python-01 spider原理

Posted Mark

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-01 spider原理相关的知识，希望对你有一定的参考价值。

用Python可以做什么？可以做日常任务，比如自动备份你的MP3；可以做网站，很多著名的网站包括YouTube就是Python写的；可以做网络游戏的后台，很多在线游戏的后台都是Python开发的。总之就是能干很多很多事啦。

Python当然也有不能干的事情，比如写操作系统，这个只能用C语言写；写手机应用，只能用Swift/Objective-C（针对iPhone）和Java（针对Android）；写3D游戏，最好用C或C++。

如果你是小白用户，满足以下条件：

  • 会使用电脑，但从来没写过程序；
  • 还记得初中数学学的方程式和一点点代数知识；
  • 想从编程小白变成专业的软件架构师；
  • 每天能抽出半个小时学习

一、爬虫是什么？

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；

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

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

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

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

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

JSO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

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

以上参考https://www.cnblogs.com/sss4/p/7809821.html

接下来动动手指，操作一下

运行平台：Windows 10
Python版本：Python3.7
IDE：pycharm

 

1 from urllib import request
2 
3 url = \'http://www.baidu.com\'
4 # page = request.Request(url)
5 # page.add_header(\'User-Agent\', \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36\')
6 headers = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36\'}
7 page = request.Request(url, headers=headers)
8 page_info = request.urlopen(page).read().decode(\'utf-8\')
9 print(page_info)
View Code

 

  • 对于python 3来说,urllib是一个非常重要的一个模块 ，可以非常方便的模拟浏览器访问互联网,对于python 3 爬虫来说, urllib更是一个必不可少的模块,它可以帮助我们方便地处理URL.
  • urllib.request是urllib的一个子模块,可以打开和处理一些复杂的网址

The urllib.request
 module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

  • urllib.request.urlopen()方法实现了打开url,并返回一个 http.client.HTTPResponse对象,通过http.client.HTTPResponse的read()方法,获得response body,转码最后通过print()打印出来.

urllib.request.urlopen(url, data=None, [timeout, ]***, cafile=None, capath=None, cadefault=False, context=None)
For HTTP and HTTPS URLs, this function returns a http.client.HTTPResponse
 object slightly modified.
< 出自: https://docs.python.org/3/library/urllib.request.html >

  • decode(\'utf-8\')用来将页面转换成utf-8的编码格式，否则会出现乱码


当然这个前提是我们已经知道了这个网页是使用utf-8编码的，怎么查看网页的编码方式呢？需要人为操作，且非常简单的方法是使用使用浏览器审查元素，只需要找到head标签开始位置的chareset，就知道网页是采用何种编码的了。如下：

picture9

    这样我们就知道了这个网站的编码方式，但是这需要我们每次都打开浏览器，并找下编码方式，显然有些费事，使用几行代码解决更加省事并且显得酷一些。

 

自动获取网页编码方式的方法

    获取网页编码的方式有很多，个人更喜欢用第三方库的方式。

    首先我们需要安装第三方库chardet，它是用来判断编码的模块，安装方法如下图所示，只需要输入指令：

pip install chardet

直接cmd 命令行安装

下载是如果告知你要升级运行以下命令python -m pip install --upgrade pip，升级pip版本。

 一下案例参考自：https://blog.csdn.net/csdn2497242041/article/details/77170746

例子1 ：爬取简书网站首页文章的标题和文章链接

首先配置现在第三方，

爬虫流程：①先由urllib的request打开Url得到网页html文档——②浏览器打开网页源代码分析元素节点——③通过Beautiful Soup或则正则表达式提取想要的数据——④存储数据到本地磁盘或数据库（抓取，分析，存储）

