爬虫入门(一):轻量级爬虫

date: 2016-09-24 17:38:42

今天下雨,下午没课,适合学习。(●'◡'●)

爬虫入门(一):轻量级爬虫_第1张图片
pachong

1.爬虫简介

  • 爬虫:一段自动抓取互联网信息的程序
  • 价值:互联网数据,为我所用!
    新闻聚合阅读器、最爆笑故事APP、图书价格对比网、Python技术文章大全

2.简单爬虫架构

简单爬虫架构-运行流程

调度器->URL管理器->下载器->解析器->应用

3.URL管理器

URL管理器:管理待抓取URL集合和已抓取URL集合
防止重复抓取、防止循环抓取

实现方式

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.缓存数据库


redis
待爬取URL集合:set
已爬取URL集合:set

其中,内存适合个人,缓存数据库适合大型公司。

4.网页下载器(urllib2)核心组件

  • 网页下载器:将互联网上URL对应的网页下载到本地的工具。

  • Python有那几种网页下载器?


1.Python官方基础模块:urllib2
2.第三方包更强大:requests

网页下载器-urllib2

  • urllib2下载网页方法1:最简洁方法
    url->urllib2.urlopen(url)

对应代码:


import urllib2

直接请求

response = urllib2.urlopen('http://www.baidu.com')

获取状态码,如果是200表示获取成功

print response.getcode()

读取内容

cont = response.read()

  • urllib2下载网页方法2:添加data、http header

url&data&header->urllib2.Request->urllib2.urlopen(request)

对应代码:


import urllib2

创建Request对象

request = urllib2.Request(url)

添加数据,向服务器提交用户数据,比如提交a这个数据的值为1

request.add_data('a','1')

添加http的header,http头信息。这里将爬虫伪装成一个Mozilla的浏览器。

request.add_header('User-Agent','Mozilla/5.0')

发送请求获取结果

response = urllib2.urlopen(request)

  • urllib2下载网页方法3:添加特殊情景的处理器
    例如:
    • 某些需要登录信息的网页,可以用 HTTPCookieProcessor
    • 某些需要代理才能访问的网页,可以用ProxyHandler
    • 某些使用了加密协议,可以用HTTPSHandler
    • 网页URL相互自动跳转关系,使用HTTPRedirectHandler

将这些Handler传送给opener = urllib2.build_opener(handler),再传送给urllib2.install_opener(opener),最后->urllib2.urlopen(url) urllib2.urlopen(request)

对应代码:


import urllib2, cookielib

创建cookie容器,存储cookie数据

cj = cookielib.CookieJar()

创建1个opener

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

给urllib2安装opener

urllib2.install_opener(opener)

使用带有cookie的urllib2访问网页

response = urllib2.urlopen("http://www.baidu.com/")

你可能感兴趣的:(爬虫入门(一):轻量级爬虫)