Python爬虫学习日记一 爬取

Python爬虫学习日记一

            冰冠 2018年06月13日15:58:11

系统：kali linux   IDE：pycharm2018.1.1 professional  Python：Anaconda3（Python3.6）

1、检查robots.txt
    通过检查该文件可以让爬虫了解爬取该网站时存在哪些限制,可以最小化爬虫背封禁的可能
2、检查网站地图
    网站提供的sitemap文件可以帮助爬虫定位网站最新的内容，而无需爬取每一个网页
    需要注意的是该文件经常存在缺失、过期、或不完整的问题
3、估算网站的大小
    目标网站的大小会影响我们如何进行爬取
    估算网站的一个简便方法就是检查Google爬虫的结果，Google爬虫很可能已经爬取过该网站
    可以从http://www.google.com/advanced_search了解到该接口以及其他高级搜索参数的方法
4、识别网站所用技术
    在此，我借用python的buildwith模块
    通过pip install builtwith 安装
    使用测试
    

import builtwith
print(builtwith.parse("http://example.webscraping.com/"),end="\n")

5、寻找网站所有者
    可以使用whois协议查询域名的注册者是谁
    python有一个针对whois协议的封装库python-whois，可以通过pip安装
    pip install python-whois
    使用测试

import whois
print(whois.whois('baidu.com'))

6、下载包含有感兴趣数据的网页称为爬取（crawling）
 

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
""" @author [email protected]
    @function:
    @create 18-6-12 上午10:28"""

import urllib.request, urllib.error


def download(url):
    print("Downloading:", url)
    try:
        html = urllib.request.urlopen(url).read()
    except urllib.error.URLError as e:
        print("Download error:", e.reason)
        html = None
    return html

print(download("http://www.baidu.com"))

    6.1 重试下载
        当服务器返回404之类错误时，无需重试下载，因为该网页不存在，当返回500之类服务器错误码时，应该自动进行尝试重试下载download函数修改如下

      

# !/usr/bin/env python3
# -*- coding: utf-8 -*-
""" @author [email protected]
    @function: 爬取网站
    @create 18-6-13 下午4:20"""

import urllib.request, urllib.error


def download(url, num_retries=2):
    print("Downloading:", url)
    try:
        html = urllib.request.urlopen(url).read()
    except urllib.error.URLError as e:
        print("Download error:", e.reason)
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                return download(url,num_retries-1)
    return html

download("http://httpstat.us/500")

  
    6.2设置用户代理
        urllib默认使用urllib/VVV    VVV是urllib的版本号
        设置了一个默认的用户代理 wswp
       

# !/usr/bin/env python3
# -*- coding: utf-8 -*-
""" @author [email protected]
    @function: 爬取网站
    @create 18-6-13 下午4:20"""

import urllib.request, urllib.error


def download(url,user_agent='wswp', num_retries=2):
    print("Downloading:", url)
    headers = {'User-agent':user_agent}
    request = urllib.request.Request(url,headers=headers)
    try:
        html = urllib.request.urlopen(request).read()
    except urllib.error.URLError as e:
        print("Download error:", e.reason)
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                return download(url,num_retries-1)
    return html

    6.3网站地图爬虫
        从标签中提取url
       

# !/usr/bin/env python3
# -*- coding: utf-8 -*-
""" @author [email protected]
    @function: 爬取网站
    @create 18-6-13 下午4:20"""

import urllib.request, urllib.error,re


def download(url,user_agent='wswp', num_retries=2):
    print("Downloading:", url)
    headers = {'User-agent':user_agent}
    request = urllib.request.Request(url,headers=headers)
    try:
        html = urllib.request.urlopen(request).read()
    except urllib.error.URLError as e:
        print("Download error:", e.reason)
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                return download(url,num_retries-1)
    return html

# download("http://httpstat.us/500")
def crawl_sitemap(url):
    sitemap=download(url)
    links = re.findall('(.*?)',str(sitemap))
    for link in links:
        html = download(link)


crawl_sitemap('http://example.webscraping.com/sitemap.xml')

    6.4id遍历爬虫

        有时候网站url中会包含有页面别名，可以对搜索引擎优化起到帮助作用。一般情况下，web服务器会忽略这个字符串，只加载id来匹配数据库中的相关记录

# !/usr/bin/env python3
# -*- coding: utf-8 -*-
""" @author [email protected]
    @function: urllib爬虫初步
    @create 18-6-13 下午4:20"""

import urllib.request, urllib.error, re, itertools


def download(url, user_agent='wswp', num_retries=2):
    print("Downloading:", url)
    headers = {'User-agent': user_agent}
    request = urllib.request.Request(url, headers=headers)
    try:
        html = urllib.request.urlopen(request).read()
    except urllib.error.URLError as e:
        print("Download error:", e.reason)
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                return download(url, num_retries - 1)
    return html


# download("http://httpstat.us/500")

def id_crawl():
    max_errors = 5
    num_errors = 0
    for page in itertools.count(1):
        url = 'http://example.webscraping.com/places/default/view/-%d' % page
        html = download(url)
        if html is None:
            num_errors += 1
            if num_errors == max_errors:
                break
        else:
            pass

id_crawl()

6.5链接爬虫

    对于某些网站，需要让爬虫表现的更像用户，来跟踪链接访问感兴趣的内容。通过跟踪链接的方式，很容易下载整个网站的界面，但是也会下载大量我们并不需要的页面。需要进一步使用正则等方法进行处理

import urllib.parse

# 链接爬虫
def get_links(html):
    webpage_regex = re.compile(']+href=["\'](.*?)["\']',re.IGNORECASE)
    print("Searching,wait")
    return webpage_regex.findall(str(html))


def link_crawler(seed_url,link_regex):
    crawl_queue = [seed_url]
    while crawl_queue:
        url = crawl_queue.pop()
        html = download(url)
        for link in get_links(html):
            if re.match(link_regex,link):
                link = urllib.parse.urljoin(seed_url,link)
                crawl_queue.append(link)

link_crawler('http://example.webscraping.com','(.*?)/(index|view)/')

6.6其他功能

解析robots.txt  限制下载速度   避免爬虫陷阱等 

附:练习源码

https://github.com/ice1995/python_web_crawler-/tree/master/day01_crawl