Python爬虫：流程框架和常用模块

一、简单爬虫架构

首先学习爬虫之前呢，要知道爬虫的一个基本架构，也就是写代码得有层次结构吧？不然挤牙膏么？

爬虫调度器 -> URL管理器 -> 网页下载器() -> 网页解析器() -> 价值数据

其中最重要地方，莫过于三君子-管理，下载，解析器。

这就是个初代版本的简单爬虫架构，一个基本的架构。

二、运行流程

实际上对于一些有开发基础的人来看，这个东西已经一目了然了，具体内容我不说了。

具体过程：(细品，你细品~)

1、调度器询问URL管理器，是否有待爬URL？URL管理器返回是/否?

2、如果是，调度器会从URL管理器中取出一个待爬URL；

3、调度器将URL传给下载器，下载网页内容后返回给调度器；

4、调度器再将返回的网页内容发送到解析器，解析URL内容，解析完成后返回有价值的数据和新的URL；

5、一方面，调度器将数据传递给应用进行数据的收集；另一方面，会将新的URL补充进URL管理器，若有URL管理器中含有新的URL，则重复上述步骤，直到爬取完所有的URL

6、最后，调度器会调动应用的方法，将价值数据输出到需要的格式。

三、URL管理器和实现方法

定义：管理带抓取URL集合和已抓取URL集合，

作用：防止重复抓取、防止循环抓取

URL管理器功能：

支持的功能

添加新URL到待爬取集合中

判断待添加的URL是否在容器中

判断是否还有带待爬取URL

获取待爬取URL

将URL从待爬取移动到已爬取

实现方式

1、适合个人的：内存(计算机或服务器内存)

2、小型企业或个人：关系数据库（永久存储或内存不够用，如 MySQL）

3、大型互联网公司：缓存数据库（高性能，如支持 set() 的 redis）

四、网页下载器和urllib2模块

将互联网上URL对应的网页下载到本地的工具。

作用：网页下载器类似于浏览器，会将互联网对应的网页以HTML的形式下载到本地，存储成本地文件或内存字符串，然后进行后续的分析。

Python的网页下载器种类

urllib / urllib2 (Python官方提供的基础模块)

requests(第三方插件,提供更为强大的功能)

（注意：python 3.x 以上版本把urllib2 和 urllib 整合到一起。所以引入模块变成一个，只有 import urllib，以后你在python2中看到的urllib2在python3中用urllib.request替换~ )

举例：

#py2
import urllib2
response = urllib2.urlopen(url) 
# 报错NameError: name 'urllib2' is not defined，要改为
# py3
import urllib.request
response = urllib.request.urlopen(url)

个人觉得Urllib库不好用，requests库更好用。

urllib2抓取网页的三种方法（以后用requests）

当然，虽然urllib2用的要少一些了，但是还是要了解一下的

方法1：给定url，使用urllib 模块的urlopen方法获取网页内容

举例：

这里我用的python3.x版本的urllib库。

get请求：发送一个GET请求到指定的页面，然后返回HTTP的响应。

from urllib import request
print('第一种方法get请求')
url = 'http://www.baidu.com'
# 直接请求
response = request.urlopen(url)
# 获取状态码，如果是200表示成功
print(response.status)
# 读取网页内容
print(response.read().decode('utf-8')

因为read获取到的byte编码，改为decode(‘utf-8’)。

方法2：添加data，http header

模拟浏览器发送GET请求，就需要使用Request对象，通过往Request对象添加HTTP头，我们就可以把请求伪装成浏览器进行访问：

User-Agent 有些 Server 或 Proxy 会检查该值，用来判断是否是浏览器发起的 Request .Content-Type

在使用 REST 接口时，Server 会检查该值，用来确定 HTTP Body 中的内容该怎样解析。

添加头信息举例：

import urllib2
print "第二种方法"
from urllib import request
req = request.Request('http://www.baidu.com')
req.add_header('User-Agent', 'Mozilla/6.0')
response =  request.urlopen(req)
# 获取状态码，如果是200表示成功
print(response.status)
# 读取网页内容
print(response.read().decode('utf-8'))

方法3：添加特殊情景的处理器

模拟浏览器发送POST请求。

需要登录才能访问的网页，要添加cookie的处理。使用HTTPCookieProcessor；

需要代理才能访问的网页使用ProxyHandler；

需要HTTPS加密访问的网站使用HTTPSHandler；

有些URL存在相互自动跳转的关系使用HTTPRedirectHandler进行处理。

图示：

HTTPCookieProcessor的使用：

cookie中保存中我们常见的登录信息，有时候爬取网站需要携带cookie信息访问，这里用到了http.cookijar，用于获取cookie以及存储cookie，同时cookie可以写入到文件中保存，一般有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()。

