建站
咨詢
售后
建站咨詢
新聞中心
網(wǎng)絡爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
創(chuàng)新互聯(lián)建站專業(yè)為企業(yè)提供城陽網(wǎng)站建設、城陽做網(wǎng)站、城陽網(wǎng)站設計、城陽網(wǎng)站制作等企業(yè)網(wǎng)站建設、網(wǎng)頁設計與制作、城陽企業(yè)網(wǎng)站模板建站服務，十多年城陽做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡服務。
其實通俗的講就是通過程序去獲取web頁面上自己想要的數(shù)據(jù)，也就是自動抓取數(shù)據(jù)
Python爬蟲架構
Python 爬蟲架構主要由五個部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應用程序（爬取的有價值數(shù)據(jù)）。
-
調(diào)度器：相當于一臺電腦的CPU，主要負責調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。
-
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復抓取URL和循環(huán)抓取URL，實現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實現(xiàn)。
-
網(wǎng)頁下載器：通過傳入一個URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個字符串，網(wǎng)頁下載器有urllib2（Python官方基礎模塊）包括需要登錄、代理、和cookie，requests(第三方包)
-
網(wǎng)頁解析器：將一個網(wǎng)頁字符串進行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達式（直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價值的信息，當文檔比較復雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進行解析，也可以使用lxml進行解析，相對于其他幾種來說要強大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進行解析的。
-
應用程序：就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個應用。
下面用一個圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:
urllib2 實現(xiàn)下載網(wǎng)頁的三種方式
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import cookielib
import urllib2
url = "http://www.baidu.com"
response1 = urllib2.urlopen(url)
print "第一種方法"
#獲取狀態(tài)碼，200表示成功
print response1.getcode()
#獲取網(wǎng)頁內(nèi)容的長度
print len(response1.read())
print "第二種方法"
request = urllib2.Request(url)
#模擬Mozilla瀏覽器進行爬蟲
request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())
print "第三種方法"
cookie = cookielib.CookieJar()
#加入urllib2處理cookie的能力
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print len(response3.read())
print cookie
第三方庫 Beautiful Soup 的安裝
Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數(shù)據(jù)，官網(wǎng)地址
https://www.crummy.com/software/BeautifulSoup/
安裝 Beautiful Soup
打開 cmd（命令提示符），進入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進行安裝，輸入以下命令進行安裝即可：
pip install beautifulsoup4
測試是否安裝成功
編寫一個 Python 文件，輸入:
#!/usr/bin/python # –– coding: UTF-8 –– import re from bs4 import BeautifulSoup html_doc = “””
The Dormouse’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.
…
“”” #創(chuàng)建一個BeautifulSoup解析對象 soup = BeautifulSoup(html_doc,”html.parser”,from_encoding=”utf-8″) #獲取所有的鏈接 links = soup.find_all(‘a(chǎn)’) print “所有的鏈接” for link in links: print link.name,link[‘href’],link.get_text() print “獲取特定的URL地址” link_node = soup.find(‘a(chǎn)’,href=”http://example.com/elsie”) print link_node.name,link_node[‘href’],link_node[‘class’],link_node.get_text() print “正則表達式匹配” link_node = soup.find(‘a(chǎn)’,href=re.compile(r”ti”)) print link_node.name,link_node[‘href’],link_node[‘class’],link_node.get_text() print “獲取P段落的文字” p_node = soup.find(‘p’,class_=’story’) print p_node.name,p_node[‘class’],p_node.get_text()
分享題目：淺談python爬蟲
標題網(wǎng)址：http://m.biofuelwatch.net/article/dhosscg.html
