一侧到、初步認(rèn)識(shí)
- 如何入門 Python 爬蟲(chóng)奶浦？大家可以看看知乎這篇文章（簡(jiǎn)單易懂）
-
什么是爬蟲(chóng)？大家可以先看一下下面幾張圖捎迫。
二晃酒、我的學(xué)習(xí)步驟：
1、Python開(kāi)發(fā)環(huán)境搭建
下圖為基于Intellij IDEA的python環(huán)境搭建成功的界面窄绒，大家自行百度搭建過(guò)程贝次。
2、Python正則表達(dá)式（建議觀看慕課網(wǎng)這個(gè)視頻）
問(wèn)：為什么要使用正則彰导？
答：雖然字符串匹配可以實(shí)現(xiàn)蛔翅，但是每一次匹配都要單獨(dú)完成，重復(fù)代碼多位谋，我們能否把它做成一個(gè)規(guī)則山析？因此正則出現(xiàn)了。
正則表達(dá)式概念
- 使用單個(gè)字符串來(lái)描述匹配一系列符合某個(gè)句法規(guī)則的字符串
- 是對(duì)字符串操作的一種邏輯公式
- 應(yīng)用場(chǎng)景：處理文本和數(shù)據(jù)
- 正則表達(dá)式過(guò)程：依次拿出表達(dá)式好文本中的字符比較倔幼，如果沒(méi)一個(gè)字符都能匹配盖腿，則匹配成功；否則匹配失敗。
正則表達(dá)式匹配流程
正則表達(dá)式元字符和語(yǔ)法
3翩腐、python開(kāi)發(fā)簡(jiǎn)單爬蟲(chóng)（輕量級(jí)爬蟲(chóng)鸟款、不需要登錄的靜態(tài)加載網(wǎng)頁(yè)抓取）
-
URL管理器：管理待爬取URL集合和已抓取URL集合（防止重復(fù)抓取茂卦、防止循環(huán)抓群问病）
- 網(wǎng)頁(yè)下載器：將互聯(lián)網(wǎng)上URL對(duì)應(yīng)的網(wǎng)頁(yè)下載到本地的工具，有urllib2（python官方基礎(chǔ)模塊）和requests（第三方包更強(qiáng)大）
以下為urllib2網(wǎng)頁(yè)下載方法的三種方法示例：
# coding:utf-8
import urllib2, cookielib
url='http://www.baidu.com'
print"1）urllib2下載網(wǎng)頁(yè)方法1"
# 直接請(qǐng)求
response1 = urllib2.urlopen(url)
# 獲取狀態(tài)碼,如果是200表示獲取成功
print response1.getcode()
# 讀取網(wǎng)頁(yè)內(nèi)容的長(zhǎng)度
print len(response1.read())
print"2）urllib2下載網(wǎng)頁(yè)方法1"
# 創(chuàng)建Request對(duì)象
request = urllib2.Request(url)
# 添加數(shù)據(jù)
# request.add_data('a', '1')
# 添加http的header
request.add_header('User-Agent', 'Mozilla/5.0')
# 發(fā)送請(qǐng)求獲取結(jié)果
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())
print"3)添加特殊情景的處理器"
# 創(chuàng)建cookie容器
cj = cookielib.CookieJar()
# 創(chuàng)建1個(gè)opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
# 給urllib2安裝opener
urllib2.install_opener(opener)
# 使用帶有cookie的urllib2訪問(wèn)網(wǎng)頁(yè)
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print response3.read()
-
網(wǎng)頁(yè)解析器
下面介紹一下beautifulsoup4（Python第三方庫(kù)等龙，用于從HTML或XML中提取數(shù)據(jù)）
首先处渣，安裝beautifulsoup4
下面我們來(lái)看看Beautifulsoup的實(shí)例分析
# coding:utf-8
from bs4 import BeautifulSoup
import re
#舉例：解析網(wǎng)頁(yè)文檔字符串
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 class="sister" id="link1">Elsie</a>,
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 創(chuàng)建Beautifulsoup對(duì)象
soup = BeautifulSoup(html_doc, #HTML文檔字符
'html.parser', #HTML解析器
from_encoding='utf-8') #HTML文檔的編碼
#方法find_all(name,attrs,string) 節(jié)點(diǎn)名稱、節(jié)點(diǎn)屬性蛛砰、節(jié)點(diǎn)內(nèi)容
