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 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。
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。
• 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。
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。
将 url 对应的网页下载到本地,存储成一个文件或字符串。
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。
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)
新建 baidu2.py,内容如下:
- 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)
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。
然而,然而,然而。。。神转折出现了!!!
当我把 url 换成
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.csdn.net/
改成
- http://www.baidu.com
,请求也成功了!神奇!!!
- http://www.baidu.com/
- import urllib.request
- import http.cookiejar
- # 创建cookie容器
- cj = http.cookiejar.CookieJar()
- # 创建opener
- opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
- # 给urllib.request安装opener
- urllib.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)
从网页中提取出有价值的数据和新的 url 列表。
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。
1、安装,在命令行下执行
。
- pip install beautifulsoup4
2、测试
- import bs4
- print(bs4)
1、创建 BeautifulSoup 对象
- import bs4
- from 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
- rint(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 <a> 标签的链接
- for link in soup.find_all('a'):
- print(link.get('href'))
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
- link_node = soup.find('a',href=re.compile(r"til"))
- print(link_node)
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 学习交流 QQ 群:638121273 禁止闲聊,非喜勿进!来源: http://geek.csdn.net/news/detail/250836