对于网络爬虫开发来说，Python有着无与伦比天然优势，这里从两个方面对其优势进行分析与讲解。
1、抓取网页本身的接口相比其他静态编程语言（如java、c#与c++）Python抓取网页文档的接口更简洁，而对比其他动态脚本语言（如perl，shell）Python的urllib包提供了较为完整的访问网页文档的API。
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。此时，需要模拟user agent的行为来构造合适的请求（模拟用户登录、模拟session/cookie的存储和设置）。在Python里都有非常优秀的第三方包帮助搞定这些工作（如Requests，mechanize）。
2、网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。Python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用Python能够干得最快，最干净。
Life is short, you need python.
PS：python2.x和python3.x有很大不同，本文只讨论python3.x的爬虫实现方法。
02、爬虫框架
URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器。
网页下载器（urllib）：爬取url对应的网页，存储成字符串，传送给网页解析器。
网页解析器（BeautifulSoup）：解析出有价值的数据，存储下来，同时补充url到URL管理器。
03、URL管理器
基本功能
添加新的url到待爬取url集合中。
判断待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。
获取待爬取的url。
判断是否有待爬取的url。
将爬取完成的url从待爬取url集合移动到已爬取url集合。
存储方式
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（redis）
待爬取url集合：set
已爬取url集合：set
大型互联网公司，由于缓存数据库的性能高，所以一般把url存储在缓存数据库中。小型公司，一般把url存储在内存中，要永久存储，则存储到关系数据库中。
05、网页下载器urllib
将url对应的网页下载到本地，存储成一个文件或字符串。
基本方法
新建baidu.py，内容如下：
import urllib.request
response = urllib.request.urlopen('http://www.baidu.com')
buff = response.read()
html = buff.decode("utf8")print(html)
命令行中执行python baidu.py，则可以打印出获取到的页面。
构造Request
上面的代码，可以修改为：
import urllib.request
request = urllib.request.Request('http://www.baidu.com')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
携带参数
新建baidu2.py，内容如下：
import urllib.requestimport urllib.parse
url = 'http://www.baidu.com'values = {'name': 'voidking','language': 'Python'}data = urllib.parse.urlencode(values).encode(encoding='utf-8',errors='ignore')
headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0' }
request = urllib.request.Request(url=url, data=data,headers=headers,method='GET')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
使用Fiddler监听数据
要查看请求是否真的携带了参数，需使用fiddler。
添加处理器
import urllib.request
import http.cookiejar# 创建cookie容器cj = http.cookiejar.CookieJar()# 创建openeropener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))# 给urllib.request安装openerurllib.request.install_opener(opener)# 请求request = urllib.request.Request('http://www.baidu.com/')
response = urllib.request.urlopen(request)
buff = response.read()
html = buff.decode("utf8")
print(html)
print(cj)
06、网页解析器（BeautifulSoup）
从网页中提取出有价值的数据和新的url列表。
解析器选择
为了实现解析器，可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等，这里选择BeautifulSoup。其中，正则表达式基于模糊匹配，而另外三种则是基于DOM结构化解析。
BeautifulSoup安装测试
1、安装，在命令行下执行pip install beautifulsoup4。
2、测试
import bs4print(bs4)
基本用法
1、创建BeautifulSoup对象
import bs4
from bs4 import BeautifulSoup
# 根据html网页字符串创建BeautifulSoup对象
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">Elsie</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>"""
soup = BeautifulSoup(html_doc)
print(soup.prettify())
2、访问节点
print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.title.parent.name)
print(soup.p)
print(soup.p['class'])
3、指定tag、class或id
print(soup.find_all('a'))
print(soup.find('a'))
print(soup.find(class_='title'))
print(soup.find(id="link3"))
print(soup.find('p',class_='title'))
4、从文档中找到所有<a>标签的链接
for link in soup.find_all('a'):
print(link.get('href'))
出现了警告，根据提示，在创建BeautifulSoup对象时，指定解析器即可。
soup = BeautifulSoup(html_doc,'html.parser')
5、从文档中获取所有文字内容
print(soup.get_text())
6、正则匹配
link_node = soup.find('a',href=re.compile(r"til"))
print(link_node)
扫码二维码 获取免费视频学习资料
- 本文固定链接: http://www.phpxs.com/post/11477/
- 转载请注明：转载必须在正文中标注并保留原文链接
- 扫码： 扫上方二维码获取免费视频资料
查 看2022高级编程视频教程免费获取