

4.5製做Scrapy爬蟲4步曲

1新建爬蟲項目scrapy startproject mySpider2明確目標 （編寫items.py）打開mySpider目錄下的items.py3製做爬蟲 （spiders/xxspider.py）scrapy genspider gushi365 "gushi365.com"4存儲內容 （pipelines.py）設計管道存儲爬取內容

05

5、經常使用工具

5.1fidder

fidder是一款抓包工具，主要用於手機抓包。

5.2XPath Helper

xpath helper插件是一款免費的chrome爬蟲網頁解析工具。能夠幫助用戶解決在獲取xpath路徑時沒法正常定位等問題。

谷歌瀏覽器插件xpath helper 的安裝和使用：

https://jingyan.baidu.com/art...

06

6、分佈式爬蟲

6.1scrapy-redis

Scrapy-redis是爲了更方便地實現Scrapy分佈式爬取，而提供了一些以redis爲基礎的組件（pip install scrapy-redis）

6.2分佈式策略

Master端(核心服務器) ：搭建一個Redis數據庫，不負責爬取，只負責url指紋判重、Request的分配，以及數據的存儲。

 

此文轉載文，著做權歸做者全部，若有侵權聯繫小編刪除！

原文地址：https://www.tuicool.com/articles/7v6fEf6

 

須要源代碼或者想了解更多的（點擊這裏下載）