java爬虫抓取动态网页(Python非常适合用来开发网页爬虫，理由：管理待爬取url)

　　java爬虫抓取动态网页(Python非常适合用来开发网页爬虫，理由：管理待爬取url)

　　前言

　　Python 非常适合开发网络爬虫，原因如下：

　　1、抓取网页本身的接口

　　相比其他静态编程语言，如java、c#、c++、python，爬取网页文档的界面更加简洁；与 perl、shell 等其他动态脚本语言相比，python 的 urllib 包提供了对 web 文档的更完整的访问。API。（当然*敏*感*词*也是不错的选择）

　　另外，爬取网页有时需要模拟浏览器的行为，很多网站被屏蔽用于生硬的爬虫爬取。这就是我们需要模拟用户代理的行为来构造适当的请求的地方，例如模拟用户登录，模拟会话/cookie存储和设置。python中有非常好的第三方包可以帮助你，比如Requests，mechanize

　　2、网页抓取后的处理

　　抓取的网页通常需要进行处理，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，可以用极短的代码完成大部分文档处理。

　　其实很多语言和工具都可以做到以上功能，但是python可以做到最快最干净。

　　人生苦短，你需要python。

　　PS：python2.x 和 python3.x 很不一样。本文只讨论python3.x的爬虫实现方法。

　　爬虫架构的组成

　　URL管理器：管理待爬取的url集合和已爬取的url集合，并将待爬取的url发送给网页下载器。

　　网页下载器（urllib）：抓取url对应的网页，存储为字符串，发送给网页解析器。

　　网页解析器（BeautifulSoup）：解析出有价值的数据，存储起来，补充url给URL管理器。

　　运行进程URL管理器基本功能存储方法

　　1、内存（python内存）

　　要爬取的url集合：set()

　　抓取的url集合：set()

　　2、关系型数据库（mysql）

　　网址（网址，is_crawled）

　　3、缓存（redis）

　　要爬取的url集合：set

　　爬取的 url 集合：set

　　由于缓存数据库的高性能，大型互联网公司一般将 URL 存储在缓存数据库中。小公司一般将 URL 存储在内存中，如果要永久存储，请将其存储在关系数据库中。

　　网页下载器 (urllib)

　　将url对应的网页下载到本地，保存为文件或字符串。

　　基本方法

　　新建一个baidu.py，内容如下：

　　import urllib.request

response = urllib.request.urlopen('http://www.baidu.com')

buff = response.read()

html = buff.decode("utf8")

print(html)

　　在命令行执行python baidu.py，打印出得到的页面。

　　构造请求

　　上面的代码可以修改为：

　　import urllib.request

request = urllib.request.Request('http://www.baidu.com')

response = urllib.request.urlopen(request)

buff = response.read()

html = buff.decode("utf8")

print(html)

　　携带参数

　　新建一个baidu2.py，内容如下：

　　import urllib.request

import urllib.parse

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

values = {'name': 'voidking','language': 'Python'}

data = urllib.parse.urlencode(values).encode(encoding='utf-8',errors='ignore')

headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0' }

request = urllib.request.Request(url=url, data=data,headers=headers,method='GET')

response = urllib.request.urlopen(request)

buff = response.read()

html = buff.decode("utf8")

print(html)

　　使用 Fiddler *敏*感*词*数据

　　我们想看看我们的请求是否真的携带参数，所以我们需要使用fiddler。

　　打开fiddler后，无意中发现上面的代码会报错504，不管是baidu.py还是baidu2.py。

　　虽然python报错，但是在fiddler中，我们可以看到请求信息，里面确实携带了参数。

　　查资料发现以前的python版本不支持代理环境下访问https。但是，最新版本应该支持它。那么，最简​​单的方法就是更改使用http协议进行爬取的url，例如，将其替换为 . 结果还是报错，但是变成了400错误。

　　然而，然而，然而。. . 神的转折点出现了！！！

　　当我将url替换为时，请求成功！没错，只需在 URL 后加一个额外的斜杠 / 即可。同理，改成，请求也成功了！魔法！！！

　　添加处理器

　　import urllib.request

import http.cookiejar

# 创建cookie容器

cj = http.cookiejar.CookieJar()

# 创建opener

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

# 给urllib.request安装opener

urllib.request.install_opener(opener)

# 请求

request = urllib.request.Request('http://www.baidu.com/')

response = urllib.request.urlopen(request)

buff = response.read()

html = buff.decode("utf8")

print(html)

print(cj)

　　Web 解析器 (BeautifulSoup)

　　从网页中提取有价值的数据和新的 url 列表。

　　解析器选择

　　为了实现解析器，可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等，这里我们选择BeautifulSoup。

　　其中，正则表达式基于模糊匹配，而其他三个基于DOM结构化解析。

　　BeautifulSoup 安装测试

　　1、要安装，在命令行执行pip install beautifulsoup4。

　　2、测试

　　import bs4

print(bs4)

　　使用说明 基本使用

　　1、创建 BeautifulSoup 对象

　　import bs4

from bs4 import BeautifulSoup

# 根据html网页字符串创建BeautifulSoup对象

html_doc = """

The Dormouse's story

<p class="title">The Dormouse&#39;s story

　　Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

　　...

"""

soup = BeautifulSoup(html_doc)

print(soup.prettify())</p>

　　2、访问节点

　　print(soup.title)

print(soup.title.name)

print(soup.title.string)

print(soup.title.parent.name)

print(soup.p)

print(soup.p[&#39;class&#39;])

　　3、指定标签、类或id

　　print(soup.find_all(&#39;a&#39;))

print(soup.find(&#39;a&#39;))

print(soup.find(class_=&#39;title&#39;))

print(soup.find(id="link3"))

print(soup.find(&#39;p&#39;,class_=&#39;title&#39;))

　　4、从文档中找到所有标签的链接

　　for link in soup.find_all(&#39;a&#39;):

print(link.get(&#39;href&#39;))

　　出现了警告。根据提示，我们可以在创建 BeautifulSoup 对象时指定解析器。

　　soup = BeautifulSoup(html_doc,&#39;html.parser&#39;)

　　5、从文档中获取所有文本内容

　　print(soup.get_text())

　　6、常规赛

　　link_node = soup.find(&#39;a&#39;,href=re.compile(r"til"))

print(link_node)

　　后记

　　python爬虫的基础知识就够了。接下来，在实战中学习更高级的知识。