浅谈Python网络爬虫

一 相关背景

网络爬虫(Web Spider)又称网络蜘蛛、网络机器人，是一段用来自动化采集网站数据的程序。如果把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。网络爬虫不仅能够为搜索引擎采集网络信息，而且还可以作为定向信息采集器，定向采集某些网站下的特定信息，如：汽车票价，招聘信息，租房信息，微博评论等。

二 应用场景

图1 应用场景

爬虫技术在科学研究、Web安全、产品研发、舆情监控等领域可以做很多事情。如：在数据挖掘、机器学习、图像处理等科学研究领域，如果没有数据，则可以通过爬虫从网上抓取；在Web安全方面，使用爬虫可以对网站是否存在某一漏洞进行批量验证、利用；在产品研发方面，可以采集各个商城物品价格，为用户提供市场最低价；在舆情监控方面，可以抓取、分析新浪微博的数据，从而识别出某用户是否为水军。

三 本文目的

本文简要介绍对于定向信息采集所需了解基本知识和相关技术，以及python中与此相关的库。同时提供对与数据抓取有关库的封装实现，目的是减少不必要的配置，便于使用，目前仅包含对urllib2, requests, mechanize的封装。地址：https://github.com/xinhaojing/Crawler

四 运行流程

对于定向信息的爬取，爬虫主要包括数据抓取、数据解析、数据入库等操作流程。其中:

（1）数据抓取：发送构造的HTTP请求，获得包含所需数据的HTTP响应；

（2）数据解析：对HTTP响应的原始数据进行分析、清洗以提取出需要的数据；

（3）数据入库：将数据进一步保存到数据库（或文本文件），构建知识库。

图2.1 基本运行流程

 

图2.2 详细运行流程

五 相关技术

爬虫的相关技术包括：

（1）数据抓取：了解HTTP请求和响应中各字段的含义；了解相关的网络分析工具，主要用于分析网络流量，如：burpsuit等。一般情况，使用浏览器的开发者模式即可；

（2）数据解析：了解HTML结构、JSON和XML数据格式，CSS选择器、Xpath路径表达式、正则表达式等，目的是从响应中提取出所需的数据；

（3）数据入库：MySQL，SQLite、Redis等数据库，便于数据的存储；

 

图3 相关技术

 

以上是学习爬虫的基本要求，在实际的应用中，也应考虑如何使用多线程提高效率、如何做任务调度、如何应对反爬虫，如何实现分布式爬虫等等。本文介绍的比较有限，仅供参考。

六 python相关库

在爬虫实现上，除了scrapy框架之外，python有许多与此相关的库可供使用。其中，在数据抓取方面包括： urllib2（urllib3）、requests、mechanize、selenium、splinter；在数据解析方包括：lxml、beautifulsoup4、re、pyquery。

对于数据抓取，涉及的过程主要是模拟浏览器向服务器发送构造好的http请求，常见类型有：get/post。其中，urllib2（urllib3）、requests、mechanize用来获取URL对应的原始响应内容；而selenium、splinter通过加载浏览器驱动，获取浏览器渲染之后的响应内容，模拟程度更高。

具体选择哪种类库，应根据实际需求决定，如考虑效率、对方的反爬虫手段等。通常，能使用urllib2（urllib3）、requests、mechanize等解决的尽量不用selenium、splinter，因为后者因需要加载浏览器而导致效率较低。

对于数据解析，主要是从响应页面里提取所需的数据，常用方法有：xpath路径表达式、CSS选择器、正则表达式等。其中，xpath路径表达式、CSS选择器主要用于提取结构化的数据，而正则表达式主要用于提取非结构化的数据。相应的库有lxml、beautifulsoup4、re、pyquery。

表1 相关库文档

	类库	文档
数  据  抓  取	urllib2	https://docs.python.org/2/library/urllib2.html
	requests	http://cn.python-requests.org/zh_CN/latest
	mechanize	https://mechanize.readthedocs.io/en/latest/
	splinter	http://splinter.readthedocs.io/en/latest/
	selenium	https://selenium-python.readthedocs.io/
数  据  解  析	lxml	http://lxml.de/
	beautifulsoup4	https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html  http://cuiqingcai.com/1319.html
	re	http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
	pyquery	https://pythonhosted.org/pyquery/

 

七.相关介绍

1数据抓取

（1）urllib2

urllib2是python自带的一个访问网页及本地文件的库，通常需要与urllib一起使用。因为urllib提供了urlencode方法用来对发送的数据进行编码，而urllib2没有对应的方法。

