Python 爬虫介绍

川长思鸟来 2023-06-25 05:00 14阅读 0赞

### 一、什么是爬虫 ###

**爬虫**：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

### 二、Python爬虫架构 ###

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

*  **调度器：**相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
 *  **URL管理器：**包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
 *  **网页下载器：**通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
 *  **网页解析器：**将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
 *  **应用程序：**就是从网页中提取的有用数据组成的一个应用。

下面用一个图来解释一下调度器是如何协调工作的:

![format_png][]

### 三、urllib2 实现下载网页的三种方式 ###

#!/usr/bin/python
    # -*- coding: UTF-8 -*-
     
    import cookielib
    import urllib2
     
    url = "http://www.baidu.com"
    response1 = urllib2.urlopen(url)
    print "第一种方法"
    #获取状态码，200表示成功
    print response1.getcode()
    #获取网页内容的长度
    print len(response1.read())
     
    print "第二种方法"
    request = urllib2.Request(url)
    #模拟Mozilla浏览器进行爬虫
    request.add_header("user-agent","Mozilla/5.0")
    response2 = urllib2.urlopen(request)
    print response2.getcode()
    print len(response2.read())
     
    print "第三种方法"
    cookie = cookielib.CookieJar()
    #加入urllib2处理cookie的能力
    opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
    urllib2.install_opener(opener)
    response3 = urllib2.urlopen(url)
    print response3.getcode()
    print len(response3.read())
    print cookie

### 四、第三方库 Beautiful Soup 的安装 ###

**Beautiful Soup**: Python 的第三方插件用来提取 xml 和 HTML 中的数据，官网地址 [https://www.crummy.com/software/BeautifulSoup/][https_www.crummy.com_software_BeautifulSoup]

**1、安装 Beautiful Soup**

打开 cmd（命令提示符），进入到 Python（Python2.7版本）安装目录中的 scripts 下，输入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自带的 pip 命令进行安装，输入以下命令进行安装即可：

>     pip install beautifulsoup4

**2、测试是否安装成功**

编写一个 Python 文件，输入:

>     import bs4
>     print bs4

运行该文件，如果能够正常输出则安装成功。

### 五、使用 Beautiful Soup 解析 html 文件 ###

#!/usr/bin/python
 # -*- coding: UTF-8 -*-
 
 import re
 
 from bs4 import BeautifulSoup
 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.
 ...
 """
 #创建一个BeautifulSoup解析对象
 soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")
 #获取所有的链接
 links = soup.find_all('a')
 print "所有的链接"
 for link in links:
 print link.name,link['href'],link.get_text()
 
 print "获取特定的URL地址"
 link_node = soup.find('a',href="http://example.com/elsie")
 print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
 
 print "正则表达式匹配"
 link_node = soup.find('a',href=re.compile(r"ti"))
 print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
 
 print "获取P段落的文字"
 p_node = soup.find('p',class_='story')
 print p_node.name,p_node['class'],p_node.get_text()

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cucnVub29iLmNvbS93cC1jb250ZW50L3VwbG9hZHMvMjAxOC8wNy8yMDE3MDQyNzExMzEwOTM2OC5wbmc?x-oss-process=image/format,png
[https_www.crummy.com_software_BeautifulSoup]: https://www.crummy.com/software/BeautifulSoup/