目錄
- 一、Python爬蟲簡單介紹
- 二、爬蟲架構
- 三、URL管理器
- 1、基本功能
- 2、存蓄方式
- 3、網頁下載器（urllib）
- 四、網頁解析器（BeautifulSoup）
- 1、解析器選擇
- 2、BeautifulSoup
- 3、使用說明
一、Python爬蟲簡單介紹
1、抓取網頁本身的接口
相比與其他靜態的編程語言，如java，c#，C++，python抓取網頁的接口更簡潔；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游覽器的行為，很多網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的行為構造合適的請求，譬如模擬用戶登錄、模擬session/cookie的存蓄和設置。在Python里都有非常優秀的第三方包幫你搞定，如Request，mechanize。
2、網頁抓取后的處理
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的爬蟲實現方法。
二、爬蟲架構
架構組成
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給網頁下載器。
網頁下載器（urllib）：爬取url對應的網頁你，存蓄成字符串，傳送給網頁解析器。
網頁解析器（BeautifulSoap）：解析出有價值的數據，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
內存（python內存）
待爬取url集合：set()
已爬取url集合：set()
關系數據庫（mysql）
urls（url，is_crawled）
緩存（redis）
待爬取url集合：set
已爬取url集合：set
大型互聯網公司，由于緩存數據庫的高性能，一般把url存蓄在緩存數據庫中。小型公司，一般把url存蓄在內存中，如果想要永存存蓄，則存蓄到關系數據庫中。
3、網頁下載器（urllib）
將url對應網頁下載到本地，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網頁。
構造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：
新建baidu2.py，內容如下：
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之后，卻意外發現，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。
經過尋找資料，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。那么，最簡單的辦法，就是換一個使用http協議的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('http://www.baidu.com/')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
print(cj)
四、網頁解析器（BeautifulSoup）
從網頁中提取有價值的數據和新的url列表。
1、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結構化解析。
2、BeautifulSoup
安裝測試
（1）安裝，在命令行下執行pip install beautifulsoup4。
（2）測試。
3、使用說明
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 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')
從文檔中獲取所以文字內容:
正則匹配:
link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)
到此這篇關于Python爬蟲技術的文章就介紹到這了,更多相關Python爬蟲內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 關于python爬蟲應用urllib庫作用分析
- python爬蟲Scrapy框架:媒體管道原理學習分析
- python爬蟲Mitmproxy安裝使用學習筆記
- Python爬蟲和反爬技術過程詳解
- python爬蟲之Appium爬取手機App數據及模擬用戶手勢
- 爬蟲Python驗證碼識別入門
- Python爬蟲爬取商品失敗處理方法
- Python獲取江蘇疫情實時數據及爬蟲分析
- Python爬蟲之Scrapy環境搭建案例教程
- Python爬蟲中urllib3與urllib的區別是什么
- 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫
- Python爬蟲分析匯總
