爬虫入门学习手记

一、简单爬虫架构

简单爬虫架构

运行流程

URL管理器：管理待抓取URL集合和已抓取URL集合

• 添加新URL到待爬取集合中
• 判断待添加URL是否在容器中
• 判断是否还有待爬取URL
• 获取待爬取URL
• 将URL从待爬取移动到已爬取

二、URL管理器

实现方式：

• 内存
  Python 内存
  待爬取URL集合：set()
  已爬取URL集合：set()
• 关系数据库
  MySQL
  urls ( url, is_crawled )
• 缓存数据库
  redis
  待爬取URL集合：set
  已爬取URL集合：set

三、网页下载器(urllib2)

概念：将互联网上URL对应的网页下载到本地的工具

网页下载器

Python的网页下载器

• urllib2---Python官方基础模块
• requests---第三方包更强大

urllib2下载网页第一种方法

#直接请求
response = urllib2.urlopen('http://www.baidu.com')

#获取状态码，如果是200表示成功
print response.getcode()

#读取内容
cont = response.read()

urllib2下载网页第二种方法：添加data、http header

import urllib2

# 创建Request对象
request = urllib2.Request(url)
#添加数据
request.add_data('a','1')
#添加http的header
request.add_header('User-Agent','Mozilla/5.0')
#发送请求获取结果
response = urllib2.urlopen(request)

urllib2下载网页第三方法：添加特殊情景的处理器

# -*- coding: cp936 -*-
import urllib2, cookielib

#创建cookie容器
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/")

urllib2实例代码演示

#coding:utf8
import urllib2, cookielib

url = "http://www.baidu.com/"

print"第一种方法"
response1 = urllib2.urlopen(url)
print response1.getcode()
print len(response1.read())

print"第二种方法"
request = urllib2.Request(url)
request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())

print"第三种方法"
cj= cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print response3.read()

四、网页解析器(BeautifulSoup)

1、网页解析器：从网页中提取有价值数据的工具

网页解析器

Python的四种网页解析器：

1、正则表达式；-----字符串形式的模糊匹配
2、html.parser;------结构化解析
3、BeautifulSoup------结构化解析
4、lxml;------结构化解析

结构化解析---DOM树

DOM树

安装Beautifulsoup： pip install beautifulsoup4

Beautiful Soup Documentation：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/

BeautifulSoup实例代码演示

# -*- coding: cp936 -*-
import re
from bs4 import BeautifulSoup

html_doc = """


The Dormouse's story

Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.

...
"""

soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')

print'获取所有的链接'
links = soup.find_all('a')
for link in links:
    print link.name, link['href'], link.get_text()


print'获取lacie的链接'
link_node = soup.find('a',href='http://example.com/lacie')
print link_node.name, link_node['href'], link_node.get_text()

print'正则匹配'
link_node = soup.find('a',href=re.compile(r"ill"))
print link_node.name, link_node['href'], link_node.get_text()

print'获取P段落名字'
p_node = soup.find('p',class_="title")
print p_node.name, p_node.get_text()

五、实例爬虫

爬虫流程：

• 确定目标
• 分析目标----URL格式、数据格式、页面编码
• 编码代码
• 执行爬虫