锐客网

  1. 首页 > 生活百科 > it技术 > >

python通用爬虫函数 python爬虫类

IT技术爬虫

如何入门 Python 爬虫现在之所以有这么多的小伙伴热衷于爬虫技术，无外乎是因为爬虫可以帮我们做很多事情，比如搜索引擎、采集数据、广告过滤等，以Python为例，Python爬虫可以用于数据分析 ， 在数据抓取方面发挥巨大的作用 。
但是这并不意味着单纯掌握一门Python语言，就对爬虫技术触类旁通 ， 要学习的知识和规范还有喜很多 ， 包括但不仅限于HTML 知识、HTTP/HTTPS 协议的基本知识、正则表达式、数据库知识 ， 常用抓包工具的使用、爬虫框架的使用等 。而且涉及到大规模爬虫，还需要了解分布式的概念、消息队列、常用的数据结构和算法、缓存 ， 甚至还包括机器学习的应用，大规模的系统背后都是靠很多技术来支撑的 。
零基础如何学爬虫技术？对于迷茫的初学者来说，爬虫技术起步学习阶段，最重要的就是明确学习路径，找准学习方法，唯有如此，在良好的学习习惯督促下，后期的系统学习才会事半功倍，游刃有余 。
用Python写爬虫 ， 首先需要会Python，把基础语法搞懂，知道怎么使用函数、类和常用的数据结构如list、dict中的常用方法就算基本入门 。作为入门爬虫来说，需要了解 HTTP协议的基本原理，虽然 HTTP 规范用一本书都写不完，但深入的内容可以放以后慢慢去看，理论与实践相结合后期学习才会越来越轻松 。关于爬虫学习的具体步骤，我大概罗列了以下几大部分 ， 大家可以参考：
网络爬虫基础知识:
爬虫的定义
爬虫的作用
Http协议
基本抓包工具(Fiddler)使用
Python模块实现爬虫：
urllib3、requests、lxml、bs4 模块大体作用讲解
使用requests模块 get 方式获取静态页面数据
使用requests模块 post 方式获取静态页面数据
使用requests模块获取 ajax 动态页面数据
使用requests模块模拟登录网站
使用Tesseract进行验证码识别
Scrapy框架与Scrapy-Redis：
Scrapy 爬虫框架大体说明
Scrapy spider 类
Scrapy item 及 pipeline
Scrapy CrawlSpider 类
通过Scrapy-Redis 实现分布式爬虫
借助自动化测试工具和浏览器爬取数据：
SeleniumPhantomJS 说明及简单实例
SeleniumPhantomJS 实现网站登录
SeleniumPhantomJS 实现动态页面数据爬取
爬虫项目实战：
分布式爬虫Elasticsearch 打造搜索引擎
Python爬虫open是一个对象，这个对象以写入的方式打开
“/Users/michael/test.txt ”这个文件
with...as... 就是把open这个对象命名为f
再调用对象的write函数，并且写入Hello World这个字符串
修改储存地址的话直接修改“/Users/michael/test.txt”就好了
if 问题解决了：
采纳；
else：
追问；
python爬虫 函数返回值如何调用？在if 里只需要yield ""item_url.attrs['href']
然后Lsit(最好改可名,在python规范里,函数命名是全小写,而list又是保留字，比如改为display_hrefs）只需要循环输出getUrl的结果就好：
def getUrl(url: str):
....html = urlopen(url)
....for item_url in BeautifulSoup((html.read()).find ('div' , class_='AAA').findAll ("a"):
........if 'href' in item_url.attrs:
............yield ""item_url.attrs['href']
def display_hrefs(url: str):
....for href in getUrl(url):
........print(href)
if __name__ == '__main__':
....display_hrefs("")
如何用Python做爬虫1）首先你要明白爬虫怎样工作 。
想象你是一只蜘蛛 ， 现在你被放到了互联“网”上 。那么，你需要把所有的网页都看一遍 。怎么办呢？没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧 。
在人民日报的首页，你看到那个页面引向的各种链接 。于是你很开心地从爬到了“国内新闻”那个页面 。太好了，这样你就已经爬完了俩页面（首页和国内新闻）！暂且不用管爬下来的页面怎么处理的 ， 你就想象你把这个页面完完整整抄成了个html放到了你身上 。
突然你发现， 在国内新闻这个页面上，有一个链接链回“首页” 。作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊 。所以 ， 你需要用你的脑子，存下你已经看过的页面地址 。这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址 。如果去过 ， 那就别去了 。
好的，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页 。
那么在python里怎么实现呢？
很简单
import Queue
initial_page = "初始化页"
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直进行直到海枯石烂
if url_queue.size()0:
current_url = url_queue.get()#拿出队例中第一个的url
