Python爬蟲基礎

時間  2019-11-06
標籤 python 爬蟲 基礎 欄目 Python 简体版
原文   原文鏈接

前言

Python很是適合用來開發網頁爬蟲，理由以下：
一、抓取網頁自己的接口
相比與其餘靜態編程語言，如java，c#，c++，python抓取網頁文檔的接口更簡潔；相比其餘動態腳本語言，如perl，shell，python的urllib包提供了較爲完整的訪問網頁文檔的API。（固然ruby也是很好的選擇）
此外，抓取網頁有時候須要模擬瀏覽器的行爲，不少網站對於生硬的爬蟲抓取都是封殺的。這是咱們須要模擬user agent的行爲構造合適的請求，譬如模擬用戶登錄、模擬session/cookie的存儲和設置。在python裏都有很是優秀的第三方包幫你搞定，如Requests，mechanizehtml

二、網頁抓取後的處理
抓取的網頁一般須要處理，好比過濾html標籤，提取文本等。python的beautifulsoap提供了簡潔的文檔處理功能，能用極短的代碼完成大部分文檔的處理。
其實以上功能不少語言和工具都能作，可是用python可以幹得最快，最乾淨。java

Life is short, you need python.node

PS：python2.x和python3.x有很大不一樣，本文只討論python3.x的爬蟲實現方法。python

<!--more-->mysql

爬蟲架構

架構組成

URL管理器：管理待爬取的url集合和已爬取的url集合，傳送待爬取的url給網頁下載器。
網頁下載器（urllib）：爬取url對應的網頁，存儲成字符串，傳送給網頁解析器。
網頁解析器（BeautifulSoup）：解析出有價值的數據，存儲下來，同時補充url到URL管理器。c++

運行流程

URL管理器

基本功能

  • 添加新的url到待爬取url集合中。正則表達式

  • 判斷待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。redis

  • 獲取待爬取的url。sql

  • 判斷是否有待爬取的url。shell

  • 將爬取完成的url從待爬取url集合移動到已爬取url集合。

存儲方式

一、內存（python內存）
待爬取url集合：set()
已爬取url集合：set()

二、關係數據庫（mysql）
urls(url, is_crawled)

三、緩存（redis）
待爬取url集合：set
已爬取url集合：set

大型互聯網公司，因爲緩存數據庫的高性能，通常把url存儲在緩存數據庫中。小型公司，通常把url存儲在內存中，若是想要永久存儲，則存儲到關係數據庫中。

網頁下載器（urllib）

將url對應的網頁下載到本地，存儲成一個文件或字符串。

基本方法

新建baidu.py，內容以下：

import urllib.request

response = urllib.request.urlopen('http://www.baidu.com')
buff = response.read()
html = buff.decode("utf8")
print(html)

命令行中執行python baidu.py，則能夠打印出獲取到的頁面。

構造Request

上面的代碼，能夠修改成：

import urllib.request

request = urllib.request.Request('http://www.baidu.com')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)

攜帶參數

新建baidu2.py，內容以下：

import urllib.request
import urllib.parse

url = 'http://www.baidu.com'
values = {'name': 'voidking','language': 'Python'}
data = urllib.parse.urlencode(values).encode(encoding='utf-8',errors='ignore')
headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0' }
request = urllib.request.Request(url=url, data=data,headers=headers,method='GET')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)

使用Fiddler監聽數據

咱們想要查看一下，咱們的請求是否真的攜帶了參數，因此須要使用fiddler。
打開fiddler以後，卻意外發現，上面的代碼會報錯504，不管是baidu.py仍是baidu2.py。

雖然python有報錯，可是在fiddler中，咱們能夠看到請求信息，確實攜帶了參數。

通過查找資料，發現python之前版本的Request都不支持代理環境下訪問https。可是，最近的版本應該支持了纔對。那麼，最簡單的辦法，就是換一個使用http協議的url來爬取，好比，換成http://www.csdn.net。結果，依然報錯，只不過變成了400錯誤。

然而，然而，然而。。。神轉折出現了！！！
當我把url換成http://www.csdn.net/後，請求成功！沒錯，就是在網址後面多加了一個斜槓/。同理，把http://www.baidu.com改爲http://www.baidu.com/，請求也成功了！神奇！！！

添加處理器

import urllib.request
import http.cookiejar

# 建立cookie容器
cj = http.cookiejar.CookieJar()
# 建立opener
opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
# 給urllib.request安裝opener
urllib.request.install_opener(opener)

# 請求
request = urllib.request.Request('http://www.baidu.com/')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
print(cj)

網頁解析器（BeautifulSoup）

從網頁中提取出有價值的數據和新的url列表。

解析器選擇

爲了實現解析器，能夠選擇使用正則表達式、html.parser、BeautifulSoup、lxml等，這裏咱們選擇BeautifulSoup。
其中，正則表達式基於模糊匹配，而另外三種則是基於DOM結構化解析。

BeautifulSoup

安裝測試

一、安裝，在命令行下執行pip install beautifulsoup4。
二、測試

import bs4
print(bs4)

使用說明


基本用法

一、建立BeautifulSoup對象

import bs4
from bs4 import BeautifulSoup

# 根據html網頁字符串建立BeautifulSoup對象
html_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>
"""
soup = BeautifulSoup(html_doc)
print(soup.prettify())

二、訪問節點

print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.title.parent.name)

print(soup.p)
print(soup.p['class'])

三、指定tag、class或id

print(soup.find_all('a'))
print(soup.find('a'))
print(soup.find(class_='title'))
print(soup.find(id="link3"))
print(soup.find('p',class_='title'))

四、從文檔中找到全部<a>標籤的連接

for link in soup.find_all('a'):
    print(link.get('href'))


出現了警告，根據提示，咱們在建立BeautifulSoup對象時，指定解析器便可。

soup = BeautifulSoup(html_doc,'html.parser')

五、從文檔中獲取全部文字內容

print(soup.get_text())

六、正則匹配

link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)

後記

python爬蟲基礎知識，至此足夠，接下來，在實戰中學習更高級的知識。

書籤

Python開發簡單爬蟲
http://www.imooc.com/learn/563

The Python Standard Library
https://docs.python.org/3/lib...

Beautiful Soup 4.2.0 文檔
https://www.crummy.com/softwa...

爲何python適合寫爬蟲？
http://www.cnblogs.com/benzon...

如何學習Python爬蟲[入門篇]？
https://zhuanlan.zhihu.com/p/...

你須要這些：Python3.x爬蟲學習資料整理
https://zhuanlan.zhihu.com/p/...

如何入門 Python 爬蟲？
https://www.zhihu.com/questio...

Python3.X 抓取網絡資源
http://www.open-open.com/lib/...

python網絡請求和"HTTP Error 504:Fiddler - Receive Failure"
http://blog.csdn.net/guoguo52...

怎麼使用Fiddler抓取本身寫的爬蟲的包？
https://www.zhihu.com/questio...

fiddler對python腳本抓取https包時發生了錯誤?
https://www.zhihu.com/questio...

HTTPS和HTTP的區別
http://blog.csdn.net/whatday/...

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程