举例：

import urllib2， cookielib
print "第三种方法"
# 创建cookie容器
cj = cookielib.CookieJar()
# 创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
# 给urllib2安装opener
urllib2.install_opener(opener)
# 使用带有cookie的urllib2访问网页
response = urllib2.urlopen('http://www.baidu.com/')

上面都是对urllib2模块来写的，但是实战中往往用requests，这个放到后面文章来说。

注意： python3用cookielib 模块改名为 http.cookiejar，带cookie的打印出来必须用opener.open(req).read().decode(‘utf-8’)来发送的请求才会带上cookie，如果用urllib.request.urlopen()是不带cookie的。

ProxyHandler代理的使用：

网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问，所以这个时候需要通过设置代理来爬取数据

import urllib.request
url = 'http://www.baidu.com'
proxy_handler = urllib.request.ProxyHandler({
    #代理服务器IP地址
    'http': 'http://111.13.100.91:80',
    'https': 'https://111.13.100.91:443'
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open(url)
# 获取状态码，如果是200表示成功
print(response.status)
# 读取网页内容
print(response.read().decode('utf-8'))

四、网页解析器和使用

网页解析器从HTML网页字符串中提取出价值数据和新URL对象

Python网页解析器种类

正则表达式（re模糊匹配）

html.parser (Python自带)

BeautifulSoup (第三方插件)

lxml (第三方解析器)

后面三种是以结构化解析的方式进行解析DOM(Document Object Model)树，

【也就是按照html的节点路径一级一级来解析的。】

下面挨个介绍一下最常用的两个。

常用的BeautifulSoup介绍！！！

bs4主要使用find()方法和find_all()方法来搜索文档。

find()用来搜索单一数据，find_all()用来搜索多个数据。

它是Python第三方库，用于从HTML或XML中提取数据

官网：https://www.crummy.com/software/BeautifulSoup/

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

需要安装和测试：

方法一，在cmd窗口中：

安装：pip install beautifulsoup4
测试：import bs4

方法2：在pycharm中：File–settings–Project Interpreter–添加beautifulsoup4（简写bs4）

语法：

举个例子：

from bs4 import BeautifulSoup
# 根据HTML网页字符串创建BeautifulSoup对象
soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')
# 搜索节点 查找所有标签为a的节点
soup.find_all('a')
# 查找所有标签为a，连接符合/view/123.html形式的节点
soup.find_all('a', href='/view/123.html')
soup.find_all('a', href=re.compile(r'/view/d+.html'))
# 查找所有标签为div，class为abc，文字为Python的节点
soup.find_all('div', class_='abc', string='Python')

访问节点信息

# 举例节点:<a href='1.html'>Python</a>
# 获取查找到的节点的标签名称
node.name
# 获取查找到的a节点的href属性
node['href']
# 获取查找到的a节点的链接文字
node.get_text()

上面就是bs4在解析模块的相关使用，更多方式查看官方文档即可。

常用的lxml介绍

Xpath是一门在XML文档中查找信息的语言。Xpath可用来在XML文档中对元素和属性进行遍历。Xpath是W3C XSLT标准的主要元素，并且XQuery和XPointer都构建于XPath表达之上。

安装：

pip install lxml

语法：

选取节点

XPath 使用路径表达式在 XML 文档中选取节点。节点是通过沿着路径或者 step 来选取的。

在使用 xpath之前，先导入 etree类，对原始的 html页面进行处理获得一个_Element对象。

举个例子：

#导入 etree类
from lxml import etree
# html文本
html = '''<div class="container">
                <div class="row">
                    <div class="col">
                        <div class="card">
                            <div class="card-content">
                                <a href="#123333" class="box">
                                   好麻烦哟!!!~~~
                                </a>
                            </div>
                        </div>
                    </div>
                </div>
            </div>'''
#对 html文本进行处理 获得一个_Element对象
dom = etree.HTML(html)
#获取 a标签下的文本
a_text = dom.xpath('//div/div/div/div/div/a/text()')
print(a_text)

我们通过 etree.HTML( )来生成一个_Element对象，etree.HTML() 会将传入的文本处理成一个 html文档节点。这样就能保证我们总是能获得一个包含文档节点的_Element对象。

众多python教程，尽在云海天教程网，欢迎在线学习！

本文转自：https://blog.csdn.net/ITBigGod/article/details/102859854