技巧|新手如何用Python做一个网页爬虫

　　技巧|新手如何用Python做一个网页爬虫

　　

　　本文来自36大数据| 本号进行转载和二次排版

　　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*敏*感*词*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。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换成后，请求成功!没错，就是在网址后面多加了一个斜杠/。同理，把改成，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=pile(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。

　　End.