简单爬虫架构

整理笔记，来自imooc课程

整体结构

爬虫调度端

• URL管理器
• 网页下载器
• 网页解析器

URL管理器

• 管理待抓取的URL集合和已抓取的URL集合
• URL管理器存在的目的：防止重复抓取，防止循环抓取
• 应有的功能：
  • 添加新URL到待爬取集合
  • 判断新添加URL是否在容器中
  • 获取带爬取URL
  • 判断是否还有待爬取URL
  • 将爬取的URL移动到已爬取集合
• URL管理器的实现方式
  • 将所有URL集合放入内存中（如：python set()）
  • 将URL放入关系数据库中（如：MySQL urls(url, is_crawled)）
  • 将URL放入缓存数据库中（如：redis）

网页下载器

• 将互联网上URL对应的网页下载到本地的工具
• 常见下载器（只介绍urllib2）
  • urllib2
  • requests

# -*- coding: utf-8 -*-
# python version: 2.7.9

import urllib2
import cookielib


url = "http://www.baidu.com"

# 第一种方法
response = urllib2.urlopen(url)
print(response.getcode())
print(len(response.read()))

# 第二种方法 添加header
request = urllib2.Request(url)
request.add_header('User-Agent', 'Mozilla/5.0')
response2 = urllib2.urlopen(request)
print(response.getcode())
print(cj)
print(len(response.read()))

# 第三种方法 添加对cookie的处理
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print(response3.getcode())
print(cj)
print(response3.read())

网页解析器

• 从网页中提取有价值数据的工具
• 通过网页解析器：爬取有价值的数据和新URL列表
• 常见网页解析器：
  • regex (把文档作为字符串进行模糊匹配)
  • html.parser （结构化解析）
  • BeautifulSoup （结构化解析）
  • lxml （结构化解析）
• BeautifulSoup
  • Documentation

from bs4 import BeautifulSoup


soup = BeautifulSoup(html_doc,              # html文档字符串
                     'html.parser',         # html解析器
                     from_encoding='utf8'   # 指定html编码
                     )

# 查找所有标签为a的节点
soup.find_all('a')

# 查找所有标签为a，连接符合/view/123.html形式的节点
soup.find_all('a', href='view/123.html')
soup.find_all('a', href=re.compile(r'/view/d+\.html'))

# 查找所有标签为div，class为abc, 文字为Python的节点
soup.find_all('div', class_='abc', string='Python')

# 得到节点：<a href="1.html">Python</a>
# 获取查抄到的节点的标签名称
node.name

# 获取查找到的a节点的href属性
node['href']
# 获取节点的文字
node.get_text()

开发一个个百度百科简单爬虫

• 确定目标
• 分析目标
  • URL格式，确定抓取范围
  • 数据格式
  • 网页编码，在网页解析器指定编码
• 编写代码
• 执行代码

python版本 2.7.9：百科爬虫代码