Python 爬蟲介紹
一、什么是爬蟲? ? ? ? ? ?附上學習財料?https://weibo.com/xk23587
爬蟲：一段自動抓取互聯(lián)網(wǎng)信息的程序，從互聯(lián)網(wǎng)上抓取對于我們有價值的信息。
二、Python爬蟲架構(gòu)
Python 爬蟲架構(gòu)主要由五個部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序（爬取的有價值數(shù)據(jù)）。
調(diào)度器：相當于一臺電腦的CPU，主要負責調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復(fù)抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實現(xiàn)。
網(wǎng)頁下載器：通過傳入一個URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個字符串，網(wǎng)頁下載器有urllib2（Python官方基礎(chǔ)模塊）包括需要登錄、代理、和cookie，requests(第三方包)
網(wǎng)頁解析器：將一個網(wǎng)頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達式（直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價值的信息，當文檔比較復(fù)雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進行解析，也可以使用lxml進行解析，相對于其他幾種來說要強大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
應(yīng)用程序：就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個應(yīng)用。
下面用一個圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:
三、urllib2 實現(xiàn)下載網(wǎng)頁的三種方式
#!/usr/bin/python# -*- coding: UTF-8 -*- import cookielibimport urllib2 url = "http://www.baidu.com"response1 = urllib2.urlopen(url)print "第一種方法"#獲取狀態(tài)碼，200表示成功print response1.getcode()#獲取網(wǎng)頁內(nèi)容的長度print len(response1.read()) print "第二種方法"request = urllib2.Request(url)#模擬Mozilla瀏覽器進行爬蟲request.add_header("user-agent","Mozilla/5.0")response2 = urllib2.urlopen(request)print response2.getcode()print len(response2.read()) print "第三種方法"cookie = cookielib.CookieJar()#加入urllib2處理cookie的能力opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))urllib2.install_opener(opener)response3 = urllib2.urlopen(url)print response3.getcode()print len(response3.read())print cookie
四、第三方庫 Beautiful Soup 的安裝
Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數(shù)據(jù)，官網(wǎng)地址https://weibo.com/xk23587
1、安裝 Beautiful Soup
打開 cmd（命令提示符），進入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進行安裝，輸入以下命令進行安裝即可：
pip install beautifulsoup4
2、測試是否安裝成功
編寫一個 Python 文件，輸入:? ?https://weibo.com/xk23587
import bs4print bs4
運行該文件，如果能夠正常輸出則安裝成功。
五、使用 Beautiful Soup 解析 html 文件
#!/usr/bin/python# -*- coding: UTF-8 -*- import re from bs4 import BeautifulSouphtml_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>"""#創(chuàng)建一個BeautifulSoup解析對象soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")#獲取所有的鏈接links = soup.find_all('a')print "所有的鏈接"for link in links: ? ?print link.name,link['href'],link.get_text() print "獲取特定的URL地址"link_node = soup.find('a',href="http://example.com/elsie")print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "正則表達式匹配"link_node = soup.find('a',href=re.compile(r"ti"))print link_node.name,link_node['href'],link_node['class'],link_node.get_text() print "獲取P段落的文字"p_node = soup.find('p',class_='story')print p_node.name,p_node['class'],p_node.get_text()
原文地址：https://weibo.com/xk23587
