python——爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

爬虫：

　　客户端：

　　　　Web应用本质

　　　　APP

　　服务器：

　　　　URL -> API

注：服务器提供API，URL有个专有名词叫API

自动程序（爬虫）：

　　起始URL：

　　　　https://www.cnblogs.com/

　　　　下载源码：

<!DOCTYPE html>
    <html lang="zh-cn">
    <head>
        <meta name="viewport" content="width=device-width, initial-scale=1"><meta charset="utf-8">
        <title>博客园 - 开发者的网上家园</title>
        <meta name="k
        ...

　　　　 --- 获取关键字，收录到数据库 -

　　　　-- 再获取其他URL，href

　　　　再继续访问......

　　requests.post（...）

自动登录需要注意几点：

1、登录时提交用户信息

2、接收返回值或者cookie

3、携带cookie或者返回值，再去访问

自动登录网站的几种认证方式:

　　第一次获取cookie

　　....

　　第一次访问：什么都不给

python爬虫几个步骤：

1、发送请求

　　- 需要验证

　　- 无需验证

2、获取内容

　　正则表达式，分类+分组

　　//div[@class='item_list']

　　//div[@class='item_list']/div

　　//div[@class='item_list']//span

　　//div[@class='item_list']//a/text()

　　//div[@class='item_list']//img/@

3、获取其他URL

　　//a/@href

4、自动递归请求url,重复执行1、2、3步操作

##############scrapy##############

1、安装

　　依赖：Twisted

　　基于python2.7做

　　pip install scrapy

　　windows依赖模块：

　　　　　　　　pywin32

　　安装python2.7

　　　　python-2.7.11.msi

　　　　python-2.7.11.adm64.msi

　　　　==> 环境变量 C：\python27 C:\python27\Script

　　装pip

　　安装steuptools

　　　　https://bootstrap.pypa.io/ez_setup.py

　　　　ez_setup.py

　　　　python ez_setup.py

　　pip（下载pip源码进行解压安装）

　　　　https://pypi.python.org/packages/11/b6/abcb525026a4be042b486df43905d6893fb04f05aac21c32c638e939e447/pip-9.0.1.tar.gz#md5=35f01da33009719497f01a4ba69d63c9

　　　　解压

　　　　进入模块

　　　　python setup.py install

　　pip install requests

　　pip install scrapy

　　　　scrapy需要装的一些依赖：

　　　　　　VCForPython27.msi

　　　　　　pywin32-220.win-amd64-py2.7.exe

　　　　　　pypiwin32-219.win32-py2.7.exe

　　　　　　lxml-2.3.win-amd64-py2.7.exe

　　　　　　lxml-2.3.win32-py2.7.exe

　　　　pip install scrapy

2、使用

　　环境变量：C :\python27\scrapy

　　scrapy startproject spiderl

　　创建spider文件（APP）

　　　　-name = ''nnnnn"

　　　　-start_urls

　　　　-parse

3、 scrapy crawl spider_name --nolog #nolog不要显示日志

**********************

scrapy

1、project

2、app,爬虫

　　- name

　　- start_urls

　　- parse

3、crawl name --nolog

4、parse

　　直接处理请求：

　　　　selector:

　　　　　　// #表示子子孙孙

　　　　　　/　　#从孩子里找

　　　　　　//div[@class='c1'] #表示属性选择器

　　　　　　//div[@class='c1'][@id='i1'] #两个属性

　　　　　　//div//img/@src 获取img下的src属性

　　　　　　//div//a[1]

　　　　　　//div//a[1]//text() #找a标签里面内容

　　　　　　====支持正则表达式

　　　　　　//div/a

Requests

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

import urllib2
import json
import cookielib


def urllib2_request(url, method="GET", cookie="", headers={}, data=None):
    """
    :param url: 要请求的url
    :param cookie: 请求方式，GET、POST、DELETE、PUT..
    :param cookie: 要传入的cookie，cookie= 'k1=v1;k1=v2'
    :param headers: 发送数据时携带的请求头，headers = {'ContentType':'application/json; charset=UTF-8'}
    :param data: 要发送的数据GET方式需要传入参数，data={'d1': 'v1'}
    :return: 返回元祖，响应的字符串内容 和 cookiejar对象
    对于cookiejar对象，可以使用for循环访问：
        for item in cookiejar:
            print item.name,item.value
    """
    if data:
        data = json.dumps(data)

    cookie_jar = cookielib.CookieJar()
    handler = urllib2.HTTPCookieProcessor(cookie_jar)
    opener = urllib2.build_opener(handler)
    opener.addheaders.append(['Cookie', 'k1=v1;k1=v2'])
    request = urllib2.Request(url=url, data=data, headers=headers)
    request.get_method = lambda: method

    response = opener.open(request)
    origin = response.read()

    return origin, cookie_jar


# GET
result = urllib2_request('http://127.0.0.1:8001/index/', method="GET")

# POST
result = urllib2_request('http://127.0.0.1:8001/index/',  method="POST", data= {'k1': 'v1'})

# PUT
result = urllib2_request('http://127.0.0.1:8001/index/',  method="PUT", data= {'k1': 'v1'})

封装urllib请求

Requests 是使用 Apache2 Licensed 许可证的基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

Scrapy

Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架（类似Django）。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。

Scrapy用途广泛，例如：

数据挖掘
信息处理
存储历史数据
监测
自动化测试
...

详细参考：http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/overview.html

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

引擎从调度器中取出一个链接(URL)用于接下来的抓取
引擎把URL封装成一个请求(Request)传给下载器
下载器把资源下载下来，并封装成应答包(Response)
爬虫解析Response
解析出实体（Item）,则交给实体管道进行进一步的处理
解析出的是链接（URL）,则把URL交给调度器等待抓取

python爬虫链接详细参考：http://www.cnblogs.com/wupeiqi/articles/5354900.html

#################################################################

爬虫博客推荐（python2.7）：http://www.cnblogs.com/xin-xin/p/4297852.html

posted @ 2017-01-11 08:43 Yared 阅读(334) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

Yared

——Standing on Shoulder of Giants

python——爬虫

Requests

Scrapy

公告