Python入门网络爬虫之精华版

　　Python入门网络爬虫之精华版

　　Python学习网络爬虫主要分3个大的版块：抓取，分析，存储

　　另外，比较常用的爬虫框架Scrapy，这里最后也详细介绍一下。

　　首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫需要的基本概念和技巧：宁哥的小站-网络爬虫

　　当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入，你就会看到宁哥的小站首页。

　　简单来说这段过程发生了以下四个步骤：

　　网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。

　　转载：宁哥的小站»Python入门网络爬虫之精华版

　　抓取

　　这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。

　　1. 最基本的抓取

　　抓取大多数情况属于get请求，即直接从对方服务器上获取数据。

　　首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。

　　Requests：<br />    import requests<br />    response = requests.get(url)<br />    content = requests.get(url).content<br />    print "response headers:", response.headers<br />    print "content:", content<br />Urllib2：<br />    import urllib2<br />    response = urllib2.urlopen(url)<br />    content = urllib2.urlopen(url).read()<br />    print "response headers:", response.headers<br />    print "content:", content<br />Httplib2：<br />    import httplib2<br />    http = httplib2.Http()<br />    response_headers, content = http.request(url, 'GET')<br />    print "response headers:", response_headers<br />    print "content:", content<br />

　　此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。

　　data = {'data1':'XXXXX', 'data2':'XXXXX'}<br />Requests：data为dict，json<br />    import requests<br />    response = requests.get(url=url, params=data)<br />Urllib2：data为string<br />    import urllib, urllib2    <br />    data = urllib.urlencode(data)<br />    full_url = url+'?'+data<br />    response = urllib2.urlopen(full_url)<br />

　　2. 对于登陆情况的处理

　　2.1 使用表单登陆

　　这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。

　　data = {'data1':'XXXXX', 'data2':'XXXXX'}<br />Requests：data为dict，json<br />    import requests<br />    response = requests.post(url=url, data=data)<br />Urllib2：data为string<br />    import urllib, urllib2    <br />    data = urllib.urlencode(data)<br />    req = urllib2.Request(url=url, data=data)<br />    response = urllib2.urlopen(req)<br />

　　2.2 使用cookie登陆

　　使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。

　　

　　import requests            <br />requests_session = requests.session() <br />response = requests_session.post(url=url_login, data=data)<br />

　　若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：

　　response_captcha = requests_session.get(url=url_login, cookies=cookies)<br />response1 = requests.get(url_login) # 未登陆<br />response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！<br />response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！<br />

　　3. 对于反爬虫机制的处理

　　3.1 使用代理

　　适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。

　　这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。

　　proxies = {'http':'http://XX.XX.XX.XX:XXXX'}<br />Requests：<br />    import requests<br />    response = requests.get(url=url, proxies=proxies)<br />Urllib2：<br />    import urllib2<br />    proxy_support = urllib2.ProxyHandler(proxies)<br />    opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)<br />    urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象<br />    response = urllib2.urlopen(url)<br />

　　3.2 时间设置

　　适用情况：限制频率情况。

　　Requests，Urllib2都可以使用time库的sleep()函数：

　　import time<br />time.sleep(1)<br />

　　3.3 伪装成浏览器，或者反“反盗链”

　　有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。

　　headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站<br />headers = {'Referer':'XXXXX'}<br />headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}<br />Requests：<br />    response = requests.get(url=url, headers=headers)<br />Urllib2：<br />    import urllib, urllib2   <br />    req = urllib2.Request(url=url, headers=headers)<br />    response = urllib2.urlopen(req)<br />

　　4. 对于断线重连

　　def multi_session(session, *arg):<br />    retryTimes = 20<br />    while retryTimes>0:<br />        try:<br />            return session.post(*arg)<br />        except:<br />            print '.',<br />            retryTimes -= 1<br />

　　或者

　　def multi_open(opener, *arg):<br />    retryTimes = 20<br />    while retryTimes>0:<br />        try:<br />            return opener.open(*arg)<br />        except:<br />            print '.',<br />            retryTimes -= 1<br />

　　这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。

　　5. 多进程抓取

　　6. 对于Ajax请求的处理

　　它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。

　　

　　这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。

　　7. 自动化测试工具Selenium

　　Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。

　　这里列出在给定城市列表后，使用selenium来动态抓取去哪儿网的票价信息的代码。

　　8. 验证码识别

　　对于网站有验证码的情况，我们有三种办法：

　　可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。当然也可以将验证码图片上传到打码平台上进行识别。如果不成功，可以再次更新验证码识别，直到成功为止。

　　爬取有两个需要注意的问题：

　　分析

　　抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。

　　常见的分析工具有正则表达式，BeautifulSoup，lxml等等。

　　存储

　　分析出我们需要的内容之后，接下来就是存储了。

　　我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。

　　存储有两个需要注意的问题：

　　Scrapy

　　Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。

　　Robots协议

　　好的网络爬虫，首先需要遵守Robots协议。Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

　　在网站根目录下放一个robots.txt文本文件（如 ），里面可以指定不同的网络爬虫能访问的页面和禁止访问的页面，指定的页面由正则表达式表示。网络爬虫在采集这个网站之前，首先获取到这个robots.txt文本文件，然后解析到其中的规则，然后根据规则来采集网站的数据。

　　1. Robots协议规则

　　2. Robots协议举例

　　禁止所有机器人访问<br />    User-agent: *<br />    Disallow: /<br />允许所有机器人访问<br />    User-agent: *<br />    Disallow: <br />禁止特定机器人访问<br />    User-agent: BadBot<br />    Disallow: /<br />允许特定机器人访问<br />    User-agent: GoodBot<br />    Disallow: <br />禁止访问特定目录<br />    User-agent: *<br />    Disallow: /images/<br />仅允许访问特定目录<br />    User-agent: *<br />    Allow: /images/<br />    Disallow: /<br />禁止访问特定文件<br />    User-agent: *<br />    Disallow: /*.html$<br />仅允许访问特定文件<br />    User-agent: *<br />    Allow: /*.html$<br />    Disallow: /<br />    <br />