Python入門網路爬蟲之精華版

Python學習網路爬蟲主要分3個大的版塊：抓取，分析，存儲

另外，比較常用的爬蟲框架Scrapy，這裡最後也詳細介紹一下。

首先列舉一下本人總結的相關文章，這些覆蓋了入門網路爬蟲需要的基本概念和技巧：寧哥的小站-網路爬蟲

簡單來說這段過程發生了以下四個步驟：

查找域名對應的IP地址。

向IP對應的伺服器發送請求。

伺服器響應請求，發回網頁內容。

瀏覽器解析網頁內容。

網路爬蟲要做的，簡單來說，就是實現瀏覽器的功能。通過指定url，直接返回給用戶所需要的數據，而不需要一步步人工去操縱瀏覽器獲取。

轉載：寧哥的小站?Python入門網路爬蟲之精華版

抓取

這一步，你要明確要得到的內容是什麼？是HTML源碼，還是Json格式的字元串等。

1. 最基本的抓取

抓取大多數情況屬於get請求，即直接從對方伺服器上獲取數據。

首先，Python中自帶urllib及urllib2這兩個模塊，基本上能滿足一般的頁面抓取。另外，requests也是非常有用的包，與此類似的，還有httplib2等等。

此外，對於帶有查詢欄位的url，get請求一般會將來請求的數據附在url之後，以?分割url和傳輸數據，多個參數用&連接。

2. 對於登陸情況的處理

2.1 使用表單登陸

這種情況屬於post請求，即先向伺服器發送表單數據，伺服器再將返回的cookie存入本地。

2.2 使用cookie登陸

使用cookie登陸，伺服器會認為你是一個已登陸的用戶，所以就會返回給你一個已登陸的內容。因此，需要驗證碼的情況可以使用帶驗證碼登陸的cookie解決。

若存在驗證碼，此時採用response = requests_session.post(url=url_login, data=data)是不行的，做法應該如下：

3. 對於反爬蟲機制的處理

3.1 使用代理

適用情況：限制IP地址情況，也可解決由於「頻繁點擊」而需要輸入驗證碼登陸的情況。

這種情況最好的辦法就是維護一個代理IP池，網上有很多免費的代理IP，良莠不齊，可以通過篩選找到能用的。對於「頻繁點擊」的情況，我們還可以通過限制爬蟲訪問網站的頻率來避免被網站禁掉。

3.2 時間設置

適用情況：限制頻率情況。

Requests，Urllib2都可以使用time庫的sleep()函數：

3.3 偽裝成瀏覽器，或者反「反盜鏈」

有些網站會檢查你是不是真的瀏覽器訪問，還是機器自動訪問的。這種情況，加上User-Agent，表明你是瀏覽器訪問即可。有時還會檢查是否帶Referer信息還會檢查你的Referer是否合法，一般再加上Referer。

4. 對於斷線重連

或者

這樣我們就可以使用multi_session或multi_open對爬蟲抓取的session或opener進行保持。

5. 多進程抓取

這裡針對華爾街見聞進行並行抓取的實驗對比：Python多進程抓取 與 Java單線程和多線程抓取

6. 對於Ajax請求的處理

對於「載入更多」情況，使用Ajax來傳輸很多數據。

它的工作原理是：從網頁的url載入網頁的源代碼之後，會在瀏覽器里執行JavaScript程序。這些程序會載入更多的內容，「填充」到網頁里。這就是為什麼如果你直接去爬網頁本身的url，你會找不到頁面的實際內容。

如果「請求」之前有頁面，依據上一步的網址進行分析推導第1頁。以此類推，抓取抓Ajax地址的數據。

對返回的json格式數據(str)進行正則匹配。json格式數據中，需從』uxxxx』形式的unicode_escape編碼轉換成u』uxxxx』的unicode編碼。

7. 自動化測試工具Selenium

Selenium是一款自動化測試工具。它能實現操縱瀏覽器，包括字元填充、滑鼠點擊、獲取元素、頁面切換等一系列操作。總之，凡是瀏覽器能做的事，Selenium都能夠做到。

這裡列出在給定城市列表後，使用selenium來動態抓取去哪兒網的票價信息的代碼。

8. 驗證碼識別

對於網站有驗證碼的情況，我們有三種辦法：

使用代理，更新IP。

使用cookie登陸。

驗證碼識別。

使用代理和使用cookie登陸之前已經講過，下面講一下驗證碼識別。

可以利用開源的Tesseract-OCR系統進行驗證碼圖片的下載及識別，將識別的字元傳到爬蟲系統進行模擬登陸。當然也可以將驗證碼圖片上傳到打碼平台上進行識別。如果不成功，可以再次更新驗證碼識別，直到成功為止。

爬取有兩個需要注意的問題：

如何監控一系列網站的更新情況，也就是說，如何進行增量式爬取？

對於海量數據，如何實現分散式爬取？

分析

抓取之後就是對抓取的內容進行分析，你需要什麼內容，就從中提煉出相關的內容來。

常見的分析工具有正則表達式，BeautifulSoup，lxml等等。

存儲

分析出我們需要的內容之後，接下來就是存儲了。

我們可以選擇存入文本文件，也可以選擇存入MySQL或MongoDB資料庫等。

存儲有兩個需要注意的問題：

如何進行網頁去重？

內容以什麼形式存儲？

Scrapy

Scrapy是一個基於Twisted的開源的Python爬蟲框架，在工業中應用非常廣泛。

Robots協議

好的網路爬蟲，首先需要遵守Robots協議。Robots協議（也稱為爬蟲協議、機器人協議等）的全稱是「網路爬蟲排除標準」（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取。

在網站根目錄下放一個robots.txt文本文件（如 https://www.taobao.com/robots.txt ），裡面可以指定不同的網路爬蟲能訪問的頁面和禁止訪問的頁面，指定的頁面由正則表達式表示。網路爬蟲在採集這個網站之前，首先獲取到這個robots.txt文本文件，然後解析到其中的規則，然後根據規則來採集網站的數據。

1. Robots協議規則

User-agent: 指定對哪些爬蟲生效

Disallow: 指定不允許訪問的網址

Allow: 指定允許訪問的網址

注意:一個英文要大寫，冒號是英文狀態下，冒號後面有一個空格，」/」代表整個網站

2. Robots協議舉例

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！