【腾讯TMQ】如何轻松爬取网页数据

一、引言

在实际工作中，难免会遇到从网页爬取数据信息的需求，如：从微软官网上爬取最新发布的系统版本。很明显这是个网页爬虫的工作，所谓网页爬虫，就是需要模拟浏览器，向网络服务器发送请求以便将网络资源从网络流中读取出来，保存到本地，并对这些信息做些简单提取，将我们要的信息分离提取出来。

在做网页爬虫工作时会发现并不是所有网站都是一样，比如有些网址就是一个静态页面、有些需要登录后才能获取到关键信息等等。此外，python简单而又强大，又有不少第三方库可以让我们轻松拿到浏览器中所看到的内容。因而，本文将根据网站特性进行分类介绍几种使用python完成网页爬虫的方法。

二、静态页面

在做爬虫工作时，什么类型的网站最容易爬取数据信息呢？不需要登录等处理，直接用Get方法请求URL即可从服务器获取到返回数据，如我们访问一些博客文章，一个Get请求就可以拿到博客文章里的内容。下面将举例介绍如何爬虫这种类型页面内容该如何爬取。

示例

1、需求说明：假设我们需要及时感知到电脑管家官网上相关产品下载链接的变更，这就要求我们写个自动化程序从官网上爬取到电脑管家的下载链接。

2、分析过程：在浏览器中打开https://guanjia.qq.com，按下F12, 查看网络请求，内容如下图。这里只有一个Get请求，没有登录，也不涉及加密过程。此外，点击Elements，可以很容易的从源码中找到下载链接。

图1

3、解决方案： requests是python的第三方库，可以发送网络请求数据并获取服务器返回的源码。使用requests库获取到html文件，然后利用正则等字符串解析手段或者BeautifulSoup库（第三方库）完成信息提取。下面代码展示的是利用requests库和BeautifulSoup库完成信息提取。

图2 源码截图

知识点

1、有些网络服务器反感爬虫，会对请求头做个简单判别，直接拒绝那些明显是由自动化程序发起的请求。就例如图2中的代码，python使用的默认请求头User-Agent值为Python-urllib/3.4，而浏览器访问时User-Agent值为：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36(KHTML, like Gecko) Chrome/43.0.2357.124 Safari/537.3。为了避免自动化程序被拒绝，在请求时可以修改请求头，让自动化程序更像一个浏览器。

2、在网页爬取时，可能会遇到公司网络不允许访问外网的情况，这时就需要设置代理IP: requests.get(“https://guanjia.qq.com“, proxies={“http”:“127.0.0.1:8087”})

3、BeautifulSoup库是HTML/XML解析器，它可以很好的处理不规范标记并生成剖析树，通常用来分析爬虫抓取的web文档，可以大大节省编程时间。

三、POST表单

前面介绍的是通过HTTP协议的Get方法去请求信息，对应网站不涉及post表单。表单是含有标签，是要交互的数据区域，你可能需要输入文字、做下拉选择等，完成与服务器的交互。下面将给个简单的示例让大家理解post表单情况。

示例

1、需求说明：访问网址，并输出服务器返回内容。

2、分析过程：在浏览器中打开http://pythonscraping.com/pages/cookies/welcome.php，展示在面前的是个登录界面, 按下F12，可看到如下图的信息。很明显这是一个表单。点击登录后查看Network,会发现看到一个post请求以及请求参数。当登录完成后，即可访问http://pythonscraping.com/pages/cookies/profile.php，查看网址中详细内容。

3、解决方案：仍然使用强大的requests库完成post表单操作，下面将仅展示post登录那里，登录过后的页面内容解析和第二部分一致，这里不再详细赘述。

知识点

1、需要注意cookie的追踪。一旦网站验证了你的登录权证，它将会将登陆权证保存在浏览器的cookie中，若是我们一直自己处理cookie的追踪，在面对复杂网址时将会比较麻烦，降低开发效率。我们可以使用Session对象解决这个问题，就如上述截图代码中。Session会持续跟踪会话信息，包括cookie，header。可以调用session.cookie.get_dict()查看当前session cookie值。

2、在表单中存在“隐含”字段，该字段是对浏览器可见，但是对用户不可见。一般而言，“隐含”字段是在每次Get请求时生成，每次打开同个网址，同个“隐含”值不一样。这个处理有一定的反爬虫效果。至于“隐含”字段是否作为post参数，可以手动在浏览器下完成表单请求，观察请求参数是否包含某个“隐含”参数。如下图：网址包含“隐含”字段，并在post时带上。


第二部分介绍的header、代理IP同样适用于这里。

四、HTTP基本接入认证

基本认证是一种用来允许Web浏览器后者其他客户端程序在请求时，提供用户名和口令形式的身份凭证的一种登录验证方式。把“用户名+冒号+密码”用BASE64算法加密后的字符串放到httprequest中的headerAuthorization中发送给服务端。在发明cookie之前，HTTP基本认证是处理网站登录最常用的方法，目前一些安全性比较高网址还在使用这种方式。

