Python爬蟲技術(shù)
一、Python爬蟲簡單介紹
1、抓取網(wǎng)頁本身的接口
相比與其他靜態(tài)的編程語言，如java，c#，C++，python抓取網(wǎng)頁的接口更簡潔；相比其他動態(tài)腳本語言，如Perl，shell，python的urllib包提供了較為完整的訪問網(wǎng)頁文檔的API。（當然ruby也是很好的選擇）此外，抓取網(wǎng)頁有時候需要模擬游覽器的行為，很多網(wǎng)站對于生硬的爬蟲抓取都是封殺的。這是我們需要模擬user agen的行為構(gòu)造合適的請求，譬如模擬用戶登錄、模擬session/cookie的存蓄和設(shè)置。在Python里都有非常優(yōu)秀的第三方包幫你搞定，如Request，mechanize。
2、網(wǎng)頁抓取后的處理
抓取的網(wǎng)頁通常需要處理，比如過濾html標簽，提取文本等。Python的beautiulsoap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。
其實以上功能很多的語言都能做，但是用Python能夠干得最快，最干凈。
Life is short, you need python.
PS：python2.x和python3.x有很大不同，本文先討論python3.x的爬蟲實現(xiàn)方法。
二、爬蟲架構(gòu)
架構(gòu)組成
URL管理器：管理待爬的url集合好已爬取的url集合，傳送待爬的url給網(wǎng)頁下載器。
網(wǎng)頁下載器（urllib）：爬取url對應(yīng)的網(wǎng)頁你，存蓄成字符串，傳送給網(wǎng)頁解析器。
網(wǎng)頁解析器（BeautifulSoap）：解析出有價值的數(shù)據(jù)，存蓄下來，同時補充url到URL管理器。
三、URL管理器
1、基本功能
添加新的url到爬取url集合中。
判斷待添加的url是否在容器中（包括待爬取url集合和已爬取的url集合）。
獲取待爬取的url。
判斷是否有待爬取的url。
將爬取完成的url從待爬取的url集合移動到已爬取url集合。
2、存蓄方式
內(nèi)存（python內(nèi)存）
待爬取url集合：set()
已爬取url集合：set()
關(guān)系數(shù)據(jù)庫（mysql）
urls（url，is_crawled）
緩存（redis）
待爬取url集合：set
已爬取url集合：set
大型互聯(lián)網(wǎng)公司，由于緩存數(shù)據(jù)庫的高性能，一般把url存蓄在緩存數(shù)據(jù)庫中。小型公司，一般把url存蓄在內(nèi)存中，如果想要永存存蓄，則存蓄到關(guān)系數(shù)據(jù)庫中。
3、網(wǎng)頁下載器（urllib）
將url對應(yīng)網(wǎng)頁下載到本地，存蓄成一個文件或字符串。
基本方法
新建baidu.py，內(nèi)容如下：
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(zhí)行python baidu.py，則可以打印出獲取到的網(wǎng)頁。
構(gòu)造Request：
上面的代碼，可以修改為：
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(shù)：
新建baidu2.py，內(nèi)容如下：
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(jiān)聽數(shù)據(jù):
我們想要查看一下，我們的請求是否真的攜帶了參數(shù)，所以需要使用fiddler。
打開fiddler之后，卻意外發(fā)現(xiàn)，上面的代碼會報錯504，無論是baidu.py還是baidu2.py。
雖然python有報錯但是在fiddler中，我們可以看到請求信息，確實攜帶了參數(shù)。
經(jīng)過尋找資料，發(fā)現(xiàn)python以前版本的Request都不支持代理環(huán)境下訪問https。但是，最近的版本應(yīng)該支持了才對。那么，最簡單的辦法，就是換一個使用http協(xié)議的url來爬取，比如，把http://www.baidn.com改成http://www.baidu.com/，請求成功了！神奇?。?！
添加處理器：
import urllib.request
import http.cookiejar
# 創(chuàng)建cookie容器
cj = http.cookiejar.CookieJar()
# 創(chuàng)建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)
四、網(wǎng)頁解析器（BeautifulSoup）
從網(wǎng)頁中提取有價值的數(shù)據(jù)和新的url列表。
1、解析器選擇
為了實現(xiàn)解析器，可以選擇使用正則表達式、html.parser、BeautifulSoup、lxml等，這里我們選擇BeautfulSoup。
其中，正則表達式基于模糊匹配，而另外三種則是基于DOM結(jié)構(gòu)化解析。
2、BeautifulSoup
安裝測試
（1）安裝，在命令行下執(zhí)行pip install beautifulsoup4。
（2）測試。
import bs4 print(bs4)
3、使用說明
創(chuàng)建BeautifulSoup對象:
import bs4 from bs4 import BeautifulSoup # 根據(jù)html網(wǎng)頁字符串創(chuàng)建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 class="sister" id="link1">Elsie</a>, <a class="sister" id="link2">Lacie</a> and <a 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())
訪問節(jié)點;
print(soup.title) print(soup.title.name) print(soup.title.string) print(soup.title.parent.name) print(soup.p) print(soup.p['class'])
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'))
從文檔中找到所以<a>標簽的鏈接:
for link in soup.find_all('a'):
print(link.get('href'))
出現(xiàn)了警告，根據(jù)提示，。我們在創(chuàng)建BeautifulSoup對象時，指定解析器即可。
soup = BeautifulSoup(html_doc,'html.parser')
從文檔中獲取所以文字內(nèi)容:
print(soup.get_text())
正則匹配:
link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)
到此這篇關(guān)于Python爬蟲技術(shù)的文章就介紹到這了,更多相關(guān)Python爬蟲內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信