1. 程式人生 > >Python 爬蟲介紹

Python 爬蟲介紹

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:

技術分享圖片

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 Dormouses story</title></head>
<body>
<p class="title"><b>The Dormouses 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