前言
Python非常适合用来开发网页爬虫,理由如下:
1、抓取网页本身的接口
相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁;相比其他动态脚本语言,如perl,shell,python的urllib2包提供了较为完整的访问网页文档的API。(当然ruby也是很好的选择)
当然对于刚刚接触Python编程的同学来说,学习起来是有点困难,但是不要担心,小编准备了一份Python基础的学习资料,你们加小编Python学习群:943752371就可以领取了!
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!此外,抓取网页有时候需要模拟浏览器的行为,很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求,譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定,如Requests,mechanize
2、网页抓取后的处理
抓取的网页通常需要处理,比如过滤html标签,提取文本等。python的beautifulsoap提供了简洁的文档处理功能,能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做,但是用python能够干得最快,最干净。
Life is short, you need python.
PS:python2.x和python3.x有很大不同,本文只讨论python3.x的爬虫实现方法。
爬虫架构
架构组成
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!URL管理器:管理待爬取的url集合和已爬取的url集合,传送待爬取的url给网页下载器。
网页下载器(urllib):爬取url对应的网页,存储成字符串,传送给网页解析器。
网页解析器(BeautifulSoup):解析出有价值的数据,存储下来,同时补充url到URL管理器。
运行流程
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!URL管理器
基本功能
- 添加新的url到待爬取url集合中。
- 判断待添加的url是否在容器中(包括待爬取url集合和已爬取url集合)。
- 获取待爬取的url。
- 判断是否有待爬取的url。
- 将爬取完成的url从待爬取url集合移动到已爬取url集合。
存储方式
1、内存(python内存)
待爬取url集合:set()
已爬取url集合:set()
2、关系数据库(mysql)
urls(url, is_crawled)
3、缓存(redis)
待爬取url集合:set
已爬取url集合:set
大型互联网公司,由于缓存数据库的高性能,一般把url存储在缓存数据库中。小型公司,一般把url存储在内存中,如果想要永久存储,则存储到关系数据库中。
网页下载器(urllib)
将url对应的网页下载到本地,存储成一个文件或字符串。
基本方法
新建baidu.py,内容如下:
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!命令行中执行python baidu.py,则可以打印出获取到的页面。
构造Request
上面的代码,可以修改为:
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!携带参数
新建baidu2.py,内容如下:
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!使用Fiddler监听数据
我们想要查看一下,我们的请求是否真的携带了参数,所以需要使用fiddler。
打开fiddler之后,却意外发现,上面的代码会报错504,无论是baidu.py还是baidu2.py。
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!虽然python有报错,但是在fiddler中,我们可以看到请求信息,确实携带了参数。
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!经过查找资料,发现python以前版本的Request都不支持代理环境下访问https。但是,最近的版本应该支持了才对。那么,最简单的办法,就是换一个使用http协议的url来爬取,比如,换成http://www.csdn.net。结果,依然报错,只不过变成了400错误。
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!然而,然而,然而。。。神转折出现了!!!
当我把url换成http://www.csdn.net/后,请求成功!没错,就是在网址后面多加了一个斜杠/。同理,把http://www.baidu.com改成http://www.baidu.com/,请求也成功了!神奇!!!
添加处理器
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用! 豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!网页解析器(BeautifulSoup)
从网页中提取出有价值的数据和新的url列表。
解析器选择
为了实现解析器,可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等,这里我们选择BeautifulSoup。
其中,正则表达式基于模糊匹配,而另外三种则是基于DOM结构化解析。
BeautifulSoup
安装测试
1、安装,在命令行下执行pip install beautifulsoup4。
2、测试
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!使用说明
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用! 豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!基本用法
1、创建BeautifulSoup对象
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!2、访问节点
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!3、指定tag、class或id
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!4、从文档中找到所有<a>标签的链接
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用! 豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!出现了警告,根据提示,我们在创建BeautifulSoup对象时,指定解析器即可。
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!5、从文档中获取所有文字内容
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!6、正则匹配
豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!后记
python爬虫基础知识,至此足够,接下来,在实战中学习更高级的知识。
网友评论