Python爬蟲原理
Python爬蟲原理
前言
簡單來說互聯網是由一個個站點和網絡設備組成的大網,我們通過瀏覽器訪問站點,站點把HTML、JS、CSS代碼返回給瀏覽器,這些代碼經過瀏覽器解析、渲染,將豐富多彩的網頁呈現我們眼前;
一、爬蟲是什麽?
如果我們把互聯網比作一張大的蜘蛛網,數據便是存放於蜘蛛網的各個節點,而爬蟲就是一只小蜘蛛,
沿著網絡抓取自己的獵物(數據)爬蟲指的是:向網站發起請求,獲取資源後分析並提取有用數據的程序;
從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為,把站點返回的HTML代碼/JSON數據/二進制數據(圖片、視頻) 爬到本地,進而提取自己需要的數據,存放起來使用;
二、爬蟲的基本流程:
用戶獲取網絡數據的方式:
方式1:瀏覽器提交請求--->下載網頁代碼--->解析成頁面
方式2:模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放於數據庫或文件中
爬蟲要做的就是方式2;
1、發起請求
使用http庫向目標站點發起請求,即發送一個Request
Request包含:請求頭、請求體等
Request模塊缺陷:不能執行JS 和CSS 代碼
2、獲取響應內容
如果服務器能正常響應,則會得到一個Response
Response包含:html,json,圖片,視頻等
3、解析內容
解析html數據:正則表達式(RE模塊),第三方解析庫如Beautifulsoup,pyquery等
解析json數據:json模塊
解析二進制數據:以wb的方式寫入文件
4、保存數據
數據庫(MySQL,Mongdb、Redis)
文件file
三、http協議 請求與響應
Request:用戶將自己的信息通過瀏覽器(socket client)發送給服務器(socket server)
Response:服務器接收請求,分析用戶發來的請求信息,然後返回數據(返回的數據中可能包含其他鏈接,如:圖片,js,css等)
ps:瀏覽器在接收Response後,會解析其內容來顯示給用戶,而爬蟲程序在模擬瀏覽器發送請求然後接收Response後,是要提取其中的有用數據。
四、 request
1、請求方式:
常見的請求方式:GET / POST
2、請求的URL
url全球統一資源定位符,用來定義互聯網上一個唯一的資源 例如:一張圖片、一個文件、一段視頻都可以用url唯一確定
url編碼
https://www.baidu.com/s?wd=圖片
圖片會被編碼(看示例代碼)
網頁的加載過程是:
加載一個網頁,通常都是先加載document文檔,
在解析document文檔的時候,遇到鏈接,則針對超鏈接發起下載圖片的請求
3、請求頭
User-agent:請求頭中如果沒有user-agent客戶端配置,服務端可能將你當做一個非法用戶host;
cookies:cookie用來保存登錄信息
註意: 一般做爬蟲都會加上請求頭
請求頭需要註意的參數:
(1)Referrer:訪問源至哪裏來(一些大型網站,會通過Referrer 做防盜鏈策略;所有爬蟲也要註意模擬)
(2)User-Agent:訪問的瀏覽器(要加上否則會被當成爬蟲程序)
(3)cookie:請求頭註意攜帶
4、請求體
請求體
如果是get方式,請求體沒有內容 (get請求的請求體放在 url後面參數中,直接能看到)
如果是post方式,請求體是format data
ps:
1、登錄窗口,文件上傳等,信息都會被附加到請求體內
2、登錄,輸入錯誤的用戶名密碼,然後提交,就可以看到post,正確登錄後頁面通常會跳轉,無法捕捉到post
五、 響應Response
1、響應狀態碼
200:代表成功
301:代表跳轉
404:文件不存在
403:無權限訪問
502:服務器錯誤
2、respone header
響應頭需要註意的參數:
(1)Set-Cookie:BDSVRTM=0; path=/:可能有多個,是來告訴瀏覽器,把cookie保存下來
(2)Content-Location:服務端響應頭中包含Location返回瀏覽器之後,瀏覽器就會重新訪問另一個頁面
3、preview就是網頁源代碼
JSON數據
如網頁html,圖片
二進制數據等
六、總結
1、總結爬蟲流程:
爬取--->解析--->存儲
2、爬蟲所需工具:
請求庫:requests,selenium(可以驅動瀏覽器解析渲染CSS和JS,但有性能劣勢(有用沒用的網頁都會加載);)
解析庫:正則,beautifulsoup,pyquery
存儲庫:文件,MySQL,Mongodb,Redis
3、爬獲Yestone網頁的圖片
最後送給大家點福利吧
函數封裝版
1 ‘‘‘ 2 Created on 2018年5月24日 3 4 @author: water 5 ‘‘‘ 6 import re 7 import requests 8 import os 9 # import urllib 10 import urllib.request as urllib 11 import time 12 13 #要爬去的網頁初始地址 14 url = ‘http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}‘ 15 url2 = ‘http://www.yestone.com/gallery/1526450273467?page={page}‘ 16 #圖片保存路徑=獲取當前執行文件路徑+images 17 path_to_save_images = os.path.join(os.path.dirname(__file__), ‘images‘) 18 19 #偽造請求頭部 20 headers={‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36‘}#構造頭部 21 22 if not os.path.exists(path_to_save_images): 23 #如果本地不存在images路徑就生成該文件夾 24 os.mkdir(path_to_save_images) 25 26 pattern = r‘class="img-responsive".*?data-src="(.*?)" data-width=.