下载安装 pip install beautifulsoup4

 1 # spider
 2 # author_mark
 3 # -*- coding: UTF-8 -*-
 4 \'\'\'
 5 # Method 1
 6 import urllib.request
 7 
 8 url = "http://www.baidu.com"
 9 page_info = urllib.request.urlopen(url).read()
10 page_info = page_info.decode(\'utf-8\')
11 print(page_info)
12 \'\'\'
13 
14 # Method 2
15 from urllib import request
16 from bs4 import BeautifulSoup
17 
18 url = \'http://www.jianshu.com\'
19 # page = request.Request(url)
20 # page.add_header(\'User-Agent\', \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36\')
21 headers = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36\'}
22 page = request.Request(url, headers=headers)
23 page_info = request.urlopen(page).read().decode(\'utf-8\')#打开Url,获取HttpResponse返回对象并读取其ResposneBody
24 # print(page_info)
25 soup = BeautifulSoup(page_info, \'html.parser\')
26 titles = soup.find_all(\'a\', \'title\')    # 查找所有a标签中class=\'title\'的语句
27 \'\'\'
28 # 打印查找到的每一个a标签的string和文章链接
29 for title in titles:
30         print(title.string)
31         print("http://www.jianshu.com" + title.get(\'href\'))
32 \'\'\'
33 # open()是读写文件的函数,with语句会自动close()已打开文件
34 with open(r\'D:\\Only me\\python-code-pycharm\\test.txt\', "w")as file:     #  在磁盘以只写的方式打开/创建一个名为 test 的txt文件
35     for title in titles:
36         file.write(title.string + \'\\n\')
37         file.write("http://www.jianshu.com" + title.get(\'href\') + \'\\n\\n\')
View Code

例子2：爬取知乎网站的美女图片链接，并保存到本地

# -*- coding: UTF-8 -*-
from urllib import request
from bs4 import BeautifulSoup
import re
import time

url = "https://www.zhihu.com/question/22918070"
headers = {\'User-Agent\':\'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36\'}
page = request.Request(url, headers=headers)
html = request.urlopen(page).read().decode(\'utf-8\')
soup = BeautifulSoup(html, \'html.parser\')
# print("page")
# 用Beautiful Soup结合正则表达式来提取包含所有图片链接（img标签中，class=**，以.jpg结尾的链接）的语句
links = soup.find_all(\'img\', "origin_image zh-lightbox-thumb", src=re.compile(r\'.jpg$\'))
print(links)
# 设置保存图片的路径，否则会保存到程序当前路径
path = r\'D:\\Only me\\python-code-pycharm\\pic\'      # 路径前的r是保持字符串原始值的意思，就是说不对其中的符号进行转义
for link in links:
    print(link.attrs[\'src\'])
    # 保存链接并命名，time.time()返回当前时间戳防止命名冲突
    request.urlretrieve(link.attrs[\'src\'], path+\'\\%s.jpg\' % time.time())   # 使用request.urlretrieve直接将所有远程链接数据下载到本地

 

 

 

 大概学习了下通过urllib和Beautiful Soup 进行简单数据爬取的流程，但是那只适用于一些简单的、数据量比较小的爬虫项目，如果需要爬取的数据量比较大的话，之前的方法必定非常缓慢，而且还可能遇到大规模爬虫IP被网站封禁的情况，因为好的网站会有反爬虫策略。多线程和分布式爬虫、
IP代理、处理验证码、模拟登陆、内置浏览器引擎爬虫，还有注意配合反爬虫措施比较少的移动APP端抓取（抓包工具Fiddler）等等问题。考虑成熟框架Scrapy。

 

 

以上是关于python-01 spider原理的主要内容，如果未能解决你的问题，请参考以下文章

Web Spider Fiddler - JS Hook 基本使用

Spider实战系列-抓取《一人之下第三季》

20201010做个搜索引擎——网页蜘蛛代码编写

搜索引擎原理SEO优化上首页之蜘蛛Spider

搜索引擎原理：Spider

百度搜索引擎原理一，抓取建库，Spider抓取系统的基本框架