1 什么是网页爬虫

网络爬虫（ 网页蜘蛛，网络机器人，网页追逐者，自动索引，模拟程序）是一种按照一定的规则自动地抓取互联网信息的程序或者脚本，从互联网上抓取对于我们有价值的信息。Tips：自动提取网页的程序，为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。

(1) 对抓取目标的描述或定义；

(2) 对网页或数据的分析与过滤；

(3) 对URL的搜索策略。

2 Python爬虫架构

Python爬虫架构主要由调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）5个部分组成。

  • 调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
  • URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
  • 网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
  • 网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
  • 应用程序：就是从网页中提取的有用数据组成的一个应用。

下面用一个图来解释一下调度器是如何协调工作的：

3 urllib.request实现下载网页的三种方式

方法一：使用urllib.request.urlopen(url)方法函数实现最基本请求url的发起（打开url网址的操作）

函数原型如下：urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)　

方法二：使用response=urllib.request. Request (url)及urllib.request.urlopen(request)函数

response=urllib.request. Request (url)实现对目标url，data，headers以及method访问

urllib.request.urlopen(request)参数为request对象，代码中 response就是上一步得到的request对象（打开url网址的操作）

Tips：构建一个完整的请求，如果请求中需要加入headers（请求头）等信息，我们就需要使用更强大的Request类来构建一个请求。Request存在的意义是便于在请求的时候传入一些信息，而urlopen则不。

方法三：加入urllib.request处理cookie的能力结合urllib.request.urlopen(url)函数实现

Tips：Python 2使用urllib2代替urllib.request，cookies代替http.cookiejar，print代替print()

#!/usr/bin/python

# -*- coding: UTF-8 -*-

import http.cookiejar

import urllib.request

url = "http://www.baidu.com"

response1 = urllib.request.urlopen(url)

print ("第一种方法")

# 获取状态码，200表示成功

print (response1.getcode())

# 获取网页内容的长度

print (len(response1.read()))

print ("第二种方法")

request = urllib.request.Request(url)

# 模拟Mozilla浏览器进行爬虫

request.add_header("user-agent", "Mozilla/5.0")

response2 = urllib.request.urlopen(request)

print (response2.getcode())

print (len(response2.read()))

print ("第三种方法")

cookie=http.cookiejar.CookieJar()

# 加入urllib.request处理cookie的能力

opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cookie))

urllib.request.install_opener(opener)

response3 = urllib.request.urlopen(url)

print (response3.getcode())

print (len(response3.read()))

print (cookie)

　执行结果见下图：

4 使用三方库Beautiful Soup实现解析html文件

4.1 Beautiful Soup的安装

Beautiful Soup：Python 的第三方插件，用来提取 xml 和 HTML 中的数据，官网地址 https://www.crummy.com/software/BeautifulSoup/。

打开cmd（命令提示符），进入到Python（Python3版本）安装目录中的Scripts下，输入dir查看是否有pip.exe，如果用就可以使用Python自带的pip命令进行安装，输入以下命令进行安装即可：

pip install beautifulsoup4

执行如下图：

2、测试是否安装成功

编写一个 Python 文件test.py，输入：

import bs4

print (bs4)

运行该文件，如果能够正常输出则安装成功，如下。

4.2 使用 Beautiful Soup 解析 html 文件

#!/usr/bin/python

# -*- coding: UTF-8 -*-

import re

from bs4 import BeautifulSoup

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://news.baidu.com" name="tj_trnews" class="mnav">新闻</a>

<a href="https://www.hao123.com" name="tj_trhao123" class="mnav">hao123</a>

<a href="http://map.baidu.com" name="tj_trmap" class="mnav">地图</a>

<a href="http://v.baidu.com" name="tj_trvideo" class="mnav">视频</a>

<a href="http://tieba.baidu.com" name="tj_trtieba" class="mnav">贴吧</a>

<a href="http://xueshu.baidu.com" name="tj_trxueshu" class="mnav">学术</a>

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

# 创建一个BeautifulSoup解析对象

soup = BeautifulSoup(html_doc, "html.parser")

# 获取所有的链接

links = soup.find_all('a')

print ("所有的链接")

for link in links:

    print (link.name, link['href'], link.get_text())

print ("获取特定的URL地址")

link_node = soup.find('a', href="http://news.baidu.com")

print (link_node.name, link_node['href'], link_node['class'], link_node.get_text())

print ("正则表达式匹配")

link_node = soup.find('a', href=re.compile(r"hao"))

print (link_node.name, link_node['href'], link_node['class'], link_node.get_text())

print ("获取P段落的文字")

p_node = soup.find('p', class_='story')

print (p_node.name, p_node['class'], p_node.get_text())

执行结果如下：

------------------------------------------------------Tanwheey-------------------------------------------------------------------------

爱生活，爱工作。

Python 3实现网页爬虫的更多相关文章

  1. Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱（转）

    原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开 ...