print '獲取所有的鏈接'
links=soup.find_all('a')
for link in links:
print link.name,link['href'],link.get_text()
print '獲取Lacie的鏈接'
link_code = soup.find('a',)
print link_code.name,link_code['href'],link_code.get_text()
# bs4之強(qiáng)大：支持正則匹配
print'正則匹配'
link_node = soup.find('a',href=re.compile(r"ill"))
print link_node.name,link_node['href'],link_node.get_text()
print '獲取P段落文字'
p_node = soup.find('p',class_="title") #class要加下劃線
print p_node.name,p_node.get_text()
4罐栈、實(shí)戰(zhàn)演練：爬取百度百科1000個(gè)頁(yè)面的數(shù)據(jù)
- 確定目標(biāo)：確定要抓取哪個(gè)網(wǎng)站的哪些網(wǎng)頁(yè)的哪些數(shù)據(jù)
- 分析目標(biāo)：制定抓取這些網(wǎng)站數(shù)據(jù)的策略（URL格式、數(shù)據(jù)格式泥畅、頁(yè)面編碼）[ 實(shí)際操作：打開(kāi)網(wǎng)站荠诬，鎖定位置，右鍵審查元素]
以下是我在慕課網(wǎng)學(xué)習(xí)簡(jiǎn)單爬蟲(chóng)來(lái)爬取百度百科的總結(jié)：
-
思路：一個(gè)url管理器位仁，來(lái)獲取和管理所有需要爬取的鏈接a柑贞，比如在這里我們先獲取https://baike.baidu.com/item/Python這個(gè)頁(yè)面的所有a標(biāo)簽，將其存入一個(gè)容器（new_urls）中聂抢，然后依次爬取這個(gè)容器中的所有url钧嘶，每爬一次，把爬取過(guò)的url從這個(gè)容器中刪去琳疏，加入到old_urls容器中, 并且加入到new_urls時(shí)要判斷這個(gè)url是否在new_urls和old_urls已經(jīng)存在有决，若存在，不加入轿亮，防止重復(fù)爬取疮薇。然后通過(guò)頁(yè)面下載器利用urllib2下載我們需要的頁(yè)面代碼，頁(yè)面解析器html_parse利用beautifulsoup獲取我們需要的數(shù)據(jù)我注。
目錄展示 具體代碼
1.主函數(shù) spider_main.py
# coding:utf-8
from baike_spider import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
def __init__(self):
self.urls = url_manager.UrlManager()
self.downloader = html_downloader.HtmlDownloader()
self.parser = html_parser.HtmlParser()
self.outputer = html_outputer.HtmlOutputer()
def craw(self, root_url):
count = 1
self.urls.add_new_url(root_url)
while self.urls.has_new_url():
try:
new_url = self.urls.get_new_url()
print 'craw %d : %s' % (count, new_url)
html_cont = self.downloader.download(new_url)
new_urls, new_data = self.parser.parse(new_url, html_cont)
self.urls.add_new_urls(new_urls)
self.outputer.collect_data(new_data)
if count == 1000:
break
count = count + 1
except:
print 'craw failed'
self.outputer.output_html()
if __name__ == "__main__":
# 爬蟲(chóng)入口頁(yè)面
root_url = "https://baike.baidu.com/item/Python/407313"
obj_spider = SpiderMain()
# 啟動(dòng)爬蟲(chóng)
obj_spider.craw(root_url)
2.url管理器 url_manager.py
# coding:utf-8
class UrlManager(object):
def __init__(self):
self.new_urls = set()
self.old_urls = set()
#向管理器中添加新的url
def add_new_url(self, url):
if url is None:
return
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
