關(guān)于這篇文章有幾句話想說，首先給大家道歉，之前學(xué)的時(shí)候真的覺得下述的是比較厲害的東西，但是后來發(fā)現(xiàn)真的是基礎(chǔ)中的基礎(chǔ)，內(nèi)容還不是很完全。再看一遍自己寫的這篇文章，突然有種想自殺的沖動(dòng)。emmm所以樓主決定本文全文抹掉重寫一遍，并且為之前點(diǎn)進(jìn)來看的七十多訪問量的人，致以最誠摯的歉意。好想死。。

在學(xué)完了爬蟲全部內(nèi)容后，樓主覺得勉強(qiáng)有資格為接觸爬蟲的新人指指路了。那么廢話不多說，以下正文：

一、獲取內(nèi)容

說爬蟲一定要先說爬取內(nèi)容的方法，python有這么幾個(gè)支持爬蟲的庫，一個(gè)是urllib和它的后續(xù)版本庫，這個(gè)庫做爬取的時(shí)候生成的中繼對象是比較多的，樓主也記不大住都有什么，而且這個(gè)庫的使用在樓主看來有些過時(shí)了。更加建議做爬取的時(shí)候使用requests庫（ps：不是request）

使用urllib：

html = urllib.request.urlopen(url).read()

使用requests：

r = requests.get(url)

對于獲取到的內(nèi)容，有以下方法進(jìn)行處理：
1、使用正則表達(dá)式匹配。

2、使用BeautifulSoup對爬取內(nèi)容標(biāo)簽對象化。

3、通過構(gòu)造節(jié)點(diǎn)樹使用Xpath獲取元素。

第一種方法勝在直接，效率高而且不需要安裝三方庫。第二種方法勝在簡單，標(biāo)簽對象化后不需要寫復(fù)雜的正則表達(dá)式，而且提取標(biāo)簽更加方便。第三種方法勝在靈活，獲取內(nèi)容更加靈活，就是語法有點(diǎn)多，不熟的話可以對著Xpath語法文檔寫。

使用正則表達(dá)式匹配：

pattern_content = '<div class="rich_media_content " id="js_content">(.*?)</div>'
content1 = re.findall(pattern_content, html, re.S)

使用BeautifulSoup對爬取內(nèi)容標(biāo)簽對象化：

soup = bs4.BeautifulSoup(html, 'lxml')
imgs = soup.find_all('img')

關(guān)于BeautifulSoup的安裝請自行百度，沒記錯(cuò)的話直接pip是可行的。

通過構(gòu)造節(jié)點(diǎn)樹使用Xpath獲取元素：

selector=etree.HTML(html)
content=selector.xpath('//div[@id="content"]/ul[@id="ul"]/li/text()')

至此，爬取的基本內(nèi)容就敘述完畢了，這里給出的是最簡單的范例，如果想深入了解某種方法，建議去查詢更詳細(xì)的技術(shù)文檔。

下面內(nèi)容就是之前的了，略作刪改。

二、偽造表單請求頭

很多網(wǎng)站上的數(shù)據(jù)爬取比較簡單，只需要直接request那個(gè)網(wǎng)址就可以，很多小型網(wǎng)站都是這樣。面對這樣的網(wǎng)站數(shù)據(jù)，只需要花個(gè)幾分鐘隨便寫幾行代碼，就能爬到我們想要的數(shù)據(jù)。

但是想要爬取稍微大型一些的網(wǎng)站數(shù)據(jù)，就不會(huì)這么容易了。這些網(wǎng)站的服務(wù)器，會(huì)分析收到的每一條request，來判斷該請求是否為用戶操作。這種技術(shù)，我們把它稱為反爬技術(shù)。常見的反爬技術(shù)，樓主知道的有上面所述的分析請求，還有驗(yàn)證碼技術(shù)。對于這兩種情況，我們在構(gòu)造爬蟲程序的時(shí)候就需要稍微費(fèi)點(diǎn)力氣了。

先來介紹第一種的應(yīng)對方法。首先我們要知道一條request的組成部分，不同網(wǎng)站的request格式可能會(huì)有點(diǎn)不同。對于這一點(diǎn)，我們可以通過瀏覽器的開發(fā)者工具，抓到一個(gè)網(wǎng)站的請求數(shù)據(jù)格式。如下圖：

11111

此為使用谷歌瀏覽器抓取的請求信息。

我們可以看到request headers的格式，所以在訪問這樣的網(wǎng)站的時(shí)候，我們就不能忘了在postdata中放上一條偽造的headers。

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; rv:32.0) Gecko/20100101 Firefox/32.0',
			  'Referer': 'Address'}

其中referer鍵對應(yīng)的值是要訪問的網(wǎng)址。

某些網(wǎng)站還會(huì)需要有cookie的用戶驗(yàn)證，我們可以通過調(diào)用

requests.Session().cookies

來獲得它。

如果在爬蟲中需要提交某些信息的話，還要構(gòu)造一下postdata的數(shù)據(jù)。比如這樣：

postData = {
		'username': ul[i][0],
		'password': ul[i][1],
		'lt': b.group(1),
		'execution': 'e1s1',
		'_eventId': 'submit',
		'submit': '%B5%C7%C2%BC',
	}

