Python爬蟲技術(shù)

一、Python爬蟲簡(jiǎn)單介紹

1、抓取網(wǎng)頁(yè)本身的接口

相比與其他靜態(tài)的編程語(yǔ)言，如java，c#，C++，python抓取網(wǎng)頁(yè)的接口更簡(jiǎn)潔；相比其他動(dòng)態(tài)腳本語(yǔ)言，如Perl，shell，python的urllib包提供了較為完整的訪問網(wǎng)頁(yè)文檔的API。（當(dāng)然ruby也是很好的選擇）此外，抓取網(wǎng)頁(yè)有時(shí)候需要模擬游覽器的行為，很多網(wǎng)站對(duì)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(qǐng)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(yè)抓取后的處理

抓取的網(wǎng)頁(yè)通常需要處理，比如過濾html標(biāo)簽，提取文本等。Python的beautiulsoap提供了簡(jiǎn)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(shí)以上功能很多的語(yǔ)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(shí)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(yè)下載器。
網(wǎng)頁(yè)下載器（urllib）：爬取url對(duì)應(yīng)的網(wǎng)頁(yè)你，存蓄成字符串，傳送給網(wǎng)頁(yè)解析器。
網(wǎng)頁(yè)解析器（BeautifulSoap）：解析出有價(jià)值的數(shù)據(jù)，存蓄下來，同時(shí)補(bǔ)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(dòng)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(kù)（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(kù)的高性能，一般把url存蓄在緩存數(shù)據(jù)庫(kù)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(kù)中。

3、網(wǎng)頁(yè)下載器（urllib）

將url對(duì)應(yīng)網(wǎng)頁(yè)下載到本地，存蓄成一個(gè)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(yè)。

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(qǐng)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(huì)報(bào)錯(cuò)504，無論是baidu.py還是baidu2.py。
雖然python有報(bào)錯(cuò)但是在fiddler中，我們可以看到請(qǐng)求信息，確實(shí)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(duì)。那么，最簡(jiǎn)單的辦法，就是換一個(gè)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(qǐng)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(qǐng)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(yè)解析器（BeautifulSoup）

從網(wǎng)頁(yè)中提取有價(jià)值的數(shù)據(jù)和新的url列表。

1、解析器選擇

為了實(shí)現(xiàn)解析器，可以選擇使用正則表達(dá)式、html.parser、BeautifulSoup、lxml等，這里我們選擇BeautfulSoup。

其中，正則表達(dá)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(cè)試
（1）安裝，在命令行下執(zhí)行pip install beautifulsoup4。

（2）測(cè)試。

import bs4
print(bs4)

3、使用說明

創(chuàng)建BeautifulSoup對(duì)象:

import bs4
from bs4 import BeautifulSoup
 
# 根據(jù)html網(wǎng)頁(yè)字符串創(chuàng)建BeautifulSoup對(duì)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(diǎn);

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(biāo)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?cè)趧?chuàng)建BeautifulSoup對(duì)象時(shí)，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(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！