#向管理器中添加批量的url
def add_new_urls(self, urls):
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
#判斷管理器中是否有新的url
def has_new_url(self):
return len(self.new_urls) != 0
#獲取新的帶爬取的url
def get_new_url(self):
new_url = self.new_urls.pop() # 獲取并移除
self.old_urls.add(new_url)
return new_url
3.頁(yè)面下載器 html_downloader.py
# coding:utf-8
import urllib2
class HtmlDownloader(object):
def download(self,url):
if url is None:
return None
response=urllib2.urlopen(url) #因?yàn)榘俣劝倏票容^簡(jiǎn)單按咒，所以只使用了urllib2這個(gè)模塊最簡(jiǎn)單的方法
if response.getcode() != 200:
return None
return response.read()
4.頁(yè)面解析器 html_parser.py
# coding:utf-8
from bs4 import BeautifulSoup
import re
import urlparse
class HtmlParser(object):
def _get_new_urls(self, page_url, soup):
new_urls = set()
# /view/123.htm
# links = soup.find_all('a', href=re.compile(r"/item/\d+\.html"))
links = soup.find_all('a', href=re.compile(r"/item/(.*)"))
for link in links:
new_url = link['href']
new_full_url = urlparse.urljoin(page_url, new_url) # 拼接url
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
res_data = {} # 字典
# url
res_data['url'] = page_url
# <dd class="lemmaWgt-lemmaTitle-title"><h1>Python</h1>
title_node = soup.find('dd', class_="lemmaWgt-lemmaTitle-title").find("h1")
res_data['title'] = title_node.get_text()
# <div class="lemma-summary" label-module="lemmaSummary">
summary_node = soup.find('div', class_="lemma-summary")
res_data['summary'] = summary_node.get_text()
return res_data
def parse(self, page_url, html_cont):
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')
new_urls = self._get_new_urls(page_url, soup)
new_data = self._get_new_data(page_url, soup)
return new_urls, new_data
4.頁(yè)面輸出器 html_outputer.py
# coding:utf-8
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
def output_html(self):
fout = open('output.html', "w")
fout.write("<html>")
fout.write("<body>")
fout.write("<table>")
# ascii
for data in self.datas:
fout.write("<tr>")
fout.write("<td>%s</td>" % data['url'])
fout.write("<td>%s</td>" % data['title'].encode('utf-8'))
fout.write("<td>%s</td>" % data['summary'].encode('utf-8'))
fout.write("</tr>")
fout.write("</html>")
fout.write("</body>")
fout.write("</table>")
fout.close()
運(yùn)行后，會(huì)在目錄下產(chǎn)生output.html但骨，這個(gè)文件即是爬取結(jié)果的展示励七。
成功爬取完1000個(gè)頁(yè)面的數(shù)據(jù)！
5奔缠、可以再深入理解一下爬蟲(chóng)的意義了
