一、基礎入門

1.1什么是爬蟲

爬蟲(spider，又網絡爬蟲)，是指向網站/網絡發起請求，獲取資源后分析并提取有用數據的程序。

從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為，把站點返回的HTML代碼/JSON數據/二進制數據(圖片、視頻) 爬到本地，進而提取自己需要的數據，存放起來使用。

1.2爬蟲基本流程

用戶獲取網絡數據的方式：

方式1：瀏覽器提交請求--->下載網頁代碼--->解析成頁面

方式2：模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放于數據庫或文件中

爬蟲要做的就是方式2。

1

發起請求Python入門到實踐學習教程請加群

使用http庫向目標站點發起請求，即發送一個Request

Request包含：請求頭、請求體等219539519零基礎，進階歡迎加入

Request模塊缺陷：不能執行JS 和CSS 代碼

2

獲取響應內容

如果服務器能正常響應，則會得到一個Response

Response包含：html，json，圖片，視頻等

3

解析內容

解析html數據：正則表達式(RE模塊)、xpath(主要使用)、beautiful soup、css

解析json數據：json模塊

解析二進制數據:以wb的方式寫入文件

4

保存數據

數據庫(MySQL，Mongdb、Redis)或 文件的形式。

1.3http協議 請求與響應

http協議

Request：用戶將自己的信息通過瀏覽器(socket client)發送給服務器(socket server)

Response：服務器接收請求，分析用戶發來的請求信息，然后返回數據(返回的數據中可能包含其他鏈接，如：圖片，js，css等)

ps：瀏覽器在接收Response后，會解析其內容來顯示給用戶，而爬蟲程序在模擬瀏覽器發送請求然后接收Response后，是要提取其中的有用數據。

1.3.1

request

(1) 請求方式

常見的請求方式：GET / POST

(2)請求的URL

url全球統一資源定位符，用來定義互聯網上一個唯一的資源 例如：一張圖片、一個文件、一段視頻都可以用url唯一確定

(3)請求頭

User-agent：請求頭中如果沒有user-agent客戶端配置，服務端可能將你當做一個非法用戶host；

cookies：cookie用來保存登錄信息

注意：一般做爬蟲都會加上請求頭。

請求頭需要注意的參數：

Referrer：訪問源至哪里來(一些大型網站，會通過Referrer 做防盜鏈策略；所有爬蟲也要注意模擬)

User-Agent:訪問的瀏覽器(要加上否則會被當成爬蟲程序)

cookie：請求頭注意攜帶

(4)請求體

請求體 如果是get方式，請求體沒有內容 (get請求的請求體放在 url后面參數中，直接能看到) 如果是post方式，請求體是format data

ps：1、登錄窗口，文件上傳等，信息都會被附加到請求體內 2、登錄，輸入錯誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁面通常會跳轉，無法捕捉到post

1.3.2

response

(1)響應狀態碼

200：代表成功

301：代表跳轉

404：文件不存在

403：無權限訪問

502：服務器錯誤

(2)response header

響應頭需要注意的參數：Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie保存下來

(3)preview就是網頁源代碼

json數據

如網頁html，圖片

二進制數據等

02

二、基礎模塊

2.1requests

requests是python實現的簡單易用的HTTP庫,是由urllib的升級而來。

開源地址：

https://github.com/kennethreitz/requests

中文API：

http://docs.python-requests.org/zh_CN/latest/index.html

2.2re 正則表達式

在 Python 中使用內置的 re 模塊來使用正則表達式。

缺點：處理數據不穩定、工作量大

2.3XPath

Xpath(XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷。

在python中主要使用 lxml 庫來進行xpath獲取(在框架中不使用lxml，框架內直接使用xpath即可)

lxml 是 一個HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 數據。

lxml和正則一樣，也是用 C 實現的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學習的XPath語法，來快速的定位特定元素以及節點信息。

2.4BeautifulSoup

和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。

使用BeautifulSoup需要導入bs4庫

缺點：相對正則和xpath處理速度慢

優點：使用簡單

2.5Json

JSON(JavaScript Object Notation) 是一種輕量級的數據交換格式，它使得人們很容易的進行閱讀和編寫。同時也方便了機器進行解析和生成。適用于進行數據交互的場景，比如網站前臺與后臺之間的數據交互。

