爬虫之网页下载

Posted 2021-01-28 silence-cho

1，相关知识

　　robots.txt: 一些网站会定义robots.txt文件（https://www.example.com/robots.txt），规定了网页爬取的相关限制，查看其内容，遵守规则可以避免过早IP被封。

　　　　下面为知乎robots.txt部分内容（https://www.zhihu.com/robots.txt）。（disallow 表示不允许爬取的url；Crawl-delay：10，表示两次抓取之间需要10秒延迟）

　　　　　　　　　　

　　sitemap:有的robots.txt的html源码中会给出网站的sitemap，获得网站的sitemap，可以了解网站整体架构和各url路径格式。

　　网站大小估计: 利用谷歌搜索 site:example.com，根据显示结果估计。如下图23条结果，说明该域名下大概有23个子网页。

　　　　　　　　

　　识别网站所用技术：利用python第三方模块builtwith能够返回网站使用相关技术。（安装：pip install builtwith）

　　　　　　　　　　下图查看知乎使用的技术：builtwith.parse(‘https://www.zhihu.com‘)

　　　　　　　　　　

　　查看网站所有者：利用python第三方模块python-whois, 返回服务器，邮箱等相关信息。（pip install python-whois）

　　　　　　　　　　使用：whois.whois(‘https://www.zhihu.com‘)

 

2.网页下载器和url队列

　　网页下载器：应该支持重试下载，用户代理（user-agent），proxy代理等。代码如下：　　

def download(url,user_agent=None,proxies=None,num_retries=3):  #支持user-agent和proxy
    #proxies = {"http": "http://10.10.1.10:3128", "https": "http://10.10.1.10:1080",}
    response=requests.get(url,headers={‘User-Agent‘:user_agent},proxies=proxies)
    if response.status_code and 500<=response.status_code<600:  # 出现服务器端错误时重试三次
        if num_retries > 0:
            response = download(url,user_agent,proxies,num_retries-1)
    return response

　　url队列：管理需要下载的url。即从下载的网页中提取出有用的url加入队列，从队列中取出下一个url进行爬取。需要实现url去重，下载延迟等。代码如下：

#coding:utf-8
import requests
import re
import urlparse
from datetime import datetime
import time

def link_carwl(start_url,link_regex,max_depth):  #link_regex 正则表达式，提取感兴趣的url
    url_queue = [start_url]
    seen = set(url_queue)
    while url_queue:
        url = url_queue.pop()
        throttle =Throttle(3)  #相同域名延迟3秒访问
        throttle.wait(url)
        response = download(url)
        for link in get_links(response.text):
            if re.match(link_regex,link):
                #urlparse.urljoin(url,link)  #link可能为相对路径
                if link not in seen:   #不访问重复的url
                    seen.add(url)
                    url_queue.append(link)
#url提取
def get_links(html):
    webpage_regex = re.compile(‘<a[^>]+href=["‘](.*?)["‘]‘,re.IGNORECASE)  #["‘]匹配单引号或双引号
    return webpage_regex.findall(html)

#同一个域名的下载延迟
class Throttle(object):
    def __init__(self,delay):
        self.delay = delay
        self.domains={}

    def wait(self,url):
        domain = urlparse.urlparse(url).netloc  #提取网址的域名
        last_accessed = self.domains.get(domain)
        if self.delay>0 and last_accessed!=None:
            sleep_secs = self.delay-(datetime.now()-last_accessed).seconds
            if sleep_secs>0:
                time.sleep(sleep_secs)
        self.domains[domain]=datetime.now()

　　如果需要设置网页爬取深度，对于上面的link_carwl（）方法可以改进如下：

#深度设置，防止爬虫陷阱（同一个域名下的网页链接，一直向下访问下去）
def link_carwl(start_url,link_regex,max_depth=5):   #设置最大深度为5
    url_queue = [start_url]
    seen = {start_url:0}
    while url_queue:
        url = url_queue.pop()
        throttle =Throttle(3)  #相同域名延迟3秒访问
        throttle.wait(url)
        response = download(url)
        depth = seen[url]
        if depth<max_depth:
            for link in get_links(response.text):
                if re.match(link_regex,link):
                    #urlparse.urljoin(url,link)  #link可能为相对路径
                    if link not in seen:   #不访问重复的url
                        seen[link] =depth+1  #在url的深度基础上加一
                        url_queue.append(link)