*>‘ 27 # image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0"> 28 29 from concurrent.futures import ThreadPoolExecutor 30 thread_pools = ThreadPoolExecutor(30) 31 32 def start_scrapy_in_one_thread(url): 33 response = requests.get(url, headers=headers) 34 if response.status_code == 200: 35 html = response.text 36 image_urls=re.findall(pattern, html) #re.S 把文本信息轉換成1行匹配 37 if image_urls: 38 for image_url in image_urls: 39 print(image_url) 40 filename = os.path.join(path_to_save_images, image_url.split(‘/‘)[-2]+‘.jpg‘) 41 urllib.urlretrieve(image_url, filename) 42 else: 43 print(‘沒有找到下載圖片的URL‘) 44 if __name__ == ‘__main__‘: 45 for page in range(1, 2): 46 begin_time = time.time() 47 #單線程爬取照片 48 start_scrapy_in_one_thread(url.format(page=page)) 49 end_time = time.time() 50 51 print(‘總共使用時間%s秒‘%(end_time-begin_time))
並發版(如果一共需要爬30個圖片,開30個線程去做,花的時間就是 其中最慢那份的耗時時間)
1 import re 2 import requests 3 import os 4 # import urllib 5 import urllib.request as urllib 6 import time 7 8 #要爬去的網頁初始地址 9 url = ‘http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}‘ 10 url2 = ‘http://www.yestone.com/gallery/1526450273467?page={page}‘ 11 #圖片保存路徑=獲取當前執行文件路徑+images 12 path_to_save_images = os.path.join(os.path.dirname(__file__), ‘images‘) 13 14 #偽造請求頭部 15 headers={‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36‘}#構造頭部 16 17 if not os.path.exists(path_to_save_images): 18 #如果本地不存在images路徑就生成該文件夾 19 os.mkdir(path_to_save_images) 20 21 pattern = r‘class="img-responsive".*?data-src="(.*?)" data-width=.*>‘ 22 # image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0"> 23 24 from concurrent.futures import ThreadPoolExecutor 25 thread_pools = ThreadPoolExecutor(30) 26 27 28 def start_scrapy_in_threadpool(url): 29 #創建1個程池中,容納線程個數為30個 30 response = requests.get(url, headers=headers) 31 if response.status_code == 200: 32 html = response.text 33 image_urls=re.findall(pattern, html) #re.S 把文本信息轉換成1行匹配 34 if image_urls: 35 for image_url in image_urls: 36 print(image_url) 37 thread_pools.submit(get_pic, image_url) 38 else: 39 print(‘沒有找到下載圖片的URL‘) 40 else: 41 print(‘獲取頁面詳情失敗‘) 42 43 def get_pic(image_url): 44 print(image_url) 45 filename = os.path.join(path_to_save_images, image_url.split(‘/‘)[-2]+‘.jpg‘) 46 # if not os.path.isfile(filename): 47 urllib.urlretrieve(image_url, filename 48 49 if __name__ == ‘__main__‘: 50 for page in range(1, 2): 51 begin_time = time.time() 52 # 用線程池來爬取照片 53 start_scrapy_in_threadpool(url.format(page=page)) 54 #thread_pools.submit(start_scrapy_in_threadpool, url.format(page=page)) 55 end_time = time.time() 56 57 print(‘總共使用時間%s秒‘%(end_time-begin_time))
涉及知識:多線程多進程
計算密集型任務:使用多進程,因為能Python有GIL,多進程可以利用上CPU多核優勢;
IO密集型任務:使用多線程,做IO切換節省任務執行時間(並發)
線程池
Python爬蟲原理