python如何實現爬蟲技術

時間 2019-12-05

標籤 python 如何實現爬蟲技術欄目 Python 简体版

原文原文鏈接

1、什麼是爬蟲

爬蟲：爬蟲的做用就是從互聯網上抓取對

咱們有價值的信息。他的本質，是一段程序，是一段自動抓取互聯網信息的程序。

2、Python爬蟲架構

Python 爬蟲架構

主要由調度器、URL管理器、網頁下載器、網頁解析器、應用程序五個部分組成。

調度器：
調度器主要負責
調度URL管理器、下載器、解析器之間的協調，做用至關於電腦的CPU
URL管理器：
url管理器包括已經抓取和還在等待爬取的url地址，防止重複和循環抓取url.實現url管理器主要有三種方式，方式1內存，方式2數據庫，方式3緩存數據。
網頁下載器：
下載網頁要經過傳入一個url地址來進行，
將網頁轉換成一個字符串，網頁下載器有urllib2（Python官方基礎模塊）包括須要登陸、代理、和cookie，requests(第三方包)
網頁解析器：
將一個網頁字符串進行解析，能夠按照咱們的要求來提取出咱們有用的信息，也能夠根據DOM樹的解析方式來解析。網頁解析器有正則表達式（直觀，將網頁轉成字符串經過模糊匹配的方式來提取有價值的信息，當文檔比較複雜的時候，該方法提取數據的時候就會很是的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可使用Python自帶的html.parser進行解析，也可使用lxml進行解析，相對於其餘幾種來講要強大一些）、lxml（第三方插件，能夠解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
應用程序：
從網頁中提取的有用數據組成的一個應用。

下面用一個圖來解釋一下調度器是如何協調工做的:

3、urllib2 實現下載網頁的三種方式

#!/usr/bin/python# -*- coding: UTF-8 -*- import cookielibimport urllib2 url = "http://www.baidu.com"response1 = urllib2.urlopen(url)print "第一種方法"#獲取狀態碼，200表示成功print response1.getcode()#獲取網頁內容的長度print len(response1.read()) print "第二種方法"request = urllib2.Request(url)#模擬Mozilla瀏覽器進行爬蟲request.add_header("user-agent","Mozilla/5.0")response2 = urllib2.urlopen(request)print response2.getcode()print len(response2.read()) print "第三種方法"cookie = cookielib.CookieJar()#加入urllib2處理cookie的能力opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))urllib2.install_opener(opener)response3 = urllib2.urlopen(url)print response3.getcode()print len(response3.read())print cookie複製代碼

4、第三方庫 Beautiful Soup 的安裝

Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數據，官網地址 www.crummy.com/software/Be…

一、安裝 Beautiful Soup

打開 cmd（命令提示符），進入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 若是用就可使用 Python 自帶的 pip 命令進行安裝，輸入如下命令進行安裝便可：

pip install beautifulsoup4複製代碼

二、測試是否安裝成功

編寫一個 Python 文件，輸入:

import bs4
print bs4複製代碼

運行該文件，若是可以正常輸出則安裝成功。

5、使用 Beautiful Soup 解析 html 文件

#!/usr/bin/python# -*- coding: UTF-8 -*- import re from bs4 import BeautifulSouphtml_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>"""#建立一個BeautifulSoup解析對象soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")#獲取全部的連接links = soup.find_all('a')print "全部的連接"for link in links: print link.name,link['href'],link.get_text() print "獲取特定的URL地址"link_node = soup.find('a',href="http://example.com/elsie")print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "正則表達式匹配"link_node = soup.find('a',href=re.compile(r"ti"))print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "獲取P段落的文字"p_node = soup.find('p',class_='story')print p_node.name,p_node['class'],p_node.get_text()複製代碼

爬蟲代理IP