Python学习网络爬虫--转

原文地址：https://github.com/lining0806/PythonSpiderNotes

Python学习网络爬虫主要分3个大的版块：抓取，分析，存储

另外，比较经常使用的爬虫框架Scrapy，这里最后也详细介绍一下。

首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫须要的基本概念和技巧：宁哥的小站-网络爬虫

当咱们在浏览器中输入一个url后回车，后台会发生什么？好比说你输入fireling的数据空间，你就会看到宁哥的小站首页。

简单来讲这段过程发生了如下四个步骤：

• 查找域名对应的IP地址。
• 向IP对应的服务器发送请求。
• 服务器响应请求，发回网页内容。
• 浏览器解析网页内容。

网络爬虫要作的，简单来讲，就是实现浏览器的功能。经过指定url，直接返回给用户所须要的数据，而不须要一步步人工去操纵浏览器获取。

抓取

这一步，你要明确要获得的内容是是什么？是HTML源码，仍是Json格式的字符串等。

1. 最基本的抓取

抓取大多数状况属于get请求，即直接从对方服务器上获取数据。

首先，Python中自带urllib及urllib2这两个模块，基本上能知足通常的页面抓取。另外，requests也是很是有用的包，与此相似的，还有httplib2等等。

Requests：
    import requests
    response = requests.get(url)
    content = requests.get(url).content
    print "response headers:", response.headers
    print "content:", content
Urllib2：
    import urllib2
    response = urllib2.urlopen(url)
    content = urllib2.urlopen(url).read()
    print "response headers:", response.headers
    print "content:", content
Httplib2：
    import httplib2
    http = httplib2.Http()
    response_headers, content = http.request(url, 'GET')
    print "response headers:", response_headers
    print "content:", content

此外，对于带有查询字段的url，get请求通常会未来请求的数据附在url以后，以?分割url和传输数据，多个参数用&链接。

data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data为dict，json
    import requests
    response = requests.get(url=url, params=data)
Urllib2：data为string
    import urllib, urllib2    
    data = urllib.urlencode(data)
    full_url = url+'?'+data
    response = urllib2.urlopen(full_url)

相关参考：网易新闻排行榜抓取回顾

参考项目：网络爬虫之最基本的爬虫：爬取网易新闻排行榜

2. 对于登录状况的处理

2.1 使用表单登录

这种状况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。

data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data为dict，json
    import requests
    response = requests.post(url=url, data=data)
Urllib2：data为string
    import urllib, urllib2    
    data = urllib.urlencode(data)
    req = urllib2.Request(url=url, data=data)
    response = urllib2.urlopen(req)

2.2 使用cookie登录

使用cookie登录，服务器会认为你是一个已登录的用户，因此就会返回给你一个已登录的内容。所以，须要验证码的状况可使用带验证码登录的cookie解决。

import requests            
requests_session = requests.session() 
response = requests_session.post(url=url_login, data=data)

若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，作法应该以下：

response_captcha = requests_session.get(url=url_login, cookies=cookies)
response1 = requests.get(url_login) # 未登录
response2 = requests_session.get(url_login) # 已登录，由于以前拿到了Response Cookie！
response3 = requests_session.get(url_results) # 已登录，由于以前拿到了Response Cookie！

相关参考：网络爬虫-验证码登录

参考项目：网络爬虫之用户名密码及验证码登录：爬取知乎网站

3. 对于反爬虫机制的处理

3.1 使用代理

适用状况：限制IP地址状况，也可解决因为“频繁点击”而须要输入验证码登录的状况。

这种状况最好的办法就是维护一个代理IP池，网上有不少免费的代理IP，参差不齐，能够经过筛选找到能用的。对于“频繁点击”的状况，咱们还能够经过限制爬虫访问网站的频率来避免被网站禁掉。

proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
Requests：
    import requests
    response = requests.get(url=url, proxies=proxies)
Urllib2：
    import urllib2
    proxy_support = urllib2.ProxyHandler(proxies)
    opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
    urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象
    response = urllib2.urlopen(url)

3.2 时间设置

适用状况：限制频率状况。

Requests，Urllib2均可以使用time库的sleep()函数：

import time
time.sleep(1)

3.3 假装成浏览器，或者反“反盗链”

有些网站会检查你是否是真的浏览器访问，仍是机器自动访问的。这种状况，加上User-Agent，代表你是浏览器访问便可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，通常再加上Referer。

headers = {'User-Agent':'XXXXX'} # 假装成浏览器访问，适用于拒绝爬虫的网站
headers = {'Referer':'XXXXX'}
headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
Requests：
    response = requests.get(url=url, headers=headers)
Urllib2：
    import urllib, urllib2   
    req = urllib2.Request(url=url, headers=headers)
    response = urllib2.urlopen(req)

4. 对于断线重连

很少说。

def multi_session(session, *arg):
    while True:
        retryTimes = 20
    while retryTimes>0:
        try:
            return session.post(*arg)
        except:
            print '.',
            retryTimes -= 1

或者

def multi_open(opener, *arg):
    while True:
        retryTimes = 20
    while retryTimes>0:
        try:
            return opener.open(*arg)
        except:
            print '.',
            retryTimes -= 1

这样咱们就可使用multi_session或multi_open对爬虫抓取的session或opener进行保持。

5. 多进程抓取

这里针对华尔街见闻进行并行抓取的实验对比：Python多进程抓取 与 Java单线程和多线程抓取

相关参考：关于Python和Java的多进程多线程计算方法对比

6. 对于Ajax请求的处理

对于“加载更多”状况，使用Ajax来传输不少数据。

它的工做原理是：从网页的url加载网页的源代码以后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为何若是你直接去爬网页自己的url，你会找不到页面的实际内容。

这里，若使用Google Chrome分析”请求“对应的连接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET连接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。

• 若是“请求”以前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。
• 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。

7. 自动化测试工具Selenium

Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操做。总之，凡是浏览器能作的事，Selenium都可以作到。

这里列出在给定城市列表后，使用selenium来动态抓取去哪儿网的票价信息的代码。

参考项目：网络爬虫之Selenium使用代理登录：爬取去哪儿网站

8. 验证码识别

对于网站有验证码的状况，咱们有三种办法：

• 使用代理，更新IP。
• 使用cookie登录。
• 验证码识别。

使用代理和使用cookie登录以前已经讲过，下面讲一下验证码识别。

能够利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登录。若是不成功，能够再次更新验证码识别，直到成功为止。

参考项目：Captcha1

爬取有两个须要注意的问题：

• 如何监控一系列网站的更新状况，也就是说，如何进行增量式爬取？
• 对于海量数据，如何实现分布式爬取？

分析

抓取以后就是对抓取的内容进行分析，你须要什么内容，就从中提炼出相关的内容来。

常见的分析工具备正则表达式，BeautifulSoup，lxml等等。

存储

分析出咱们须要的内容以后，接下来就是存储了。

咱们能够选择存入文本文件，也能够选择存入MySQL或MongoDB数据库等。

存储有两个须要注意的问题：

• 如何进行网页去重？
• 内容以什么形式存储？

Scrapy

Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用很是普遍。

相关内容能够参考基于Scrapy网络爬虫的搭建，同时给出这篇文章介绍的微信搜索爬取的项目代码，给你们做为学习参考。

参考项目：使用Scrapy或Requests递归抓取微信搜索结果