310
技術社區[雲棲]
Python爬蟲基礎
前言
Python非常適合用來開發網頁爬蟲，理由如下：
1、抓取網頁本身的接口
相比與其他靜態編程語言，如Java，c#，c++，python抓取網頁文檔的接口更簡潔；相比其他動態腳本語言，如perl，shell，python的urllib包提供了較為完整的訪問網頁文檔的API。（當然ruby也是很好的選擇）
此外，抓取網頁有時候需要模擬瀏覽器的行為，很多網站對於生硬的爬蟲抓取都是封殺的。這是我們需要模擬user agent的行為構造合適的請求，譬如模擬用戶登陸、模擬session/cookie的存儲和設置。在python裏都有非常優秀的第三方包幫你搞定，如Requests，mechanize
2、網頁抓取後的處理
抓取的網頁通常需要處理，比如過濾html標簽，提取文本等。python的beautifulsoap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。
其實以上功能很多語言和工具都能做，但是用python能夠幹得最快，最幹淨。如果你想學習Python可以來這個群，首先是四七二，中間是三零九，最後是二六一，裏麵有大量的學習資料可以下載。
Life is short, you need python.
PS：python2.x和python3.x有很大不同，本文隻討論python3.x的爬蟲實現方法。
爬蟲架構
架構組成
URL管理器：管理待爬取的url集合和已爬取的url集合，傳送待爬取的url給網頁下載器。
網頁下載器（urllib）：爬取url對應的網頁，存儲成字符串，傳送給網頁解析器。
網頁解析器（BeautifulSoup）：解析出有價值的數據，存儲下來，同時補充url到URL管理器。
運行流程
URL管理器
基本功能
- 添加新的url到待爬取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url集合移動到已爬取url集合。
存儲方式
1、內存（python內存）
待爬取url集合：set()
已爬取url集合：set()
2、關係數據庫（MySQL）
urls(url, is_crawled)
3、緩存（Redis）
待爬取url集合：set
已爬取url集合：set
大型互聯網公司，由於緩存數據庫的高性能，一般把url存儲在緩存數據庫中。小型公司，一般把url存儲在內存中，如果想要永久存儲，則存儲到關係數據庫中。如果你想學習Python可以來這個群，首先是四七二，中間是三零九，最後是二六一，裏麵有大量的學習資料可以下載。
網頁下載器（urllib）
將url對應的網頁下載到本地，存儲成一個文件或字符串。
基本方法
新建baidu.py，內容如下：
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
buff = response.read()
html = buff.decode("utf8")
print(html)命令行中執行python baidu.py，則可以打印出獲取到的頁麵。
構造Request
上麵的代碼，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
新建baidu2.py，內容如下：
import urllib.request
import urllib.parse
url = 'https://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監聽數據
我們想要查看一下，我們的請求是否真的攜帶了參數，所以需要使用fiddler。
打開fiddler之後，卻意外發現，上麵的代碼會報錯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。
經過查找資料，發現python以前版本的Request都不支持代理環境下訪問https。但是，最近的版本應該支持了才對。那麼，最簡單的辦法，就是換一個使用http協議的url來爬取，比如，換成https://www.csdn.NET。結果，依然報錯，隻不過變成了400錯誤。
然而，然而，然而。。。神轉折出現了！！！
當我把url換成https://www.csdn.Net/後，請求成功！沒錯，就是在網址後麵多加了一個斜杠/。同理，把https://www.baidu.com改成https://www.baidu.com/，請求也成功了！神奇！！！
添加處理器
import urllib.request
import http.cookiejar
# 創建cookie容器
cj = http.cookiejar.CookieJar()
# 創建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('https://www.baidu.com/')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
print(cj)網頁解析器（BeautifulSoup）
從網頁中提取出有價值的數據和新的url列表。
解析器選擇
為了實現解析器，可以選擇使用正則表達式、html.parser、BeautifulSoup、lxml等，這裏我們選擇BeautifulSoup。
其中，正則表達式基於模煳匹配，而另外三種則是基於DOM結構化解析。
BeautifulSoup
安裝測試
1、安裝，在命令行下執行pip install beautifulsoup4。
2、測試
import bs4
print(bs4)使用說明
基本用法
1、創建BeautifulSoup對象
import bs4
from bs4 import BeautifulSoup
# 根據html網頁字符串創建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 href="https://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="https://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="https://example.com/tillie" 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())2、訪問節點
print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.title.parent.name)
print(soup.p)
print(soup.p['class'])3、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'))4、從文檔中找到所有<a>標簽的鏈接
for link in soup.find_all('a'):
print(link.get('href'))
出現了警告，根據提示，我們在創建BeautifulSoup對象時，指定解析器即可。
soup = BeautifulSoup(html_doc,'html.parser')5、從文檔中獲取所有文字內容
print(soup.get_text())6、正則匹配
link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)後記
python爬蟲基礎知識，至此足夠，接下來，在實戰中學習更高級的知識。
最後更新：2017-05-08 10:01:37