以下是对urllib2简易封装的说明，主要是将相关的特性集中在了一个类函数里面，避免一些繁琐的配置工作。

图4 urllib2封装说明

（2）requests和mechanize

requests是Python的第三方库，基于urllib，但比urllib更加方便，接口简单。其特点包括，关于http请求：支持自定义请求头，支持设置代理、支持重定向、支持保持会话[request.Session()]、支持超时设置、对post数据自动urlencode；关于http响应：可直接从响应中获得详细的数据，无需人工配置，包括：状态码、自动解码的响应内容、响应头中的各个字段；还内置JSON×××。

mechanize是对urllib2部分功能的替换，能够更好的模拟浏览器行为，在web访问控制方面做得很全面。其特点包括：支持cookie设置、代理设置、重定向设置、简单的表单填写、浏览器历史记录和重载、referer头的添加（可选）、自动遵守robots.txt、自动处理HTTP-EQUIV和刷新等。

对requests和mechanize简易封装后的接口与urllib2一样，也是将相关特性集中在了一个类函数里面，这里不在重复说明，可参考所给代码。

（4）splinter和selenium

selenium(python)和splinter可以很好的模拟浏览器行为，二者通过加载浏览器驱动工作。在采集信息方面，降低了分析网络请求的麻烦,一般只需要知道数据页面对应的URL即可。由于要加载浏览器，所以效率方面相对较低。

默认情况下，优先使用的是Firefox浏览器。这里列出chrome和pantomjs（无头浏览器）驱动的下载地址，方便查找。

chrome和pantomjs驱动地址:

chrome : http://chromedriver.storage.googleapis.com/index.html?path=2.9/

pantomjs : http://phantomjs.org/download.html

2 数据解析

对于数据解析，可用的库有lxml、beautifulsoup4、re、pyquery。其中，beautifulsoup4比较常用些。除了这些库的使用，可了解一下xpath路径表达式、CSS选择器、正则表达式的语法，便于从网页中提取数据。其中，chrome浏览器自带生成Xpath的功能。

图5 chrome查看元素的xpath

如果能够基于网络分析，抓取到所需数据对应的页面，接下来，从页面中提取数据的工作就相对明确很多。具体的使用方法可参考文档，这里不在详细介绍。

八 反爬虫

1. 基本的反爬虫手段，主要是检测请求头中的字段，比如：User-Agent、referer等。针对这种情况，只要在请求中带上对应的字段即可。所构造http请求的各个字段最好跟在浏览器中发送的完全一样，但也不是必须。

2. 基于用户行为的反爬虫手段，主要是在后台对访问的IP（或User-Agent）进行统计，当超过某一设定的阈值，给予封锁。针对这种情况，可通过使用代理服务器解决，每隔几次请求，切换一下所用代理的IP地址（或通过使用User-Agent列表解决，每次从列表里随机选择一个使用）。这样的反爬虫方法可能会误伤用户。

3. 希望抓取的数据是如果通过ajax请求得到的，假如通过网络分析能够找到该ajax请求，也能分析出请求所需的具体参数，则直接模拟相应的http请求，即可从响应中得到对应的数据。这种情况，跟普通的请求没有什么区别。

4. 基于JavaScript的反爬虫手段，主要是在响应数据页面之前，先返回一段带有JavaScript代码的页面，用于验证访问者有无JavaScript的执行环境，以确定使用的是不是浏览器。

通常情况下，这段JS代码执行后，会发送一个带参数key的请求，后台通过判断key的值来决定是响应真实的页面，还是响应伪造或错误的页面。因为key参数是动态生成的，每次都不一样，难以分析出其生成方法，使得无法构造对应的http请求。

比如网站http://www.kuaidaili.com/，使用就是这种方式，具体可参见https://www.v2ex.com/t/269337。

在首次访问网站时，响应的JS内容会发送带yundun参数的请求，而yundun参数每次都不一样。

图6动态参数yundun

目前测试时，该JavaScript代码执行后，发送的请求不再带有yundun参数，而是动态生成一个cookie，在随后的请求中带上该cookie，作用类似于yundun参数。

图7 动态cookie

针对这样的反爬虫方法，爬虫方面需要能够解析执行JavaScript，具体的方法可使用selenium或splinter,通过加载浏览器来实现。

更详细的反爬虫技术和应对方法可参考：

1.https://zhuanlan.zhihu.com/p/20520370

2.https://segmentfault.com/a/1190000005840672

3.http://v.qq.com/page/j/o/t/j0308hykvot.html

九 参考

[1] http://www.test404.com/post-802.html

[2] http://blog.csdn.net/shanzhizi/article/details/50903748

[3] http://blog.chinaunix.net/uid-28930384-id-3745403.html

[4] http://blog.csdn.net/cnmilan/article/details/9199181

[5] https://zhuanlan.zhihu.com/p/20520370

[6] https://segmentfault.com/a/1190000005840672

[7] https://www.v2ex.com/t/269337