码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬虫基础

时间:2019-01-26 15:29:45      阅读:211      评论:0      收藏:0      [点我收藏+]

标签:ESS   html_   互联网   正则表达式   parse   多语言   运行   正则表达   ...   

前言

Python非常适合用来开发网页爬虫,理由如下:
1、抓取网页本身的接口
相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁;相比其他动态脚本语言,如perl,shell,python的urllib2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浏览器的行为,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 agent的行为构造合适的请求,譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定,如Requests,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beautifulsoap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。
其实以上功能很多语言和工具都能做,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,本文只讨论python3.x的爬虫实现方法。
技术分享图片

爬虫架构

架构组成

技术分享图片

URL管理器:管理待爬取的url集合和已爬取的url集合,传送待爬取的url给网页下载器。
网页下载器(urllib):爬取url对应的网页,存储成字符串,传送给网页解析器。
网页解析器(BeautifulSoup):解析出有价值的数据,存储下来,同时补充url到URL管理器。

运行流程

技术分享图片

URL管理器

基本功能

  • 添加新的url到待爬取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url集合移动到已爬取url集合。

存储方式

1、内存(python内存)
待爬取url集合:set()
已爬取url集合:set()

2、关系数据库(mysql)
urls(url, is_crawled)

3、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存储在缓存数据库中。小型公司,一般把url存储在内存中,如果想要永久存储,则存储到关系数据库中。

网页下载器(urllib)

将url对应的网页下载到本地,存储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页面。

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 = 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。
技术分享图片
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。
技术分享图片

经过查找资料,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,换成http://www.csdn.net。结果,依然报错,只不过变成了400错误。
技术分享图片

然而,然而,然而。。。神转折出现了!!!
当我把url换成http://www.csdn.net/后,请求成功!没错,就是在网址后面多加了一个斜杠/。同理,把http://www.baidu.com改成http://www.baidu.com/,请求也成功了!神奇!!!

添加处理器

技术分享图片

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) |

网页解析器(BeautifulSoup)

从网页中提取出有价值的数据和新的url列表。

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BeautifulSoup。
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。

BeautifulSoup

安装测试

1、安装,在命令行下执行pip install beautifulsoup4
2、测试

import bs4print(bs4) |

使用说明

技术分享图片
技术分享图片

基本用法

1、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 = """<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="http://example.com/elsie" class="sister" id="link1">Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://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、访问节点

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、从文档中找到所有``标签的链接

for link in soup.find_all(‘a‘):    print(link.get(‘href‘)) 

技术分享图片
出现了警告,根据提示,我们在创建BeautifulSoup对象时,指定解析器即可。

soup = BeautifulSoup(html_doc,‘html.parser‘) 

5、从文档中获取所有文字内容

print(soup.get_text() 

6、正则匹配

soup.find(‘a‘,href=re.compile(r"til"))print(link_node) |
?```                                                         |


# 后记

python爬虫基础知识,至此足够,接下来,在实战中学习更高级的知识。

Python爬虫基础

标签:ESS   html_   互联网   正则表达式   parse   多语言   运行   正则表达   ...   

原文地址:https://www.cnblogs.com/paisenpython/p/10323323.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!