大家可以觀看這篇大話爬蟲(chóng)這篇文章掠抬！
然后就是知乎這篇文章如何入門python爬蟲(chóng)
下面稍微做一下總結(jié)：
1、Python基礎(chǔ)準(zhǔn)備（可以去看廖雪峰老師的教程校哎，2.7的两波。至少這些功能和語(yǔ)法你要有基本的掌握 ）
- list瞳步，dict：用來(lái)序列化你爬的東西
- 切片：用來(lái)對(duì)爬取的內(nèi)容進(jìn)行分割，生成
- 條件判斷（if等）：用來(lái)解決爬蟲(chóng)過(guò)程中哪些要哪些不要的問(wèn)題
- 循環(huán)和迭代（for while ）：用來(lái)循環(huán)腰奋，重復(fù)爬蟲(chóng)動(dòng)作
- 文件讀寫操作：用來(lái)讀取參數(shù)单起、保存爬下來(lái)的內(nèi)容等
2、網(wǎng)頁(yè)基本知識(shí)
- 基本的HTML語(yǔ)言知識(shí)（知道href等大學(xué)計(jì)算機(jī)一級(jí)內(nèi)容即可）
- 理解網(wǎng)站的發(fā)包和收包的概念（POST GET）
- 稍微一點(diǎn)點(diǎn)的js知識(shí)劣坊，用于理解動(dòng)態(tài)網(wǎng)頁(yè)（當(dāng)然如果本身就懂當(dāng)然更好啦）
3嘀倒、分析語(yǔ)言
- NO.1 正則表達(dá)式：扛把子技術(shù)，總得會(huì)最基礎(chǔ)的
- NO.2 XPATH：高效的分析語(yǔ)言局冰，表達(dá)清晰簡(jiǎn)單测蘑，掌握了以后基本可以不用正則
參考：XPath 教程 - NO.3 Beautifulsoup：
美麗湯模塊解析網(wǎng)頁(yè)神器,一款神器，如果不用一些爬蟲(chóng)框架（如后文講到的scrapy）康二，配合request碳胳，urllib等模塊（后面會(huì)詳細(xì)講），可以編寫各種小巧精干的爬蟲(chóng)腳本
官網(wǎng)文檔：Beautiful Soup 4.2.0 文檔
4沫勿、高效工具輔助
- NO.1 F12 開(kāi)發(fā)者工具：
看源代碼：快速定位元素
分析xpath：1固逗、此處建議谷歌系瀏覽器,可以在源碼界面直接右鍵看 - NO.2 抓包工具：
推薦httpfox，火狐瀏覽器下的插件,比谷歌火狐系自帶的F12工具都要好藕帜，可以方便查看網(wǎng)站收包發(fā)包的信息 - NO.3 XPATH CHECKER (火狐插件）：
非常不錯(cuò)的xpath測(cè)試工具，但是有幾個(gè)坑惜傲，都是個(gè)人踩過(guò)的洽故，在此告誡大家：
1、xpath checker生成的是絕對(duì)路徑盗誊，遇到一些動(dòng)態(tài)生成的圖標(biāo)（常見(jiàn)的有列表翻頁(yè)按鈕等）时甚，飄忽不定的絕對(duì)路徑很有可能造成錯(cuò)誤，所以這里建議在真正分析的時(shí)候哈踱，只是作為參考
2荒适、記得把如下圖xpath框里的“x:”去掉，貌似這個(gè)是早期版本xpath的語(yǔ)法开镣，目前已經(jīng)和一些模塊不兼容（比如scrapy）刀诬，還是刪去避免報(bào)錯(cuò) - NO.4 正則表達(dá)測(cè)試工具：
在線正則表達(dá)式測(cè)試 ，拿來(lái)多練練手邪财，也輔助分析陕壹！里面有很多現(xiàn)成的正則表達(dá)式可以用，也可以進(jìn)行參考树埠！
5糠馆、更多
- 模塊：python的火，很大原因就是各種好用的模塊怎憋，這些模塊是居家旅行爬網(wǎng)站常備的又碌。
urllib
urllib2
requests - 框架：不想重復(fù)造輪子九昧，有沒(méi)有現(xiàn)成的框架？
華麗麗的scrapy - 遇到動(dòng)態(tài)頁(yè)面怎么辦毕匀？
selenium（會(huì)了這個(gè)配合scrapy無(wú)往不利铸鹰，是居家旅行爬網(wǎng)站又一神器，下一版更新的時(shí)候會(huì)著重安利期揪，因?yàn)檫@塊貌似目前網(wǎng)上的教程還很少）
phantomJS（不顯示網(wǎng)頁(yè)的selenium） - 遇到反爬蟲(chóng)策略驗(yàn)證碼之類咋整掉奄？
PIL
opencv
pybrain
打碼平臺(tái) - 數(shù)據(jù)庫(kù)：這里我認(rèn)為開(kāi)始并不需要非常深入，在需要的時(shí)候再學(xué)習(xí)即可凤薛。
mysql
mongodb
sqllite - 爬來(lái)的東西怎么用姓建？
numpy 數(shù)據(jù)分析，類似matlab的模塊
pandas（基于numpy的數(shù)據(jù)分析模塊缤苫，相信我速兔，如果你不是專門搞TB級(jí)數(shù)據(jù)的，這個(gè)就夠了） - 進(jìn)階技術(shù)：
多線程
分布式
三活玲、后期思考與改進(jìn)
1）效率
如果你直接加工一下上面的代碼直接運(yùn)行的話涣狗，你需要一整年才能爬下整個(gè)豆瓣的內(nèi)容。更別說(shuō)Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了舒憾。
