python如何实现爬虫技术
一、什么是爬虫
爬虫：爬虫的作用就是从互联网上抓取对我们有价值的信息。他的本质，是一段程序，是一段自动抓取互联网信息的程序。
二、Python爬虫架构
Python 爬虫架构主要由调度器、URL管理器、网页下载器、网页解析器、应用程序五个部分组成。
调度器：
调度器主要负责调度URL管理器、下载器、解析器之间的协调，作用相当于电脑的CPU
URL管理器：
url管理器包括已经抓取和还在等待爬取的url地址，防止重复和循环抓取url.实现url管理器主要有三种方式，方式1内存，方式2数据库，方式3缓存数据。
网页下载器：
下载网页要通过传入一个url地址来进行，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
网页解析器：
将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
应用程序：
从网页中提取的有用数据组成的一个应用。
下面用一个图来解释一下调度器是如何协调工作的:
文章图片
三、urllib2 实现下载网页的三种方式
#!/usr/bin/python
# -*- coding: UTF-8 -*-
importcookielib
importurllib2
url ="http://www.baidu.com"
response1 = urllib2.urlopen(url)
print"第一种方法"
#获取状态码，200表示成功
printresponse1.getcode()
#获取网页内容的长度
printlen(response1.read())
print"第二种方法"
request = urllib2.Request(url)
#模拟Mozilla浏览器进行爬虫
request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
printresponse2.getcode()
printlen(response2.read())
print"第三种方法"
cookie = cookielib.CookieJar()
#加入urllib2处理cookie的能力
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
printresponse3.getcode()
printlen(response3.read())
printcookie
四、第三方库 Beautiful Soup 的安装
Beautiful Soup: Python 的第三方插件用来提取 xml 和 HTML 中的数据，官网地址https://www.crummy.com/software/BeautifulSoup/
1、安装 Beautiful Soup
打开 cmd（命令提示符），进入到 Python（Python2.7版本）安装目录中的 scripts 下，输入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自带的 pip 命令进行安装，输入以下命令进行安装即可：
pipinstallbeautifulsoup4
2、测试是否安装成功
编写一个 Python 文件，输入:
import bs4
print bs4
运行该文件，如果能够正常输出则安装成功。
五、使用 Beautiful Soup 解析 html 文件
#!/usr/bin/python
# -*- coding: UTF-8 -*-
importre
frombs4importBeautifulSoup
html_doc ="""
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""
#创建一个BeautifulSoup解析对象
soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")
#获取所有的链接
links = soup.find_all('a')
print"所有的链接"
forlinkinlinks:
printlink.name,link['href'],link.get_text()
print"获取特定的URL地址"
link_node = soup.find('a',href="http://example.com/elsie")
printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()
print"正则表达式匹配"
link_node = soup.find('a',href=https://www.it610.com/article/re.compile(r"ti"))
printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()
print"获取P段落的文字"
p_node = soup.find('p',class_='story')
【python如何实现爬虫技术】printp_node.name,p_node['class'],p_node.get_text()
推荐阅读
- 考研英语阅读终极解决方案——阅读理解如何巧拿高分
- 如何寻找情感问答App的分析切入点
- 关于QueryWrapper|关于QueryWrapper,实现MybatisPlus多表关联查询方式
- mybatisplus如何在xml的连表查询中使用queryWrapper
- MybatisPlus使用queryWrapper如何实现复杂查询
- python学习之|python学习之 实现QQ自动发送消息
- 逻辑回归的理解与python示例
- 孩子不是实现父母欲望的工具——林哈夫
- opencv|opencv C++模板匹配的简单实现
- Node.js中readline模块实现终端输入