轻量级爬虫
- 不需要登录
- 静态网页 -- 数据不是异步加载
爬虫：一段自动抓取互联网信息的程序
URL管理器
管理对象
- 将要抓取的url
- 已经抓取过的url
作用
- 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、关系型数据库
MySQL
数据表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()
网页下载器
将获取到的网页下载到本地进行分析的工具
类型
1、urllib2
Python 官方基础 展模块
2、requests
第三方包，更强大
urllib2下载网页
1、方法一：最简单的方法
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() 2、方法二：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, 模拟Mozilla浏览器response.add_header('User-Agent', 'Mozilla/5.0') 3、方法三：添加特殊情景的处理器
HTTPCookieProcessor：对于需要用户登录的网页ProxyHandler：对于需要代理才能访问的网页HTTPSHandler：对于https协议的网页HTTPRedirectHandler：对于设置了自动跳转的网页
import urllib2, cookielib# 创建cookie容器cj = cookielib.CookieJar()# 创建1个openeropener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))# 给urllib2安装openerurllib2.install_opener(opener)# 使用带有cookie的urllib2访问网页response = urllib2.urlopen("http://www.baidu.com") 实例代码
# coding:utf8import urllib2, cookieliburl = "http://www.baidu.com"print("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')response1 = urllib2.urlopen(url)print(response1.getcode())print(len(response1.read()))print('第三种方法：')cj = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))urllib2.install_opener(opener)response3 = urllib2.urlopen(request)print(response3.getcode())print(cj)print(response3.read()) 注：以上是Python2的写法，以下是Python3的写法
# coding:utf8import urllib.requestimport http.cookiejarurl = "http://www.baidu.com"print("一种方法：")response1 = urllib.request.urlopen(url)print(response1.getcode())print(len(response1.read()))print('第二种方法：')request = urllib.request.Request(url)request.add_header("user-agent", 'Mozilla/5.0')response1 = urllib.request.urlopen(url)print(response1.getcode())print(len(response1.read()))print('第三种方法：')cj = http.cookiejar.CookieJar()opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))urllib.request.install_opener(opener)response3 = urllib.request.urlopen(request)print(response3.getcode())print(cj)print(response3.read()) 网页解析器
解析网页，从网页中提取有价值数据的工具
网页解析器(BeautifulSoup)
类型
1、正则表达式（模糊匹配）
2、html.parser（结构化解析）
3、Beautiful Soup（结构化解析）
4、lxml（结构化解析）
结构化解析-DOM（Document Object Model）树
安装并使用 Beautiful Soup4
1、安装
pip install beautifulsoup4
2、使用
- 创建BeautifulSoup对象
- 搜索节点（按节点名称、属性、文字）
- find_all
- find
- 访问节点
- 名称
- 属性
- 文字
（1）创建Beautiful Soup对象
from bs4 import BeautifulSoup# 根据HTML网页字符串创建BeautifulSoup对象soup = BeautifulSoup( html_doc, # HTML文档字符串 'html.parser', # HTML解析器 from_encoding='utf8' # HTML文档的编码)
（2）搜索节点(find_all，find)
# 方法：find_all(name, attrs, string) # 查找所有标签为a的节点soup.find_all('a') # 查找所有标签为a,链接符合/view/123.html形式的节点soup.find_all('a', href='/view/123.htm')soup.find_all('a', href=re.compile(r'/view/\d+\.htm'))# 查找所有标签为div，class为abs，文字为Python的节点soup.find_all('div', class_='abc', string='Python') - 用class_作为查询类属性的变量名，因为class本身是python的关键字，所以需要加一个下划线来区别
（3）访问节点信息
# 得到节点：Python# 获取查找到的节点的标签名称node.name# 获取查找到的a节点的href属性node['href']# 获取查找到的a节点的链接文字node.get_text()
3、实例
# coding:utf8from bs4 import BeautifulSoup, rehtml_doc = """The Dormouse's story The Dormouse's story
Once upon a time there were three little sisters; and their names wereElsie,Lacie andTillie;and they lived at the bottom of a well.
...
"""soup = BeautifulSoup(html_doc, 'html.parser')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段落文字：')p_node = soup.find('p', class_='title')print(p_node.name, p_node.get_text())
执行后效果：
开发爬虫
分析目标
- URL格式
- 数据格式
- 网页编码
1、目标: 百度百科Python词条相关词条网页 -- 标题和简介
2、入口页
https://baike.baidu.com/item/Python/407313
3、URL格式：
- 词条页面URL:
/item/****
4、数据格式：
- 标题：
...
- 简介：
...
5、页面编码：UTF-8
项目目录结构
调度主程序
# coding:utf8from baike_spider import url_manager, html_downloader, html_parser, html_outputerclass SpiderMain(object): def __init__(self): # url管理器 self.urls = url_manager.UrlManager() # 下载器 self.downloader = html_downloader.HtmlDownloader() # 解析器 self.parser = html_parser.HtmlParser() # 输出器 self.outputer = html_outputer.HtmlOutputer() # 爬虫的调度程序 def craw(self, root_url): count = 1 self.urls.add_new_url(root_url) while self.urls.has_new_url(): try: if count == 1000: break new_url = self.urls.get_new_url() print('craw %d : %s' % (count, new_url)) html_cont = self.downloader.download(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) count = count + 1 except: print('craw failed') self.outputer.output_html()if __name__ == "__main__": root_url = "https://baike.baidu.com/item/Python/407313" obj_spider = SpiderMain() obj_spider.craw(root_url) URL管理器
# coding:utf8class UrlManager(object): def __init__(self): self.new_urls = set() self.old_urls = set() def add_new_url(self, url): if url is None: return if url not in self.new_urls and url not in self.old_urls: self.new_urls.add(url) def add_new_urls(self, urls): if urls is None or len(urls) == 0: return for url in urls: self.add_new_url(url) def has_new_url(self): return len(self.new_urls) != 0 def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url
网页下载器
# coding:utf8import urllib.requestclass HtmlDownloader(object): def download(self, url): if url is None: return None # request = urllib.request.Request(url) # request.add_header("user-agent", 'Mozilla/5.0') response = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read() 网页解析器
# coding:utf8from bs4 import BeautifulSoup, refrom urllib.parse import urljoinclass HtmlParser(object): def _get_new_urls(self, page_url, soup): new_urls = set() links = soup.find_all('a', href=re.compile(r"/item/")) for link in links: new_url = link['href'] new_full_url = urljoin(page_url, new_url) new_urls.add(new_full_url) return new_urls def _get_new_data(self, page_url, soup): res_data = {} res_data['url'] = page_url title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1') res_data['title'] = title_node.get_text() summary_node = soup.find('div', class_='lemma-summary') res_data['summary'] = summary_node.get_text() return res_data def parse(self, page_url, html_cont): if page_url is None or html_cont is None: return soup = BeautifulSoup(html_cont, 'html.parser') new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) return new_urls, new_data 网页输出器
# coding:utf8class HtmlOutputer(object): def __init__(self): self.datas = [] def collect_data(self, data): if data is None: return self.datas.append(data) def output_html(self): fout = open('output.html', 'w') fout.write('') fout.write('') fout.write(' | %s | ' % data['url']) fout.write('%s | ' % data['title'].encode('utf-8')) fout.write('%s | ' % data['summary'].encode('utf-8')) fout.write('
高级爬虫：
- 登录
- 验证码
- Ajax
- 服务器防爬虫
- 多线程
- 分布式
学习资料：