Python 爬蟲介紹
阿新 • • 發佈：2018-11-11
打開 三種方式 python 爬蟲 文字 lxml 獲取網頁內容 狀態碼 install dom
1.Python 爬蟲介紹
一、什麽是爬蟲
爬蟲：一段自動抓取互聯網信息的程序，從互聯網上抓取對於我們有價值的信息。
二、Python爬蟲架構
Python 爬蟲架構主要由五個部分組成，分別是調度器、URL管理器、網頁下載器、網頁解析器、應用程序（爬取的有價值數據）。
- 調度器：相當於一臺電腦的CPU，主要負責調度URL管理器、下載器、解析器之間的協調工作。
- URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復抓取URL和循環抓取URL，實現URL管理器主要用三種方式，通過內存、數據庫、緩存數據庫來實現。
- 網頁下載器：通過傳入一個URL地址來下載網頁，將網頁轉換成一個字符串，網頁下載器有urllib2（Python官方基礎模塊）包括需要登錄、代理、和cookie，requests(第三方包)
- 網頁解析器：將一個網頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據DOM樹的解析方式來解析。網頁解析器有正則表達式（直觀，將網頁轉成字符串通過模糊匹配的方式來提取有價值的信息，當文檔比較復雜的時候，該方法提取數據的時候就會非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進行解析，也可以使用lxml進行解析，相對於其他幾種來說要強大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
- 應用程序：就是從網頁中提取的有用數據組成的一個應用。
下面用一個圖來解釋一下調度器是如何協調工作的:
三、urllib2 實現下載網頁的三種方式
#!/usr/bin/python # -*- coding: UTF-8 -*- import cookielib import urllib2 url = "http://www.baidu.com" response1 = urllib2.urlopen(url) print "第一種方法" #獲取狀態碼，200表示成功 print response1.getcode() #獲取網頁內容的長度 print len(response1.read()) print"第二種方法" request = urllib2.Request(url) #模擬Mozilla瀏覽器進行爬蟲 request.add_header("user-agent","Mozilla/5.0") response2 = urllib2.urlopen(request) print response2.getcode() print len(response2.read()) print "第三種方法" cookie = cookielib.CookieJar() #加入urllib2處理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、第三方庫 Beautiful Soup 的安裝
Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數據，官網地址 https://www.crummy.com/software/BeautifulSoup/
1、安裝 Beautiful Soup
打開 cmd（命令提示符），進入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進行安裝，輸入以下命令進行安裝即可：
pip install beautifulsoup4
2、測試是否安裝成功
編寫一個 Python 文件，輸入:
import bs4
print bs4
運行該文件，如果能夠正常輸出則安裝成功。
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> <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="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.</p> <p class="story">...</p> """ #創建一個BeautifulSoup解析對象 soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8") #獲取所有的鏈接 links = soup.find_all(‘a‘) print "所有的鏈接" for link in links: print link.name,link[‘href‘],link.get_text() print "獲取特定的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 "正則表達式匹配" 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 "獲取P段落的文字" p_node = soup.find(‘p‘,class_=‘story‘) print p_node.name,p_node[‘class‘],p_node.get_text()
Python 爬蟲介紹