問(wèn)題出在哪呢镀钓？需要爬的網(wǎng)頁(yè)實(shí)在太多太多了，而上面的代碼太慢太慢了镀迂。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站丁溅，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁(yè)要遍歷一次探遵，而每次判重用set的話需要log(N)的復(fù)雜度窟赏。OK，OK箱季，我知道python的set實(shí)現(xiàn)是hash——不過(guò)這樣還是太慢了涯穷，至少內(nèi)存使用效率不高。
通常的判重做法是怎樣呢藏雏？Bloom Filter. 簡(jiǎn)單講它仍然是一種hash的方法拷况，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長(zhǎng)）以O(shè)(1)的效率判定url是否已經(jīng)在set中掘殴◎鸺危可惜天下沒(méi)有白吃的午餐，它的唯一問(wèn)題在于杯巨，如果這個(gè)url不在set中蚤告，BF可以100%確定這個(gè)url沒(méi)有看過(guò)。但是如果這個(gè)url在set中服爷，它會(huì)告訴你：這個(gè)url應(yīng)該已經(jīng)出現(xiàn)過(guò)杜恰，不過(guò)我有2%的不確定性获诈。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少心褐。一個(gè)簡(jiǎn)單的教程:Bloom Filters by Example
注意到這個(gè)特點(diǎn)舔涎，url如果被看過(guò)，那么可能以小概率重復(fù)看一看（沒(méi)關(guān)系逗爹，多看看不會(huì)累死）亡嫌。但是如果沒(méi)被看過(guò)，一定會(huì)被看一下（這個(gè)很重要掘而，不然我們就要漏掉一些網(wǎng)頁(yè)了Ｐ凇）。 [IMPORTANT: 此段有問(wèn)題袍睡，請(qǐng)暫時(shí)略過(guò)]
好知染，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺(tái)機(jī)器斑胜。不管你的帶寬有多大控淡，只要你的機(jī)器下載網(wǎng)頁(yè)的速度是瓶頸的話，那么你只有加快這個(gè)速度止潘。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧掺炭！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話凭戴，多進(jìn)程吧）竹伸。
2）集群化抓取
爬取豆瓣的時(shí)候，我（這不是我hh）總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月簇宽。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...
那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用吧享，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢魏割？
我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master钢颂，那么回顧上面代碼中的url_queue钞它，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過(guò)網(wǎng)絡(luò)跟master聯(lián)通殊鞭，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁(yè)遭垛，就向master請(qǐng)求一個(gè)新的網(wǎng)頁(yè)來(lái)抓取。而每次slave新抓到一個(gè)網(wǎng)頁(yè)操灿，就把這個(gè)網(wǎng)頁(yè)上所有的鏈接送到master的queue里去锯仪。同樣，bloom filter也放到master上趾盐，但是現(xiàn)在master只發(fā)送確定沒(méi)有被訪問(wèn)過(guò)的url給slave庶喜。Bloom Filter放到master的內(nèi)存里小腊，而被訪問(wèn)過(guò)的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)久窟。（至少平攤是O(1)秩冈，Redis的訪問(wèn)效率見(jiàn):LINSERT – Redis)
3）后續(xù)處理
- 有效地存儲(chǔ)（數(shù)據(jù)庫(kù)應(yīng)該怎樣安排）
- 有效地判重（這里指網(wǎng)頁(yè)判重，咱可不想把人民日?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)都爬一遍）
- 有效地信息抽瘸饪浮（比如怎么樣抽取出網(wǎng)頁(yè)上所有的地址抽取出來(lái)入问，“朝陽(yáng)區(qū)奮進(jìn)路-
中華道”），搜索引擎通常不需要存儲(chǔ)所有的信息稀颁，比如圖片我存來(lái)干嘛... - 及時(shí)更新（預(yù)測(cè)這個(gè)網(wǎng)頁(yè)多久會(huì)更新一次）
