快捷導(dǎo)航

python爬蟲基礎(chǔ)知識(shí)點(diǎn)整理

更新時(shí)間：2020年06月02日 08:11:33 作者：愛喝馬黛茶的安東尼

在本篇文章里小編給大家整理的是一篇關(guān)于python爬蟲基礎(chǔ)知識(shí)點(diǎn)整理內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。

首先爬蟲是什么？

網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁(yè)追逐者），是一種按照一定的規(guī)則，自動(dòng)的抓取萬(wàn)維網(wǎng)信息的程序或者腳本。

根據(jù)我的經(jīng)驗(yàn)，要學(xué)習(xí)Python爬蟲，我們要學(xué)習(xí)的共有以下幾點(diǎn)：

Python基礎(chǔ)知識(shí)
Python中urllib和urllib2庫(kù)的用法
Python正則表達(dá)式
Python爬蟲框架Scrapy
Python爬蟲更高級(jí)的功能

1.Python基礎(chǔ)學(xué)習(xí)

首先，我們要用Python寫爬蟲，肯定要了解Python的基礎(chǔ)吧，萬(wàn)丈高樓平地起，不能忘啦那地基，哈哈，那么我就分享一下自己曾經(jīng)看過(guò)的一些Python教程，小伙伴們可以作為參考。

1) Python學(xué)習(xí)網(wǎng)

Python學(xué)習(xí)網(wǎng)上有大量免費(fèi)的Python入門教程，以便大家學(xué)習(xí)。不僅有視頻教程，還有相應(yīng)的問(wèn)答版塊，幫你解決學(xué)習(xí)過(guò)程中的問(wèn)題，效果還是蠻不錯(cuò)的，內(nèi)容基本上都是最基礎(chǔ)的，入門開始的話，就這個(gè)吧

2) 廖雪峰Python教程

后來(lái)，我發(fā)現(xiàn)了廖老師的Python教程，講的那是非常通俗易懂哪，感覺也是非常不錯(cuò)，大家如果想進(jìn)一步了解Python就看一下這個(gè)吧。

3) 簡(jiǎn)明Python教程

還有一個(gè)我看過(guò)的，簡(jiǎn)明Python教程，感覺講的也不錯(cuò)

學(xué)習(xí)網(wǎng)址：簡(jiǎn)明Python教程（https://woodpecker.org.cn/abyteofpython_cn/chinese/pr01.html#s01）

4) 汪海的實(shí)驗(yàn)室

這是我的本科實(shí)驗(yàn)室學(xué)長(zhǎng)，入門的時(shí)候參考的他的文章，自己重新做了總結(jié)，后來(lái)這些系列文章又在他的基礎(chǔ)上增加了一些內(nèi)容。

學(xué)習(xí)網(wǎng)址：汪海的實(shí)驗(yàn)室（https://blog.csdn.net/wxg694175346/category_1418998_1.html）

2.Python urllib和urllib2 庫(kù)的用法

urllib和urllib2庫(kù)是學(xué)習(xí)Python爬蟲最基本的庫(kù)，利用這個(gè)庫(kù)我們可以得到網(wǎng)頁(yè)的內(nèi)容，并對(duì)內(nèi)容用正則表達(dá)式提取分析，得到我們想要的結(jié)果。這個(gè)在學(xué)習(xí)過(guò)程中我會(huì)和大家分享的。

3.Python 正則表達(dá)式

Python正則表達(dá)式是一種用來(lái)匹配字符串的強(qiáng)有力的武器。它的設(shè)計(jì)思想是用一種描述性的語(yǔ)言來(lái)給字符串定義一個(gè)規(guī)則，凡是符合規(guī)則的字符串，我們就認(rèn)為它“匹配”了，否則，該字符串就是不合法的。這個(gè)在后面的博文會(huì)分享的。

4.爬蟲框架Scrapy

如果你是一個(gè)Python高手，基本的爬蟲知識(shí)都已經(jīng)掌握了，那么就尋覓一下Python框架吧，我選擇的框架是Scrapy框架。這個(gè)框架有什么強(qiáng)大的功能呢？下面是它的官方介紹：

