每日总结
Python非常适合用来开发网页爬虫,理由如下:
1、抓取网页本身的接口
相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁;相比其他动态脚本语言,如perl,shell,python的urllib包提供了较为完整的访问网页文档的API。(当然ruby也是很好的选择)
此外,抓取网页有时候需要模拟浏览器的行为,很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求,譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定,如Requests,mechanize
2、网页抓取后的处理
抓取的网页通常需要处理,比如过滤html标签,提取文本等。python的beautifulsoap提供了简洁的文档处理功能,能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做,但是用python能够干得最快,最干净。
Life is short, you need python.
PS:python2.x和python3.x有很大不同,本文只讨论python3.x的爬虫实现方法。
爬虫架构
架构组成
URL管理器:管理待爬取的url集合和已爬取的url集合,传送待爬取的url给网页下载器。
网页下载器(urllib):爬取url对应的网页,存储成字符串,传送给网页解析器。
网页解析器(BeautifulSoup):解析出有价值的数据,存储下来,同时补充url到URL管理器。
运行流程
URL管理器
基本功能
- 添加新的url到待爬取url集合中。
- 判断待添加的url是否在容器中(包括待爬取url集合和已爬取url集合)。
- 获取待爬取的url。
- 判断是否有待爬取的url。
- 将爬取完成的url从待爬取url集合移动到已爬取url集合。
存储方式
1、内存(python内存)
待爬取url集合:set()
已爬取url集合:set()
2、关系数据库(mysql)
urls(url, is_crawled)
3、缓存(redis)
待爬取url集合:set
已爬取url集合:set
大型互联网公司,由于缓存数据库的高性能,一般把url存储在缓存数据库中。小型公司,一般把url存储在内存中,如果想要永久存储,则存储到关系数据库中。
网页下载器(urllib)
将url对应的网页下载到本地,存储成一个文件或字符串。