爬虫入门体验

连续做了一周的爬虫了，但是都是简单的那种，简单的总结下，后面有时间在写个工具。

1.网页获取，由于网站情况不一样，有的网站有相关的反爬虫技术，要对网站情况进行分析，才能获得想要的网页信息。

2.续爬，爬虫不一的能一次就吧整个网站就能爬下来，要设在分析，增加续爬功能是有必要的。

3.爬取过程中遇到的问题。

    1）我是使用的bs4进行xml解析的，由于每个节点属性不完全相同，当统一使用一个方法访问节点属性的时候一定要加try，防止程序意外中断。

    2）在使用python语言的时候，为了安全，要注意函数的返回值，特别是类型判断。

    3）网页抓取要加try，动态数据类型也尽量加try

  4.爬取过程中的关键语句

#下载文件
dir_name= '.'
def download_file(url, file_name):
    if not os.access(dir_name, os.F_OK):
        os.mkdir( dir_name, 0o777 )
    file_name=file_name.replace('/','-')
    tmp = os.path.join(dir_name, file_name)
    if os.access(tmp, os.F_OK):
        return
    f = urllib.request.urlopen(url) 
    data = f.read() 
    with open(tmp, "wb+") as code:     
        code.write(data)

#伪装浏览器获取网页，当时有个网站弄不下来，在一个哥们拿去粘的这个源码，我稍稍做了下修改
def get_html(url):
    iplist=['121.193.143.','112.126.65.','122.96.59.','115.29.98.','117.131.216.','116.226.243.','101.81.22.','122.96.59.']
    html = ''
    try: 
        http_request_ip = (random.choice(iplist)+str(random.randint(3,215))+':'+str(random.randint(1024,65535)))
        print(http_request_ip)
        proxy_support = urllib.request.ProxyHandler({'http':http_request_ip})
        opener=urllib.request.build_opener(proxy_support)
        opener.addheaders=[('User-Agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.87 Safari/537.36')]
        urllib.request.install_opener(opener)
        response = urllib.request.urlopen(url,timeout=3) 
        html = response.read().decode('utf-8')
    except Exception as e:
        logger.debug('['+str(e)+']'+url)
        print ('URLError:  All times is failed ')
    return html

#直接获取网页
def get_html_method2(url):
    html = ''
    i = 5
    while(i):
        try: 
            response = urllib.request.urlopen(url,timeout=3) 
            html = response.read().decode('utf-8')
            return html
        except Exception as e:
            i = i -1
            logger.debug('['+str(e)+']'+url)
    print ('URLError:  All times is failed ' )   
    return '' 

#网页解析
html_page = get_html_method2(page_url)
html_soup = bs4.BeautifulSoup(html_page, 'lxml')
item_name = html_soup.select('ul[class="List_list font14"]')

table_thead_item = table_item[0].select('thead')  
#正则表达式    
matchObj = re.search( r'\/uploadfiles\/\d{6}\/\d{2}\/\d{22}\.(\w{1,5})$', a_href, re.M|re.I)
#csv的操作    
cvs_filename = dir_name+'_table.csv'    
if os.access(cvs_filename,os.F_OK):        
    csvfile = open(cvs_filename, 'a+', newline='')        
    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)    
else:        
    csvfile = open(cvs_filename, 'a+', newline='')        
    writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
    writer.writeheader()      
writer.writerow({fieldnames[0]:list_data[0])