Python爬虫技术 Python爬虫技术

一、Python爬虫简单介绍

1、抓取网页本身的接口
2、网页抓取后的处理

二、爬虫架构

三、URL管理器

1、基本功能
2、存蓄方式
3、网页下载器（urllib）

四、网页解析器（BeautifulSoup）

1、解析器选择
2、BeautifulSoup
3、使用说明

一、Python爬虫简单介绍

1、抓取网页本身的接口

文章图片

相比与其他静态的编程语言，如java，c#，C++，python抓取网页的接口更简洁；相比其他动态脚本语言，如Perl，shell，python的urllib包提供了较为完整的访问网页文档的API。（当然ruby也是很好的选择）此外，抓取网页有时候需要模拟游览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agen的行为构造合适的请求，譬如模拟用户登录、模拟session/cookie的存蓄和设置。在Python里都有非常优秀的第三方包帮你搞定，如Request，mechanize。

2、网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。Python的beautiulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多的语言都能做，但是用Python能够干得最快，最干净。

Life is short, you need python.

PS：python2.x和python3.x有很大不同，本文先讨论python3.x的爬虫实现方法。

二、爬虫架构
架构组成
URL管理器：管理待爬的url集合好已爬取的url集合，传送待爬的url给网页下载器。
网页下载器（urllib）：爬取url对应的网页你，存蓄成字符串，传送给网页解析器。
网页解析器（BeautifulSoap）：解析出有价值的数据，存蓄下来，同时补充url到URL管理器。

三、URL管理器
【Python爬虫技术】
1、基本功能

添加新的url到爬取url集合中。
判断待添加的url是否在容器中（包括待爬取url集合和已爬取的url集合）。
获取待爬取的url。
判断是否有待爬取的url。
将爬取完成的url从待爬取的url集合移动到已爬取url集合。

2、存蓄方式

内存（python内存）
待爬取url集合：set()
已爬取url集合：set()
关系数据库（mysql）
urls（url，is_crawled）
缓存（redis）
待爬取url集合：set
已爬取url集合：set
大型互联网公司，由于缓存数据库的高性能，一般把url存蓄在缓存数据库中。小型公司，一般把url存蓄在内存中，如果想要永存存蓄，则存蓄到关系数据库中。

3、网页下载器（urllib）

将url对应网页下载到本地，存蓄成一个文件或字符串。
基本方法
新建baidu.py，内容如下：

import urllib.request response = urllib.request.urlopen('http://www.baidu.com')buff = response.read()html = buff.decode("utf8")print(html)命令行中执行python baidu.py，则可以打印出获取到的网页。

构造Request：

上面的代码，可以修改为：

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)

携带参数：
新建baidu2.py，内容如下：

import urllib.requestimport urllib.parse url = 'http://www.baidu.com'values = {'name': 'voidking','language': 'Python'}data = https://www.it610.com/article/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=https://www.it610.com/article/data,headers=headers,method='GET')response = urllib.request.urlopen(request)buff = response.read()html = buff.decode("utf8")print(html)

使用Fiddler监听数据:
我们想要查看一下，我们的请求是否真的携带了参数，所以需要使用fiddler。
打开fiddler之后，却意外发现，上面的代码会报错504，无论是baidu.py还是baidu2.py。
虽然python有报错但是在fiddler中，我们可以看到请求信息，确实携带了参数。
经过寻找资料，发现python以前版本的Request都不支持代理环境下访问https。但是，最近的版本应该支持了才对。那么，最简单的办法，就是换一个使用http协议的url来爬取，比如，把http://www.baidn.com改成http://www.baidu.com/，请求成功了！神奇！！！
添加处理器：

import urllib.requestimport http.cookiejar # 创建cookie容器cj = http.cookiejar.CookieJar()# 创建openeropener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))# 给urllib.request安装openerurllib.request.install_opener(opener) # 请求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、网页解析器（BeautifulSoup）
从网页中提取有价值的数据和新的url列表。

1、解析器选择

为了实现解析器，可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等，这里我们选择BeautfulSoup。
其中，正则表达式基于模糊匹配，而另外三种则是基于DOM结构化解析。

2、BeautifulSoup

安装测试
（1）安装，在命令行下执行pip install beautifulsoup4。
（2）测试。

import bs4print(bs4)

3、使用说明
创建BeautifulSoup对象:

import bs4from bs4 import BeautifulSoup # 根据html网页字符串创建BeautifulSoup对象html_doc = """The Dormouse's story - 锐客网The Dormouse's story
Once upon a time there were three little sisters; and their names wereElsie,Lacie andTillie; and they lived at the bottom of a well.
...
"""soup = BeautifulSoup(html_doc)print(soup.prettify())

访问节点;