Python爬虫技术

编辑: admin 分类: python 发布时间: 2021-12-03 来源:互联网
目录
  • 一、Python爬虫简单介绍
    • 1、抓取网页本身的接口
    • 2、网页抓取后的处理
  • 二、爬虫架构
    • 三、URL管理器
      • 1、基本功能
      • 2、存蓄方式
      • 3、网页下载器（urllib）
    • 四、网页解析器（BeautifulSoup）
      • 1、解析器选择
      • 2、BeautifulSoup
      • 3、使用说明

    一、Python爬虫简单介绍

    1、抓取网页本身的接口

     

    相比与其他静态的编程语言，如java，c#，C++，python抓取网页的接口更简洁；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游览器的行为，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 agen的行为构造合适的请求，譬如模拟用户登录、模拟session/cookie的存蓄和设置。在Python里都有非常优秀的第三方包帮你搞定，如Request，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beautiulsoap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。
    其实以上功能很多的语言都能做，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，本文先讨论python3.x的爬虫实现方法。

    二、爬虫架构

    架构组成
    URL管理器：管理待爬的url集合好已爬取的url集合，传送待爬的url给网页下载器。
    网页下载器（urllib）：爬取url对应的网页你，存蓄成字符串，传送给网页解析器。
    网页解析器（BeautifulSoap）：解析出有价值的数据，存蓄下来，同时补充url到URL管理器。
     

    三、URL管理器

    1、基本功能

    添加新的url到爬取url集合中。
    判断待添加的url是否在容器中（包括待爬取url集合和已爬取的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从待爬取的url集合移动到已爬取url集合。

    2、存蓄方式

    内存（python内存）
    待爬取url集合：set()
    已爬取url集合：set()
    关系数据库（mysql）
    urls（url，is_crawled）
    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存蓄在缓存数据库中。小型公司，一般把url存蓄在内存中，如果想要永存存蓄，则存蓄到关系数据库中。

    3、网页下载器（urllib）

    将url对应网页下载到本地，存蓄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网页。

    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。
    经过寻找资料，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，把http://www.baidn.com改成http://www.baidu.com/，请求成功了！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)

    四、网页解析器（BeautifulSoup）

    从网页中提取有价值的数据和新的url列表。

    1、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BeautfulSoup。

    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。

    2、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)

    3、使用说明

    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="//www.jb51.net/admin/index.asp" class="sister" id="link1">Elsie</a>,
<a href="//www.jb51.net/admin/index.asp" class="sister" id="link2">Lacie</a> and
<a href="//www.jb51.net/admin/index.asp" 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())

    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'])

    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'))

    从文档中找到所以<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')

    从文档中获取所以文字内容:

    print(soup.get_text())

    正则匹配:

    link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)

    到此这篇关于Python爬虫技术的文章就介绍到这了,更多相关Python爬虫内容请搜索hwidc以前的文章或继续浏览下面的相关文章希望大家以后多多支持hwidc！

    【文章出处:日本大带宽服务器http://www.558idc.com/jap.html 复制请保留原URL】
    更多阅读