HTML, XML源數(shù)據(jù) 選擇及提取的內(nèi)置支持
提供了一系列在spider之間共享的可復(fù)用的過(guò)濾器(即 Item Loaders)，對(duì)智能處理爬取數(shù)據(jù)提供了內(nèi)置支持。
通過(guò) feed導(dǎo)出提供了多格式(JSON、CSV、XML)，多存儲(chǔ)后端(FTP、S3、本地文件系統(tǒng))的內(nèi)置支持
提供了media pipeline，可以自動(dòng)下載爬取到的數(shù)據(jù)中的圖片(或者其他資源)。
高擴(kuò)展性。您可以通過(guò)使用 signals ，設(shè)計(jì)好的API(中間件, extensions, pipelines)來(lái)定制實(shí)現(xiàn)您的功能。
內(nèi)置的中間件及擴(kuò)展為下列功能提供了支持：
cookies and session 處理
HTTP 壓縮
HTTP 認(rèn)證
HTTP 緩存
user-agent模擬
robots.txt
爬取深度限制
針對(duì)非英語(yǔ)語(yǔ)系中不標(biāo)準(zhǔn)或者錯(cuò)誤的編碼聲明, 提供了自動(dòng)檢測(cè)以及健壯的編碼支持。
支持根據(jù)模板生成爬蟲。在加速爬蟲創(chuàng)建的同時(shí)，保持在大型項(xiàng)目中的代碼更為一致。詳細(xì)內(nèi)容請(qǐng)參閱 genspider 命令。
針對(duì)多爬蟲下性能評(píng)估、失敗檢測(cè)，提供了可擴(kuò)展的狀態(tài)收集工具。
提供交互式shell終端 , 為您測(cè)試XPath表達(dá)式，編寫和調(diào)試爬蟲提供了極大的方便
提供 System service, 簡(jiǎn)化在生產(chǎn)環(huán)境的部署及運(yùn)行
內(nèi)置 Web service, 使您可以監(jiān)視及控制您的機(jī)器
內(nèi)置 Telnet終端，通過(guò)在Scrapy進(jìn)程中鉤入Python終端，使您可以查看并且調(diào)試爬蟲
Logging 為您在爬取過(guò)程中捕捉錯(cuò)誤提供了方便
支持 Sitemaps 爬取
具有緩存的DNS解析器

官方文檔：http://doc.scrapy.org/en/latest/

等我們掌握了基礎(chǔ)的知識(shí)，再用這個(gè) Scrapy 框架吧！

扯了這么多，好像沒(méi)多少有用的東西額，那就不扯啦！

知識(shí)點(diǎn)擴(kuò)展：

爬蟲基本原理

爬蟲是模擬用戶在瀏覽器或者App應(yīng)用上的操作，把操作的過(guò)程、實(shí)現(xiàn)自動(dòng)化的程序

當(dāng)我們?cè)跒g覽器中輸入一個(gè)url后回車，后臺(tái)會(huì)發(fā)生什么？比如說(shuō)你輸入https://www.baidu.com

簡(jiǎn)單來(lái)說(shuō)這段過(guò)程發(fā)生了以下四個(gè)步驟：

查找域名對(duì)應(yīng)的IP地址。
瀏覽器首先訪問(wèn)的是DNS(Domain Name System,域名系統(tǒng)),dns的主要工作就是把域名轉(zhuǎn)換成相應(yīng)的IP地址向IP對(duì)應(yīng)的服務(wù)器發(fā)送請(qǐng)求。
服務(wù)器響應(yīng)請(qǐng)求，發(fā)回網(wǎng)頁(yè)內(nèi)容。
瀏覽器顯示網(wǎng)頁(yè)內(nèi)容。

網(wǎng)絡(luò)爬蟲要做的，簡(jiǎn)單來(lái)說(shuō)，就是實(shí)現(xiàn)瀏覽器的功能。通過(guò)指定url，直接返回給用戶所需要的數(shù)據(jù)，而不需要一步步人工去操縱瀏覽器獲取。

到此這篇關(guān)于python爬蟲基礎(chǔ)知識(shí)點(diǎn)整理的文章就介紹到這了,更多相關(guān)Python2爬蟲入門內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: