PYTHON爬虫入门&视频网站BILIBILI用户爬取爬虫详解

前言

Python使用版本：2.7

得到数据挖掘的课题后，我接触到了Python，也发现了在同样的命题下，使用的工具不同，方法不同，即使是得到了同样的结果，耗费的人力时间成本也不尽相同。
这引起了我对典型爬虫方式的便捷程度（主要是程序员角度）的一点思考。

典型？

就目前学习到的知识来看，不使用Scrapy等爬虫框架的情况下，Python爬虫可以说是由以下几个功能组合起来的：

模拟浏览器发送请求（GET/POST）

获取方式分类

GET方法
范例采用requests扩展库的get函数

返回页面内容：

# -*- coding:utf-8 -*-
import requests

url = 'http://space.bilibili.com/218345/#!/'
response = requests.get(url).content
print response

有时GET方法也有除网址以外的传入参数：Query String Parameters

# -*- coding:utf-8 -*-
import requests
import datetime, time

def datetimeTrans(d):
    currentMachTime = lambda: int(round(time.time() * 1000))
    return currentMachTime()

url = 'http://search.bilibiili.com/all'

payload = {
    'keyword': 'THE GIRL WITH THE'
}

result = requests.get(url, params = payload).content    #inject query string parameters
print result

POST方法
范例使用requests.post()

POST方法常用于请求模拟登陆，需传入参数“Form Data”

# -*- coding:utf-8 -*-
import requests
import time, datetime

def datetimeTrans(d):
        currentMachTime = lambda: int(round(time.time() * 1000))
        return currentMachTime()


url = 'http://space.bilibili.com/ajax/member/GetInfo?mid=218345'

headers = {
        #pass
}

payload = {
        'mid': 218345
        '_': datetimeTrans(datetime.datetime.now())
}

print url
response = requests.post(url, headers = headers, data = payload).content   #inject form data
print response

GET&POST对比

GET相较于POST的优势
（引用知乎上罗志宇的回答）

－ 请求中的URL可以被手动输入
－ 请求中的URL可以被存在书签里，或者历史里，或者快速拨号里面，或者分享给别人。
－ 请求中的URL是可以被搜索引擎收录的。
－ 带云压缩的浏览器，比如Opera mini/Turbo 2, 只有GET才能在服务器端被预取的。
－ 请求中的URL可以被缓存。

POST相较于GET方法的特性

－POST不像GET的URL会显示在浏览器历史和WEB服务器日志中，相较更为安全
－在准则中，不可重复的操作（例如创建条目或修改一条记录），多是由POST请求完成的，因为POST不能被缓存，所以浏览器不会多次递交。
（关于这条我们举个小例子。假如你做了一个BLOG，并设计了一个URL来删除你的BLOG上的所有帖子…那么画面就会变得很美：一个搜索引擎的爬虫爬过，很快你就知道什么叫不作死就不会死了。）

可见，POST的GET的运用是需要分场合的。

结合网页实例判别请求类型

由于项目是关于视频网站bilibili的，网页实例也来自bilibili。
（使用chrome浏览器自带的检查工具获取network信息）

GET（myinfo）
需cookie和传入参数

myinfo.png

POST（getinfo）
Form Data为机器时间与用户ID

getinfo.png

元素定位及资源筛选

光是获得了网页内容，不加以处理将占用大量的空间。所以在进行存储之前，需要定位信息，进行信息的过滤。
这个时候就可以选用Xpath或者BeautifulSoup对网页内容（HTML/XML）内容进行分析。

Xpath
从dom网址寻找网址信息及标题信息

# -*- coding:utf-8 -*-
from lxml import etree

dom = etree.HTML(all_text)  #all_text is a string object
url_list = dom.Xpath('//table[@class="list"]/tr[@class="even" or "odd"]/td/span/a[1]/@href') #find links  (@href)
title = dom.Xpath('//*[@id="content"]/div[3]/h1/text()') #find titles (text())

print title
print url_list

BeautifulSoup
BeatufulSoup实例可以通过标签等对象直接进行结点资料的访问，与数据储存的对接口非常的好
prettify() 结构简明化函数，实例.标签可直接访问结点

# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup as Soup

url = 'http://space.bilibili.com/218345/#!/'
response = requests.get(url).content
soup = Soup(response)

print soup.prettify()
print soup.title.string
print soup.a
print soup.h1

数据保存

• 不再赘述文件读写保存方式，可查询官方文档或中文教程

MySQL数据库
创建MySQL数据库，创建对应数据的表

（指令在cmd或terminal的mysql界面中输入）

CRATE TABLE bilibili;
USE bilibili;
CREATE TABLE `test` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
  `mid` varchar(11) DEFAULT NULL,
  `name` varchar(45) DEFAULT NULL,
  `sex` varchar(11) DEFAULT NULL,
  `face` varchar(200) DEFAULT NULL,
  `regtime` varchar(45) DEFAULT NULL,
  `spacesta` int(11) DEFAULT NULL,
  `birthday` varchar(45) DEFAULT NULL,
  `place` varchar(45) DEFAULT NULL,
  `attention` int(11) DEFAULT NULL,
  `sign` varchar(300) DEFAULT NULL,
  `attentions` text,
  PRIMARY KEY (`id`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8;

多线程爬取

map()使得并行代码可以快速运行，而支持map()函数并行的库有multiprocessing.dummy和multiprocessing。
其中dummy库的多进程模块采用的是线程（在Windows中，进行CPU分配是以线程为单位的，一个进程可能由多个线程组成），这能够使得数据轻松的在这两个之间进行前进和回跃，特别是对于探索性程序来说十分有用。

# -*- coding:utf-8 -*-
from multiprocessing.dummy import Pool as ThreadPool
def getsource(url):
        pass
pool = ThreadPool(1)
try:
        results = pool.map(getsource, url)
except Exception:
        pass

服务器代理

我选择的阿里云服务器在进行爬虫代理爬取的时候，经历了三个环节：

• 服务器配置（根据服务器官方文档进行）
• 爬虫运行环境设置（主要是Mysql及Python扩展库配置）
• 远程连接（windows自带的mstsc进程）

关于这些环节，网上都能找到相应教程

非典型又是什么？

到以上为止，一个基础的Python爬虫的常规构造过程包括但绝不限于上文提到的内容。
还有正则表达式，去重判断，或者是发送包的Form Data需要加密，构造爬虫的时候不仅可以选择基于 HttpClient的爬虫，还可以选择内置于浏览器引擎的爬虫（PhantomJS，Selenium）等细节本文没有提到。但是由于文章的重点并不是典型的爬虫写法，所以点到即止。

如果就以上提到深入下去，可以说日常生活中绝大部分能够接触到的网页，都可以用上述提到的内容进行信息爬取。
但是如果我没有接下来提到的这个项目，记录的角度可能就不是现在这样的了。

所谓非典型

首先要解决一个问题：为什么我叫这个项目为非典型爬虫。
这里主要介绍此类非典型爬虫适用的网页特性，以及具体的代码实现方法。

网页对象特性

像是上文中提到过的通过模拟浏览器发送请求，在获取信息后使用结点（BeautifulSoup或者Xpath及正则表达式）进行所需数据段的访问，可以说是一种万能的获取数据的方法。
但是就像下面关于BILIBILI用户页面的图片中，network-Headers里显示的一样，用户的信息是单独发过来的json文件（Response Headers: Content-Type: application/json; charset=utf-8）。对于json文件就存在着更加便捷的访问方式。
在了解了网页内容的基础上进行这样的操作，就仿佛把获取信息和信息筛选这两个步骤合并了，在处理数据上无疑轻松了不少。

headers.png

Myinfo请求返回数据preview:

myinfo_preview.png

Getinfo返回数据preview:

getinfo_preview.png

从对比可以发现，MyInfo中和GetInfo两个请求返回的都是json内容，区别在于MyInfo获取方式为GET，GetInfo获取方式为POST。
Json内容的返回包使后续处理信息变得十分简便，只需要借用库函数json.loads()就可以实现对返回数据的提取，避免了分析网页相对结点提取信息的步骤。
而如果对GetInfo网站返回的json数据进行分析，可以发现返回包中已经包含其关注人的ID的list，对这个list的id进行遍历爬取，又可以获得一系列活跃用户的id，这样应该可以对特定大ip的用户人群进行用户类型统计。（有待完善）

attention_list.png

返回包处理&判重

JS文件处理

jsDict = json.loads(jsoncontent)
if jsDict['status'] == True:
        pass  #use the dict to take out message in the jsoncontent

判重

• 数据直接存入数据库，并通过PRIMARY KEY（id）判断是否已存在于数据库。
• 通过for i in range()语句，程序员自己定制爬取用户段
  在这两个判重条件下，去重变成了似乎不是那么重要的东西（仅限本项目）

数据库重复信息显示：

try:
        pass  #codes of pushing the data into a table
except MySQLdb.Error, e:
print "Mysql_Error %d: %s" % (e.args[0], e.args[1]) # if is the same, print error message

总结

Python写就的典型爬虫基本可以应对常见的大部分网站，而此次介绍的非典型爬虫案例，则是根据个别网页特性进行针对方案写就的，在获取专门化的信息上提供了另外一种思路。
在想要得到的资料需要用一大串正则表达式才能够匹配到之时，如果资料的获取可以通过类似更加便捷的方式获取，这样的思路无疑会使代码功能得到简化。
但是鉴于并非所有的网站都用相同请求获得用户信息，真的必须使用正则的时候肯定也不少。在寻找快捷途径的之前，还是要求程序员要有扎实的基本功啊。（sign）

参考项目/代码

Requests: HTTP for Humans
Bilibili用户信息
Bilibili模拟登陆
post 相比get 有很多优点，为什么现在的HTTP通信中大多数请求还是使用get
使用python+xpath获取下载链接
Beautiful Soup Documentation
用map函数来完成Python并行任务的简单示例(对于multiprocessing.dummy的应用)
Python: what are the differences between the threading and multiprocessing modules?
如何应对网站反爬虫策略？如何高效地爬大量数据?