Python爬虫原理
Posted 就今夜
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python爬虫原理相关的知识，希望对你有一定的参考价值。
前言
简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；
一、爬虫是什么？
如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，
沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；
从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用；
二、爬虫的基本流程：
用户获取网络数据的方式：
方式1：浏览器提交请求--->下载网页代码--->解析成页面
方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中
爬虫要做的就是方式2；
1、发起请求
使用http库向目标站点发起请求，即发送一个Request
Request包含：请求头、请求体等
Request模块缺陷：不能执行JS 和CSS 代码
2、获取响应内容
如果服务器能正常响应，则会得到一个Response
Response包含：html，json，图片，视频等
3、解析内容
解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以wb的方式写入文件
4、保存数据
数据库（MySQL，Mongdb、Redis）
文件file
三、http协议 请求与响应
Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）
Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）
ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
四、 request
1、请求方式：
常见的请求方式：GET / POST
2、请求的URL
url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定
url编码
https://www.baidu.com/s?wd=图片
图片会被编码（看示例代码）
网页的加载过程是：
加载一个网页，通常都是先加载document文档，
在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求
3、请求头
User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；
cookies：cookie用来保存登录信息
注意： 一般做爬虫都会加上请求头
请求头需要注意的参数：
（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）
（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）
（3）cookie：请求头注意携带
4、请求体
请求体
如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到）
如果是post方式，请求体是format data
ps：
1、登录窗口，文件上传等，信息都会被附加到请求体内
2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post
五、 响应Response
1、响应状态码
200：代表成功
301：代表跳转
404：文件不存在
403：无权限访问
502：服务器错误
2、respone header
响应头需要注意的参数：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面
3、preview就是网页源代码
JSON数据
如网页html，图片
二进制数据等
六、总结
1、总结爬虫流程：
爬取--->解析--->存储
2、爬虫所需工具：
请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）
解析库：正则，beautifulsoup，pyquery
存储库：文件，MySQL，Mongodb，Redis
3、爬获Yestone网页的图片
最后送给大家点福利吧
函数封装版
1 \'\'\' 2 Created on 2018年5月24日 3 4 @author: water 5 \'\'\' 6 import re 7 import requests 8 import os 9 # import urllib 10 import urllib.request as urllib 11 import time 12 13 #要爬去的网页初始地址 14 url = \'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}\' 15 url2 = \'http://www.yestone.com/gallery/1526450273467?page={page}\' 16 #图片保存路径=获取当前执行文件路径+images 17 path_to_save_images = os.path.join(os.path.dirname(__file__), \'images\') 18 19 #伪造请求头部 20 headers={\'User-Agent\':\'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36\'}#构造头部 21 22 if not os.path.exists(path_to_save_images): 23 #如果本地不存在images路径就生成该文件夹 24 os.mkdir(path_to_save_images) 25 26 pattern = r\'class="img-responsive".*?data-src="(.*?)" data-width=.*>\' 27 # image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0"> 28 29 from concurrent.futures import ThreadPoolExecutor 30 thread_pools = ThreadPoolExecutor(30) 31 32 def start_scrapy_in_one_thread(url): 33 response = requests.get(url, headers=headers) 34 if response.status_code == 200: 35 html = response.text 36 image_urls=re.findall(pattern, html) #re.S 把文本信息转换成1行匹配 37 if image_urls: 38 for image_url in image_urls: 39 print(image_url) 40 filename = os.path.join(path_to_save_images, image_url.split(\'/\')[-2]+\'.jpg\') 41 urllib.urlretrieve(image_url, filename) 42 else: 43 print(\'没有找到下载图片的URL\') 44 if __name__ == \'__main__\': 45 for page in range(1, 2): 46 begin_time = time.time() 47 #单线程爬取照片 48 start_scrapy_in_one_thread(url.format(page=page)) 49 end_time = time.time() 50 51 print(\'总共使用时间%s秒\'%(end_time-begin_time))
并发版（如果一共需要爬30个图片，开30个线程去做，花的时间就是 其中最慢那份的耗时时间）
1 import re 2 import requests 3 import os 4 # import urllib 5 import urllib.request as urllib 6 import time 7 8 #要爬去的网页初始地址 9 url = \'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}\' 10 url2 = \'http://www.yestone.com/gallery/1526450273467?page={page}\' 11 #图片保存路径=获取当前执行文件路径+images 12 path_to_save_images = os.path.join(os.path.dirname(__file__), \'images\') 13 14 #伪造请求头部 15 headers={\'User-Agent\':\'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36\'}#构造头部 16 17 if not os.path.exists(path_to_save_images): 18 #如果本地不存在images路径就生成该文件夹 19 os.mkdir(path_to_save_images) 20 21 pattern = r\'class="img-responsive".*?data-src="(.*?)" data-width=.*>\' 22 # image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0"> 23 24 from concurrent.futures import ThreadPoolExecutor 25 thread_pools = ThreadPoolExecutor(30) 26 27 28 def start_scrapy_in_threadpool(url): 29 #创建1个程池中，容纳线程个数为30个 30 response = requests.get(url, headers=headers) 31 if response.status_code == 200: 32 html = response.text 33 image_urls=re.findall(pattern, html) #re.S 把文本信息转换成1行匹配 34 if image_urls: 35 for image_url in image_urls: 36 print(image_url) 37 thread_pools.submit(get_pic, image_url) 38 else: 39 print(\'没有找到下载图片的URL\') 40 else: 41 print(\'获取页面详情失败\') 42 43 def get_pic(image_url): 44 print(image_url) 45 filename = os.path.join(path_to_save_images, image_url.split(\'/\')[-2]+\'.jpg\') 46 # if not os.path.isfile(filename): 47 urllib.urlretrieve(image_url, filename 48 49 if __name__ == \'__main__\': 50 for page in range(1, 2): 51 begin_time = time.time() 52 # 用线程池来爬取照片 53 start_scrapy_in_threadpool(url.format(page=page)) 54 #thread_pools.submit(start_scrapy_in_threadpool, url.format(page=page)) 55 end_time = time.time() 56 57 print(\'总共使用时间%s秒\'%(end_time-begin_time))
涉及知识：多线程多进程
计算密集型任务：使用多进程，因为能Python有GIL，多进程可以利用上CPU多核优势；
IO密集型任务：使用多线程，做IO切换节省任务执行时间（并发）
线程池
以上是关于Python爬虫原理的主要内容，如果未能解决你的问题，请参考以下文章