全世界只有3.14 %的人关注了 数据与算法之美 文 | VoidKing 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。 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： 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： 携带参数 新建baidu2.py，内容如下： 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 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 2、访问节点 3、指定tag、class或id 4、从文档中找到所有标签的链接 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。 来源：36大数据 ------用数据解决不可能------ 听说，关注这个号的人运气都不会太差噢 |
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
注册
登录
