前言

最近學(xué)完P(guān)ython，寫了幾個(gè)爬蟲練練手，網(wǎng)上的教程有很多，但是有的已經(jīng)不能爬了，主要是網(wǎng)站經(jīng)常改，可是爬蟲還是有通用的思路的，即下載數(shù)據(jù)、解析數(shù)據(jù)、保存數(shù)據(jù)。下面一一來講。

1.下載數(shù)據(jù)

首先打開要爬的網(wǎng)站，分析URL，每打開一個(gè)網(wǎng)頁看URL有什么變化，有可能帶上上個(gè)網(wǎng)頁的某個(gè)數(shù)據(jù)，例如xxID之類，那么我們就需要在上一個(gè)頁面分析HTML，找到對應(yīng)的數(shù)據(jù)。如果網(wǎng)頁源碼找不到，可能是ajax異步加載，去xhr里去找。

有的網(wǎng)站做了反爬的處理，可以添加User-Agent ：判斷瀏覽器

self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
# 初始化 headers
self.headers = {'User-Agent': self.user_agent}

如果不行，在Chrome上按F12分析請求頭、請求體，看需不需要添加別的信息，例如有的網(wǎng)址添加了referer：記住當(dāng)前網(wǎng)頁的來源，那么我們在請求的時(shí)候就可以帶上。按Ctrl + Shift + C，可以定位元素在HTML上的位置

動(dòng)態(tài)網(wǎng)頁

有一些網(wǎng)頁是動(dòng)態(tài)網(wǎng)頁，我們得到網(wǎng)頁的時(shí)候，數(shù)據(jù)還沒請求到呢，當(dāng)然什么都提取不出來，用Python 解決這個(gè)問題只有兩種途徑：直接從JavaScript 代碼里采集內(nèi)容，或者用Python 的第三方庫運(yùn)行JavaScript，直接采集你在瀏覽器里看到的頁面。

1.找請求，看返回的內(nèi)容，網(wǎng)頁的內(nèi)容可能就在這里。然后可以復(fù)制請求，復(fù)雜的網(wǎng)址中，有些亂七八糟的可以刪除，有意義的部分保留。切記刪除一小部分后先嘗試能不能打開網(wǎng)頁，如果成功再刪減，直到不能刪減。

2.Selenium：是一個(gè)強(qiáng)大的網(wǎng)絡(luò)數(shù)據(jù)采集工具（但是速度慢），其最初是為網(wǎng)站自動(dòng)化測試而開發(fā)的。近幾年，它還被廣泛用于獲取精確的網(wǎng)站快照，因?yàn)樗鼈兛梢灾苯舆\(yùn)行在瀏覽器上。Selenium 庫是一個(gè)在WebDriver 上調(diào)用的API。

WebDriver 有點(diǎn)兒像可以加載網(wǎng)站的瀏覽器，但是它也可以像BeautifulSoup對象一樣用來查找頁面元素，與頁面上的元素進(jìn)行交互（發(fā)送文本、點(diǎn)擊等），以及執(zhí)行其他動(dòng)作來運(yùn)行網(wǎng)絡(luò)爬蟲。

PhantomJS：是一個(gè)“無頭”（headless）瀏覽器。它會(huì)把網(wǎng)站加載到內(nèi)存并執(zhí)行頁面上的JavaScript，但是它不會(huì)向用戶展示網(wǎng)頁的圖形界面。把Selenium和PhantomJS 結(jié)合在一起，就可以運(yùn)行一個(gè)非常強(qiáng)大的網(wǎng)絡(luò)爬蟲了，可以處理cookie、JavaScript、header，以及任何你需要做的事情。

下載數(shù)據(jù)的模塊有urllib、urllib2及Requests

Requests相比其他倆個(gè)的話，支持HTTP連接保持和連接池，支持使用cookie保持會(huì)話，支持文件上傳，支持自 動(dòng)確定響應(yīng)內(nèi)容的編碼，支持國際化的 URL 和 POST 數(shù)據(jù)自動(dòng)編碼，而且api相對來說也簡單，但是requests直接使用不能異步調(diào)用，速度慢。