  2. Python网页爬虫（一）

    很多时候我们想要获得网站的数据,但是网站并没有提供相应的API调用,这时候应该怎么办呢?还有的时候我们需要模拟人的一些行为,例如点击网页上的按钮等,又有什么好的解决方法吗?这些正是python和网页爬 ...

  3. python 网页爬虫+保存图片+多线程+网络代理

    今天,又算是浪费了一天了.python爬虫,之前写过简单的版本,那个时候还不懂原理,现在算是收尾吧. 以前对网页爬虫不了解,感觉非常神奇,但是解开这面面纱,似乎里面的原理并不是很难掌握.首先,明白一个 ...

  4. Python编写网页爬虫爬取oj上的代码信息

    OJ升级,代码可能会丢失. 所以要事先备份. 一開始傻傻的复制粘贴, 后来实在不能忍, 得益于大潇的启示和聪神的原始代码, 网页爬虫走起! 已经有段时间没看Python, 这次网页爬虫的原始代码是 p ...

  5. Python带你轻松进行网页爬虫

    前不久DotNet开源大本营通过为.NET程序员演示如何在.NET下使用C#+HtmlAgilityPack+XPath进行网页数据的抓取,从而为我们展示了HtmlAgilitypack利器的优点和使 ...

  6. Python十分适合用来开发网页爬虫

    Python十分适合用来开发网页爬虫,理由如下:1.抓取网页自身的接口比较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练:比较其他动态脚本语言,如perl,shel ...

  7. 【Python】Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱

    本文转载自:https://www.cnblogs.com/colipso/p/4284510.html 好文 mark http://www.52nlp.cn/python-%E7%BD%91%E9 ...

  8. 多线程网页爬虫 python 实现

    采用了多线程和锁机制,实现了广度优先算法的网页爬虫. 对于一个网络爬虫,如果要按广度遍历的方式下载,它就是这样干活的:         1.从给定的入口网址把第一个网页下载下来         2.从 ...

  9. python实现的一个简单的网页爬虫

    学习了下python,看了一个简单的网页爬虫:http://www.cnblogs.com/fnng/p/3576154.html 自己实现了一个简单的网页爬虫,获取豆瓣的最新电影信息. 爬虫主要是获 ...

随机推荐

  1. hihocoder 1582 : Territorial Dispute (计算几何）（2017 北京网络赛E）

    题目链接 题意:给出n个点.用两种颜色来给每个点染色.问能否存在一种染色方式,使不同颜色的点不能被划分到一条直线的两侧. 题解:求个凸包(其实只考虑四个点就行.但因为有板子,所以感觉这样写更休闲一些. ...

  2. IO重定向与管道

    一.三种IO设备 程序:数据+指令 或 数据结构+算法 程序必须能够读入输入然后经过加工来产生结果,其接受的输入可以是变量.数组.列表.文件等等,生产出来的结果可以使变量.数组.列表.文件等等.即: ...

  3. E. Natasha, Sasha and the Prefix Sums

    http://codeforces.com/contest/1204/problem/E 给定n个 1 m个 -1的全排 求所有排列的$f(a) = max(0,max_{1≤i≤l} \sum_{j ...

  4. js中switch语句不执行

    参考http://www.jb51.net/article/54393.htm switch语句与if语句的关系最为密切,也是其它编程语言中普遍使用的一种流程控制语句,但switch的匹配是全等模式, ...

  5. php versionscan YAF

    https://github.com/psecio/versionscan   Yaf 的特点: 用C语言开发的PHP框架, 相比原生的PHP, 几乎不会带来额外的性能开销. 所有的框架类, 不需要编 ...

  6. db2查看当前用户模式及当前用户的权限

    1.连接数据库:db2 connect to appdb 2.查询当前用户模式:select current schema from sysibm.sysdummy1 或 select current ...

  7. leetcode-mid-Linked list- 103. Binary Tree Zigzag Level Order Traversal

    mycode 99.24% # Definition for a binary tree node. # class TreeNode(object): # def __init__(self, x) ...

  8. Idea导入项目详解

    1.点击Import Project选择项目所在目录 2.Import Project选项区别: 1)如果选择Create project from existing sources选项, 则你只能导 ...

  9. flex 垃圾回收

    原文在这里:Garbage Collection with Flex and Adobe Air 我终于有时间来整理在flexcamp上演讲的东西并写篇博客了.就在flexcamp前一个月,我几乎天天 ...

  10. Docker报错：“WARNING: IPv4 forwarding is disabled. Networking will not work.”解决。

    问题阐述 一次停电之后,服务器停机,然后ip莫名被占用,修改新的ip之后,ssh能够连接上去,但是web服务访问不了,数据库访问不了,除了22端口,其它服务端口都不能telnet. 防火前.IPtab ...