爬虫的基本操作

主要模块

#1 简易爬虫.jpg

主要由这几部分组成:

  • 爬虫调度端(spider_main): 对爬虫流程进行控制
  • url管理器(url_manager): 对要爬取的url进行管理
  • 网页下载器(download_manager): 对希望爬取的网页进行下载
  • 网页解析器(html_parser): 对下载好的网页进行解析,如果需要对网页中的其它链接进行下载,则将解析好的url添加到url管理器中
  • 循环上面步骤,然后将有价值的信息存储下来

整个流程

#2 流程图.jpg

看上面的流程图:

  • 调度器询问URL管理器,是否有待爬的url?
  • 如果得到肯定回复,则将获取的url添加到URL管理器中
  • URL管理器将待爬的数据返给调度器,调度器调用下载器进行URL内容下载
  • 然后调度器将下载好的内容交给解析器进行解析, 收集有用数据

URL调度器

#3 URL管理器.jpg

URL管理器的主要原理就是:将已经爬取的或待爬取的分成2类,避免重复循环爬取

#4 URL管理器实现方式.jpg

其实现方式有3种:

  • 小的应用使用内存,使用 set数据结构存储
  • 也可以使用数据库对urls进行存储查询
  • 使用redis,一般用于比较大的爬虫操作

网页下载器

#5 网页下载器.jpg

网页下载器可以使用python内置的 urllib.request 中的 urlopen 方法

另外下载网页时可能遇到的问题:

  • 需要模拟头信息
  • 需要登录之后才能查看网页的情况
  • 权限限制
  • 网页是异步加载的,所以直接去下载得不到内容
from urllib.request import urlopen
from urllib import request
import http.cookiejar


url = 'http://www.imooc.com/video/10683'

print('第1种方法')
response1 = urlopen(url)
print(response1.getcode())  # 获取状态码
print(len(response1.read()))


print('第2种方法, 添加请求头信息')
req = request.Request(url)
req.add_header('user-agent', 'Mozilla/5.0')  # 添加头信息
response2 = urlopen(req)
print(response2.getcode())
print(len(response2.read()))


print('第3种方法, 添加cookie')
cj = http.cookiejar.CookieJar()
opener = request.build_opener(request.HTTPCookieProcessor(cj))
request.install_opener(opener)
response3 = urlopen(url)
print(response3.getcode())
print(cj)
print(response3.read())

网页解析器

对网页进行解析,有4种方式:

  • 使用正则表达式进行模糊匹配,用的很少
  • 使用内置的 html.parser
  • 使用内置的 Ixml
  • 使用第3方的插件,比如 BeautifulSoup, 这个插件实现了上面的多种方式

BeautifulSoup的基本操作

from bs4 import BeautifulSoup
import re


html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><small>Elsie</small></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

# 定义一个soup, 3个参数分别为
# 解析的字符串
# 使用的解析器, 还可以使用'Ixml'
# 使用的编码格式
soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')


print('----获取所有的a标签----')
links_nodes = soup.find_all('a')
for link in links_nodes:
    print(link.name, link['href'], link.get_text())  # name表示标签名 get_text()表示内部文字


print('----获取lacie的a标签----')
link_node = soup.find('a', href="http://example.com/lacie")
print(link_node.name, link_node['href'], link_node.get_text())


print('----使用正则获取a标签href中包含"ill"的----')
link_spec = soup.find('a', href=re.compile(r'ill'))
print(link_spec.name, link_spec['href'], link_spec.get_text())


print('----获取class为title的p元素----')
p_nodes = soup.find_all('p', class_='title')  # 因为class是关键词,所以这里使用'class_'
# 还可以使用dict的形式
# p_nodes = soup.find_all('p', {'class': 'title'})
for p in p_nodes:
    print(p.name, p.get_text())

抓取策略

这个其实是整个业务的核心

  • 你要明白你要抓取的内容是什么
  • 入口页面是什么
  • 抓取数据的规律
  • 对抓取数据希望是如何进行处理
#6 抓取策略.jpg

github地址

本文章来自慕课网Python开发简单爬虫的学习笔记, 原教程采用的python版本是2.7,我自己实现的是使用v3.6版本,2者之间差异不大

github 地址:

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,602评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,442评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,878评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,306评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,330评论 5 373
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,071评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,382评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,006评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,512评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,965评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,094评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,732评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,283评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,286评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,512评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,536评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,828评论 2 345

推荐阅读更多精彩内容