在python中主要使用 json 模塊來處理 json數據。Json解析網站

2.6threading

使用threading模塊創建線程，直接從threading.Thread繼承，然后重寫__init__方法和run方法

03

三、方法實例

3.1get方法實例

demo_get.py

3.2post方法實例

demo_post.py

3.3添加代理

demo_proxies.py

3.4獲取ajax類數據實例

demo_ajax.py

3.5使用多線程實例

demo_thread.py

04

四、爬蟲框架

4.1Srcapy框架

Scrapy是用純Python實現一個為了爬取網站數據、提取結構性數據而編寫的應用框架，用途非常廣泛。

Scrapy 使用了 Twisted['tw?st?d](其主要對手是Tornado)異步網絡框架來處理網絡通訊，可以加快我們的下載速度，不用自己去實現異步框架，并且包含了各種中間件接口，可以靈活的完成各種需求。

4.2Scrapy架構圖

4.3Scrapy主要組件

Scrapy Engine(引擎): 負責Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數據傳遞等。

Scheduler(調度器): 它負責接受引擎發送過來的Request請求，并按照一定的方式進行整理排列，入隊，當引擎需要時，交還給引擎。

Downloader(下載器)：負責下載Scrapy Engine(引擎)發送的所有Requests請求，并將其獲取到的Responses交還給Scrapy Engine(引擎)，由引擎交給Spider來處理，

Spider(爬蟲)：它負責處理所有Responses,從中分析提取數據，獲取Item字段需要的數據，并將需要跟進的URL提交給引擎，再次進入Scheduler(調度器)，

Item Pipeline(管道)：它負責處理Spider中獲取到的Item，并進行進行后期處理(詳細分析、過濾、存儲等)的地方.

Downloader Middlewares(下載中間件)：你可以當作是一個可以自定義擴展下載功能的組件。

Spider Middlewares(Spider中間件)：你可以理解為是一個可以自定擴展和操作引擎和Spider中間通信的功能組件(比如進入Spider的Responses;和從Spider出去的Requests)

4.4Scrapy的運作流程

引擎：Hi！Spider, 你要處理哪一個網站？

Spider：老大要我處理xxxx.com。

引擎：你把第一個需要處理的URL給我吧。

Spider：給你，第一個URL是xxxxxxx.com。

引擎：Hi！調度器，我這有request請求你幫我排序入隊一下。

調度器：好的，正在處理你等一下。

引擎：Hi！調度器，把你處理好的request請求給我。

調度器：給你，這是我處理好的request

引擎：Hi！下載器，你按照老大的下載中間件的設置幫我下載一下這個request請求

下載器：好的！給你，這是下載好的東西。(如果失敗：sorry，這個request下載失敗了。然后引擎告訴調度器，這個request下載失敗了，你記錄一下，我們待會兒再下載)

引擎：Hi！Spider，這是下載好的東西，并且已經按照老大的下載中間件處理過了，你自己處理一下(注意！這兒responses默認是交給def parse()這個函數處理的)

Spider：(處理完畢數據之后對于需要跟進的URL)，Hi！引擎，我這里有兩個結果，這個是我需要跟進的URL，還有這個是我獲取到的Item數據。

引擎：Hi ！管道 我這兒有個item你幫我處理一下！調度器！這是需要跟進URL你幫我處理下。然后從第四步開始循環，直到獲取完老大需要全部信息。

管道``調度器：好的，現在就做！

4.5制作Scrapy爬蟲4步曲

1新建爬蟲項目scrapy startproject mySpider2明確目標 (編寫items.py)打開mySpider目錄下的items.py3制作爬蟲 (spiders/xxspider.py)scrapy genspider gushi365 "gushi365.com"4存儲內容 (pipelines.py)設計管道存儲爬取內容

五、常用工具

5.1fidder

fidder是一款抓包工具，主要用于手機抓包。

5.2XPath Helper

xpath helper插件是一款免費的chrome爬蟲網頁解析工具。可以幫助用戶解決在獲取xpath路徑時無法正常定位等問題。

谷歌瀏覽器插件xpath helper 的安裝和使用：

06

六、分布式爬蟲

6.1scrapy-redis

Scrapy-redis是為了更方便地實現Scrapy分布式爬取，而提供了一些以redis為基礎的組件(pip install scrapy-redis)

6.2分布式策略

Master端(核心服務器) ：搭建一個Redis數據庫，不負責爬取，只負責url指紋判重、Request的分配，以及數據的存儲

Slaver端(爬蟲程序執行端) ：負責執行爬蟲程序，運行過程中提交新的Request給Master

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python爬取网页数据软件_python爬虫入门10分钟爬取一个网站的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。