Python爬虫基础

一时失言乱红尘 2022-02-04 07:59 374阅读 0赞

# 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。

# 爬虫架构 #

## 架构组成 ##

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 ##

# 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.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)

## 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`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 ##

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)

# 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 bs4
    print(bs4)

### 使用说明 ###

### 基本用法 ###

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>
 The Dormouse's 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.
 
 ...
 """
 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`<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)

# 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。