美文网首页大数据 爬虫Python AI Sqlpython
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!

作者: 1a076099f916 | 来源:发表于2018-12-06 16:29 被阅读5次
    豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!

    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。

    相关文章

      网友评论

        本文标题:豆瓣Python高级爬虫工程师总结的爬虫入门基础,希望有用!

        本文链接:https://www.haomeiwen.com/subject/iivocqtx.html