爬虫入门讲解：精华篇

Posted 2020-10-12

 Python学习网络爬虫主要分3个大的版块：抓取，分析，存储

另外，比较常用的爬虫框架Scrapy，这里最后也详细介绍一下。

简单来说这段过程发生了以下四个步骤：

查找域名对应的IP地址。

向IP对应的服务器发送请求。

服务器响应请求，发回网页内容。

浏览器解析网页内容。

网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。

 

**抓取**

这一步，你要明确要得到的内容是什么？是html源码，还是Json格式的字符串等。

1. 最基本的抓取

抓取大多数情况属于get请求，即直接从对方服务器上获取数据。

首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。

设置代理IP访问  

代理IP可以上http://http.zhimaruanjian.com/获取 

Requests：import requests

response = requests.get(url)

content = requests.get(url).content

print "response headers:", response.headers

print "content:", content

Urllib2：import urllib2

response = urllib2.urlopen(url)

content = urllib2.urlopen(url).read()

print "response headers:", response.headers

print "content:", content

Httplib2：import httplib2

http = httplib2.Http()

response_headers, content = http.request(url, ‘GET‘)

print "response headers:", response_headers

print "content:", content

 

此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。

data = {‘data1‘:‘XXXXX‘, ‘data2‘:‘XXXXX‘}

Requests：data为dict，jsonimport requests

response = requests.get(url=url, params=data)

Urllib2：data为stringimport urllib, urllib2    data = urllib.urlencode(data)

full_url = url+‘?‘+data

response = urllib2.urlopen(full_url)

 

相关参考：网易新闻排行榜抓取回顾

参考项目：网络爬虫之最基本的爬虫：爬取网易新闻排行榜

2. 对于登陆情况的处理

2.1 使用表单登陆

这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。data = {‘data1‘:‘XXXXX‘, ‘data2‘:‘XXXXX‘}

Requests：data为dict，jsonimport requests

response = requests.post(url=url, data=data)

Urllib2：data为stringimport urllib, urllib2    data = urllib.urlencode(data)

req = urllib2.Request(url=url, data=data)

response = urllib2.urlopen(req)

2.2 使用cookie登陆

使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。

import requests            

requests_session = requests.session()

response = requests_session.post(url=url_login, data=data)

 

若存在验证码，此时采用

 

response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：

response_captcha = requests_session.get(url=url_login,cookies=cookies)

response1 = requests.get(url_login) # 未登陆

response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！

response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！

 

相关参考：网络爬虫-验证码登陆

参考项目：网络爬虫之用户名密码及验证码登陆：爬取知乎网站

3. 对于反爬虫机制的处理

3.1 使用代理

适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。

这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。

设置代理IP访问  

代理IP可以上http://http.zhimaruanjian.com/获取 

proxies = {‘http‘:‘http://XX.XX.XX.XX:XXXX‘}

Requests：import requests

response = requests.get(url=url, proxies=proxies)

Urllib2：import urllib2

proxy_support = urllib2.ProxyHandler(proxies)

opener = urllib2.build_opener(proxy_support,urllib2.HTTPHandler)

urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象

response = urllib2.urlopen(url)

3.2 时间设置

适用情况：限制频率情况。

Requests，Urllib2都可以使用time库的sleep()函数：import time

time.sleep(1)

3.3 伪装成浏览器，或者反“反盗链”

有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。

 

headers = {‘User-Agent‘:‘XXXXX‘} # 伪装成浏览器访问，适用于拒绝爬虫的网站

headers = {‘Referer‘:‘XXXXX‘}

headers = {‘User-Agent‘:‘XXXXX‘, ‘Referer‘:‘XXXXX‘}

Requests：

response = requests.get(url=url, headers=headers)

Urllib2：import urllib, urllib2   

req = urllib2.Request(url=url, headers=headers)

response = urllib2.urlopen(req)

4. 对于断线重连不多说。

def multi_session(session, *arg):

retryTimes = 20while retryTimes>0:try:return session.post(*arg)

except:

print ‘.‘,

retryTimes -= 1

 

或者

 

def multi_open(opener, *arg):

retryTimes = 20while retryTimes>0:try:return opener.open(*arg)

except:

print ‘.‘,

retryTimes -= 1

 

这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。

5. 多进程抓取

这里针对华尔街见闻进行并行抓取的实验对比：Python多进程抓取 与 Java单线程和多线程抓取

相关参考：关于Python和Java的多进程多线程计算方法对比

6. 对于Ajax请求的处理

对于“加载更多”情况，使用Ajax来传输很多数据。

它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行javascript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。

这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。

如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。

对返回的json格式数据(str)进行正则匹配。json格式数据中，需从’\uxxxx’形式的unicode_escape编码转换成u’\uxxxx’的unicode编码。

7. 自动化测试工具Selenium

Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。这里列出在给定城市列表后，使用selenium来动态抓取去哪儿网的票价信息的代码。

参考项目：网络爬虫之Selenium使用代理登陆：爬取去哪儿网站

8. 验证码识别

对于网站有验证码的情况，我们有三种办法：

使用代理，更新IP。

使用cookie登陆。

验证码识别。

使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。

可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。

参考项目：验证码识别项目第一版：Captcha1

爬取有两个需要注意的问题：

如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？

对于海量数据，如何实现分布式爬取？

 

**分析**

抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。

常见的分析工具有正则表达式，BeautifulSoup，lxml等等。

 

**存储**

分析出我们需要的内容之后，接下来就是存储了。

我们可以选择存入文本文件，也可以选择存入mysql或MongoDB数据库等。

存储有两个需要注意的问题：

如何进行网页去重？

内容以什么形式存储？

 

**Scrapy**

Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。

相关内容可以参考基于Scrapy网络爬虫的搭建，同时给出这篇文章介绍的微信搜索爬取的项目代码，给大家作为学习参考。

参考项目：使用Scrapy或Requests递归抓取微信搜索结果