三、關(guān)于多網(wǎng)頁的爬取

如果網(wǎng)頁地址有規(guī)律，那么構(gòu)造url用個(gè)循環(huán)函數(shù)就好，對于網(wǎng)頁地址中包含隨機(jī)碼的時(shí)候，通常就是先爬取根頁面，獲取到所有想爬取的子頁面url，把這些url放進(jìn)一個(gè)url池（項(xiàng)目小是一維的列表，項(xiàng)目大的時(shí)候可能會(huì)是高維的列表）里，循環(huán)爬取。

而比較高效的方式是使用多線程技術(shù)，demo有點(diǎn)長只貼關(guān)鍵部分。

class Geturl(threading.Thread):
  def __init__(self):
    threading.Thread.__init__(self)
  def run(self):
    res = requests.get(url, headers=header)
    html = res.text
    # print(html)
    pattern_href = '<a target="_blank" href="(.*?)" rel="external nofollow" id'
    href = re.findall(pattern_href, html, re.S)
    for href in href:
      href = href.replace('amp;', '')
      a.put(href)
      a.task_done()
class Spider(threading.Thread):
  def __init__(self):
    threading.Thread.__init__(self)
  def run(self):
    href = a.get()
    res = requests.get(href, headers=header2)
    html = res.text
    pattern_title = '<title>(.*?)</title>'
    title = re.findall(pattern_title, html, re.S)
    pattern_content = '<div class="rich_media_content " id="js_content">(.*?)</div>'
    content1 = re.findall(pattern_content, html, re.S)
    print(title)
    # time.sleep(1.5)
    pattern_content2 = '>(.*?)<'
    content2 = re.findall(pattern_content2, content1[0], re.S)
    while '' in content2:
      content2.remove('')
    content = ''
    for i in content2:
      content = content + i
    content = content.replace('&nbsp;','')
    print(content)

開兩個(gè)線程，一個(gè)爬取url放進(jìn)url池，一個(gè)從url池里獲取url然后爬取內(nèi)容，再開一個(gè)線程監(jiān)控兩個(gè)線程，如果兩個(gè)線程運(yùn)行完畢，結(jié)束主線程。

python的多線程機(jī)制底層做的其實(shí)不好，理由不多講。另，多線程具體操作很多就不展開講了。

四、關(guān)于使用代理ip

很多網(wǎng)站會(huì)有ip檢測機(jī)制，當(dāng)同一ip以人力無法做到的速度多次訪問網(wǎng)站時(shí)，通常就會(huì)觸發(fā)這種機(jī)制。

代理ip的話，通常通過爬取一些開源ip網(wǎng)站發(fā)布的ip構(gòu)建ip代理池，比如西刺、蘑菇等。這樣的一些網(wǎng)站，直接百度代理ip就能找到。然后，使用Flask+Redis維護(hù)代理池。這部分詳細(xì)說明也比較長，就不細(xì)說了。也不是爬蟲必要的東西。另，自己有服務(wù)器的也可以使用SSR的翻墻工具，不過搭建不是樓主親手做的，所以就不詳細(xì)說明了。

五、關(guān)于selenium模仿瀏覽器操作

關(guān)于selenium主要介紹以下幾點(diǎn)：

1、selenium 是一套完整的web應(yīng)用程序測試系統(tǒng)，包含了測試的錄制（selenium IDE）,編寫及運(yùn)行（Selenium Remote Control）和測試的并行處理（Selenium Grid）。

2、Selenium的核心Selenium Core基于JsUnit，完全由JavaScript編寫，因此可以用于任何支持JavaScript的瀏覽器上。

3、selenium可以模擬真實(shí)瀏覽器，自動(dòng)化測試工具，支持多種瀏覽器，爬蟲中主要用來解決JavaScript渲染問題。

4、用python寫爬蟲的時(shí)候，主要用的是selenium的Webdriver。

這些是某說明文檔的內(nèi)容，能看懂就看，看不懂就看樓主的簡單版：

selenium的話主要用于模仿瀏覽器操作，比如向文本框中賦值，點(diǎn)擊按鈕等。配合高效率瀏覽器的話也是實(shí)現(xiàn)爬蟲的一個(gè)比較好的方法。優(yōu)點(diǎn)是通過模擬瀏覽器操作，不易被反爬檢測。缺點(diǎn)是效率低下，非常不適合大型爬蟲，小作坊自己玩玩就好。

六、關(guān)于Scrapy框架

這又是一塊非常非常龐大的內(nèi)容，很多技術(shù)一旦牽扯上框架就麻煩了。當(dāng)然學(xué)會(huì)了的話，做大型項(xiàng)目就簡單多了。重點(diǎn)就是框架一般針對比較大型的系統(tǒng)去做，所以其管理和操作會(huì)比較麻煩，內(nèi)部的一些機(jī)制也不是很好說明。這一塊的話如果以后有時(shí)間就單獨(dú)寫一篇文章詳細(xì)介紹，畢竟從原理到搭建到配置到使用，內(nèi)容太多。。

七、關(guān)于驗(yàn)證碼處理

對于處理驗(yàn)證碼的話，目前簡單點(diǎn)的是直接使用PIL（pillow）做圖像處理，然后使用Tesseract直接識(shí)別。此方法樓主已經(jīng)寫好了單獨(dú)的文章供大家參考。

另，如果學(xué)過機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)這部分的話，還可以使用卷積神經(jīng)網(wǎng)絡(luò)。這個(gè)方向樓主還正在學(xué)，簡單給大家指條路，不詳述。

以上是樓主想到的爬蟲所有內(nèi)容，若有錯(cuò)誤還望指正。

最新評論