爬虫教程」Python作一个简单爬虫，小白也能看懂的教程

俗话说“巧妇难为无米之炊”，除了传统的数据源，如历史年鉴，实验数据等，很难有更为简便快捷的方式得到数据，在目前互联网的飞速发展写，大量的数据能够经过网页直接采集，“网络爬虫”应运而生，本篇将会讲解简单的网络爬虫编写方法。

 

开发环境

每一个人的开发环境各异，下面上是个人开发环境，对于必须的工具，我会加粗。

windows10(操做系统)，pycharm(IDE，固然，用eclipse和sublime都可)，python(这个必须的额，我下面实现的代码版本是2.7)，BeautifulSoup4、urllib2等。

什么是爬虫

爬虫是自动从互联网上获取数据的程序。

下面是一张对简单爬虫的结构进行描述的图，其主体是URL管理器，网页下载器和网页解析器。爬虫调度端指的是对爬虫发布指令的端口，人能够对其进行设置，爬什么内容，怎么爬，须要进行什么其余的操做等，经过爬虫，就可以获得所需的有价值的数据。

下面一张时序图图简单讲述了爬虫的运行流程。从上往下看，调度器访问URL管理器查看其中因为可访问的待爬取的URL，若是返回是即将1个待爬的URL传给调取器，调度器让下载器将URL对应的网页下载下来，返回给调度器，调度器将下载的网页发给解析器进行解析，解析以后返回到调度器，此时数据已经初步造成，能够开始进一步的使用。如此循环直到URL管理器为空或者数据量足够大。

URL管理器

URL管理器：管理待抓取的URL集合和已抓取URL集合。主要实现下面种功能。

添加新URL到待爬集合中。

判断待添加URL是否在容器中。

获取待爬取URL。

判断是否还有待爬取URL。

将待爬取URL移动到已爬取。

实现方式：

内存：python的set集合

关系数据库，MySQL,urls(url, is_crawled)

缓存数据库：redis的set集合

网页下载器

网页下载器：将互联网上URL对应网页下载到本地的工具。

 

我刚整理了一套2018最新的0基础入门和进阶教程，无私分享，加Python学习q u n ：227-435-450便可获取，内附：开发工具和安装包，以及系统学习路线图python的

网页下载器

urllib2-python-官方基础模块

requests-第三方更强大

urllab2下载器使用方法：

最简捷方法：直接写出连接而且请求。

添加data、http helper，data和httphelper能分别为下载提供更加精确的目标，同时能够模仿浏览器对网页进行访问，能攻破一些反爬虫策略。

添加特殊情景处理器，例如帐号密码输入等，有些网站只有在用户登陆时才能浏览，而情景处理器就能模拟这形式。

运行实例：

网页解析器

网页解析器：从网页中提取有价值数据的工具，侧面而言，也能看作是整合数据的一个步骤，可是因为爬取数据复杂度较高，因此不会将太多的数据整合、集成、清洗任务放在这里，只是进行简单的整合，成为数组或者矩阵等而已。

Beautiful Soup

python第三方库，用于从HTML或者XML中提取数据，有本身的官网，同时还有API文档。

其下载方式可在API文档中找到。

用法介绍以下图所示。BeautifulSoup对象建立以后可以去搜索节点，根据节点名、属性值或者是节点文字等信息进行查询，可以达到精确搜索的目的，减小垃圾数据获取。

举一个例子，对一个标签：

能有三种方式搜索

节点名称：a

节点属性："href='123.html'，和class=article_link"

节点内容：python

语法使用以下：

下面是具体的案例：