html = requests.get(url, headers=headers) #沒錯(cuò)，就是這么簡單

urllib2以我爬取淘寶的妹子例子來說明： 

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = {'User-Agent': user_agent}
# 注意：form data請求參數(shù)
params = 'q&viewFlag=A&sortType=default&searchStyle=&searchRegion=city%3A&searchFansNum=&currentPage=1&pageSize=100'
 
 
def getHome():
 url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
 req = urllib2.Request(url, headers=headers)
 # decode（'utf - 8'）解碼 把其他編碼轉(zhuǎn)換成unicode編碼
 # encode('gbk') 編碼 把unicode編碼轉(zhuǎn)換成其他編碼
 # ”gbk”.decode('gbk').encode('utf - 8')
 # unicode = 中文
 # gbk = 英文
 # utf - 8 = 日文
 # 英文一 > 中文一 > 日文,unicode相當(dāng)于轉(zhuǎn)化器
 html = urllib2.urlopen(req, data=params).read().decode('gbk').encode('utf-8')
 # json轉(zhuǎn)對象
 peoples = json.loads(html)
 for i in peoples['data']['searchDOList']:
 #去下一個(gè)頁面獲取數(shù)據(jù)
 getUseInfo(i['userId'], i['realName'])

2.解析數(shù)據(jù)

解析數(shù)據(jù)也有很多方式，我只看了beautifulsoup和正則，這個(gè)例子是用正則來解析的

def getUseInfo(userId, realName):
 url = 'https://mm.taobao.com/self/aiShow.htm?userId=' + str(userId)
 req = urllib2.Request(url)
 html = urllib2.urlopen(req).read().decode('gbk').encode('utf-8')
 
 pattern = re.compile('<img.*?src=(.*?)/>', re.S)
 items = re.findall(pattern, html)
 x = 0
 for item in items:
 if re.match(r'.*(.jpg")$', item.strip()):
 tt = 'http:' + re.split('"', item.strip())[1]
 down_image(tt, x, realName)
 x = x + 1
 print('下載完畢')

正則表達(dá)式說明

match：匹配string 開頭，成功返回Match object, 失敗返回None，只匹配一個(gè)。

search：在string中進(jìn)行搜索，成功返回Match object, 失敗返回None, 只匹配一個(gè)。

findall：在string中查找所有 匹配成功的組, 即用括號(hào)括起來的部分。返回list對象，每個(gè)list item是由每個(gè)匹配的所有組組成的list。

     1）.*? 是一個(gè)固定的搭配，.和*代表可以匹配任意無限多個(gè)字符，加上？表示使用非貪婪模式進(jìn)行匹配，也就是我們會(huì)盡可能短地做匹配

     2）(.*?)代表一個(gè)分組，如果有5個(gè)(.*?)就說明匹配了五個(gè)分組

     3） 正則表達(dá)式中，“.”的作用是匹配除“\n”以外的任何字符，也就是說，它是在一行中進(jìn)行匹配。這里的“行”是以“\n”進(jìn)行區(qū)分的。HTML標(biāo)簽每行的末尾有一個(gè)“\n”，不過它不可見。 如果不使用re.S參數(shù)，則只在每一行內(nèi)進(jìn)行匹配，如果一行沒有，就換下一行重新開始，不會(huì)跨行。而使用re.S參數(shù)以后，正則表達(dá)式會(huì)將這個(gè)字符串作為一個(gè)整體，將“\n”當(dāng)做一個(gè)普通的字符加入到這個(gè)字符串中，在整體中進(jìn)行匹配。

3.保存數(shù)據(jù)

數(shù)據(jù)解析后可以保存到文件或數(shù)據(jù)庫中，這個(gè)例子是保存到了文件中，很簡單，就不做說明了，在下篇講如何將數(shù)據(jù)保存到數(shù)據(jù)庫

http://www.fzitv.net/article/141674.htm

def down_image(url, filename, realName):
 req = urllib2.Request(url=url)
 folder = 'e:\\images\\%s' % realName
 if os.path.isdir(folder):
 pass
 else:
 os.makedirs(folder)
 
 f = folder + '\\%s.jpg' % filename
 if not os.path.isfile(f):
 print f
 binary_data = urllib2.urlopen(req).read()
 with open(f, 'wb') as temp_file:
 temp_file.write(binary_data)

GitHub地址，還有其他網(wǎng)站爬蟲，歡迎star：https://github.com/peiniwan/CreeperTest （本地下載）

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評(píng)論