store(current_url)#把这个url代表的网页存储好
for next_url in extract_urls(current_url): #提取把这个url里链向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
else:
break
写得已经很伪代码了 。
所有的爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发 。
2）效率
如果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容 。更别说Google这样的搜索引擎需要爬下全网的内容了 。
问题出在哪呢？需要爬的网页实在太多太多了 ， 而上面的代码太慢太慢了 。设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有网页要遍历一次，而每次判重用set的话需要log(N)的复杂度 。OK ， OK，我知道python的set实现是hash——不过这样还是太慢了，至少内存使用效率不高 。
通常的判重做法是怎样呢？Bloom Filter. 简单讲它仍然是一种hash的方法，但是它的特点是，它可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中 。可惜天下没有白吃的午餐，它的唯一问题在于，如果这个url不在set中，BF可以100%确定这个url没有看过 。但是如果这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不确定性 。注意这里的不确定性在你分配的内存足够大的时候，可以变得很小很少 。一个简单的教程:Bloom Filters by Example
注意到这个特点，url如果被看过 ， 那么可能以小概率重复看一看（没关系，多看看不会累死） 。但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了?。?。[IMPORTANT: 此段有问题，请暂时略过]
好，现在已经接近处理判重最快的方法了 。另外一个瓶颈——你只有一台机器 。不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度 。用一台机子不够的话——用很多台吧！当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧） 。
3）集群化抓取
爬取豆瓣的时候 ， 我总共用了100多台机器昼夜不停地运行了一个月 。想象如果只用一台机子你就得运行100个月了...
那么，假设你现在有100台机器可以用，怎么用python实现一个分布式的爬取算法呢？
我们把这100台中的99台运算能力较小的机器叫作slave ， 另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通 ， 每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取 。而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去 。同样 ， bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave 。Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里 ， 这样保证所有操作都是O(1) 。（至少平摊是O(1)，Redis的访问效率见:LINSERT – Redis)
考虑如何用python实现：
在各台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列 。
代码于是写成
#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = ""
while(True):
if request == 'GET':
if distributed_queue.size()0:
send(distributed_queue.get())
else:
【python通用爬虫函数 python爬虫类】break
elif request == 'POST':
bf.put(request.url)
好的，其实你能想到 ， 有人已经给你写好了你需要的：darkrho/scrapy-redis · GitHub
4）展望及后处理
虽然上面用很多“简单”，但是真正要实现一个商业规模可用的爬虫并不是一件容易的事 。上面的代码用来爬一个整体的网站几乎没有太大的问题 。
但是如果附加上你需要这些后续处理，比如
有效地存储（数据库应该怎样安排）
有效地判重（这里指网页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）
有效地信息抽?。ū热缭趺囱槿〕鐾成纤械牡刂烦槿〕隼? ，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息 ， 比如图片我存来干嘛...
及时更新（预测这个网页多久会更新一次）
如你所想，这里每一个点都可以供很多研究者十数年的研究 。虽然如此 ，
“路漫漫其修远兮,吾将上下而求索” 。
所以，不要问怎么入门 ， 直接上路就好了：）
python通用爬虫函数的介绍就聊到这里吧，感谢你花时间阅读本站内容 ， 更多关于python爬虫类、python通用爬虫函数的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：锦州专注sap售后服务的简单介绍

    下一篇：html5手机精准定位，h5调用手机gps定位