示例

1、需求说明：访问某网站（涉及内部，不对外公布）。

2、分析过程：在浏览器中输入该网址，看到如下页面。这时候需要输入用户名和密码才能得到所需要的数据。否则会返回错误代码401，要求用户重新提供用户名和密码。此外用fiddle抓取中间数据时，header中有如下信息：，很明显这是一个HTTP基本认证。

3、解决方案：这个实际是个post请求，和普通post的请求区别是：在每次请求数据时，需要用BASE64加密用户名和密码，并附加到请求头中。requests库提供了一个auth模块专门用于处理HTTP认证，这样就不用程序自己做加密处理。下面给出具体代码：

知识点

目前有多种http登录验证方法，其中最广泛应用的是基本验证和摘要验证，auth模块也提供摘要验证处理方法，具体使用方法我也没有研究过，请各位查询相关资料。

五、JavaScript动态页面

前面介绍了静态页面和含有post表单网站的爬虫方式，相对比较简单。而实际在做网页爬虫工作时页面情况更加多样复杂。如：
1、网页中包含javascript代码，需要经过渲染处理才能获取原始数据；

2、网站具有一定反爬虫能力，有些cookie是需要客户端脚本执行JS后才会产生，而requests模块又不能执行JS代码，如果我们按照第三部分操作来post表单，会发现部分少了部分cookie，导致请求被拒绝。在当前知名网站反爬虫工作做的比较好，很难找到简单post表单就可以。
那有什么好的方式解决这种类型网站的爬虫呢？

“python+ selenium + 第三方浏览器“。

示例

1、需求说明：登录微软官网https://connect.microsoft.com/site1304/Downloads，自动下载微软最近发布iso文件。

2、分析过程：

(1) 当我们使用python request库去获取服务器源码时，发现python获取的源码和浏览器上渲染出的场景不一样，Python拿到是JS源码。如下图：

Python有个第三方库PyV8，该库可以执行JS代码，但执行效率低，此外微软官网还涉及JS加密的Cookie，若是采用requests + Pyv8 + BeautifulSoup 三种库组合方式处理，那代码会显得臃肿杂乱。

那是否有其他更为简洁易懂的方式呢？

有， selenium。

(2)“Selenium+ 第三方浏览器”，可以让浏览器自动加载页面，由浏览器执行JS从而获取到需要的数据，这样我们的python代码就无需实现浏览器客户端的功能。可以说，“Selenium + 第三方浏览器”组成了一个强大的网络爬虫，可以处理cookie、javascript等页面爬取情况。第三方浏览器分有界面（chrome）和无界面（PhantomJS）,有界面浏览器就是可以直接看到浏览器被打开以及跳转的过程。无界面浏览器会将网站加载到内存并执行页面上的JS,不会有图形界面。可以自己喜好或者需求选择第三方浏览器。

3、解决方案：采用“selenium+ chrome”方式完成需求。

(1)下载安装python的selenium库；

(2)下载chromeDriver到本地；

(3)利用webdriver api完成对页面的操作。下面给出一个示例，完成微软官网的登录。示例代码在初始化webdriver时设置了网络代理、指定了浏览器下载文件保存路径、让chrome提示下载进度等信息。

知识点

在实例化webdriver时，可以通过参数对浏览器做些设置，如设置网络代理、浏览器下载文件保存路径等。若是不传参数，则默认继承本地浏览器设置。若是对浏览器启动时属性进行设置，则就利用到了ChromeOption类。具体信息可参考chromedriver官网。

“python + selenium + 第三方浏览器”可以处理多种爬虫场景，包括静态页面，post表单，以及JS等。应用场景很强大，使用selenium操作浏览器进行模拟点击的方式就可以让我们省心很多，不需要担心有什么“隐藏字段”、cookie追踪等。但对于包含验证码网页的操作，这种方式也不好处理，主要困难在于图像识别。

六、总结

本文主要针对各网站特点给出不同的爬虫方式，可以应对大量场景的数据爬取。在实际工作中使用频率最多还是“静态页面”、“javascript动态页面”这两种。当然，若是页面包含验证码，那就需要结合图像识别工具做些事情了，这种情况相对也比较难处理，图像识别准确率受到图片内容影响。
这里是个人的一些小总结，不知道大家是否有其他更好的方法呢？

大家若是有其他比较好的爬虫案例，欢迎在评论区留言，大家一起学习交流！

【TMQ新书专栏】https://weidian.com/?userid=984448577

了解更多测试相关干货 ,关注我们的微信公众号——腾讯移动品质中心TMQ：