Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

https://github.com/lining0806/pythonspidernotes

Python入门网络爬虫之精华版
https://github.com/lining0806/pythonspidernotes

captcha cookie python scrapy selenium wechat zhihu

Last synced: 3 months ago
JSON representation

Python入门网络爬虫之精华版

Lists

README 

        
# [Python入门网络爬虫之精华版](https://github.com/lining0806/PythonSpiderNotes)



*** 



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](http://scrapy.org/)，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](http://www.lining0806.com/category/spider/)  

***



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[http://www.lining0806.com/](http://www.lining0806.com/)，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：



* 查找域名对应的IP地址。

* 向IP对应的服务器发送请求。

* 服务器响应请求，发回网页内容。

* 浏览器解析网页内容。



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。



## 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](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。    



```

Requests：

	import requests

	response = requests.get(url)

	content = requests.get(url).content

	print "response headers:", response.headers

	print "content:", content

Urllib2：

	import urllib2

	response = urllib2.urlopen(url)

	content = urllib2.urlopen(url).read()

	print "response headers:", response.headers

	print "content:", content

Httplib2：

	import httplib2

	http = httplib2.Http()

	response_headers, content = http.request(url, 'GET')

	print "response headers:", response_headers

	print "content:", content

```  



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'}

Requests：data为dict，json

	import requests

	response = requests.get(url=url, params=data)

Urllib2：data为string

	import urllib, urllib2    

	data = urllib.urlencode(data)

	full_url = url+'?'+data

	response = urllib2.urlopen(full_url)

```



相关参考：[网易新闻排行榜抓取回顾](http://www.lining0806.com/%E7%BD%91%E6%98%93%E6%96%B0%E9%97%BB%E6%8E%92%E8%A1%8C%E6%A6%9C%E6%8A%93%E5%8F%96%E5%9B%9E%E9%A1%BE/)



参考项目：[网络爬虫之最基本的爬虫：爬取网易新闻排行榜](https://github.com/lining0806/PythonSpiderNotes/blob/master/NewsSpider)



### 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'}

Requests：data为dict，json

	import requests

	response = requests.post(url=url, data=data)

Urllib2：data为string

	import urllib, urllib2    

	data = urllib.urlencode(data)

	req = urllib2.Request(url=url, data=data)

	response = urllib2.urlopen(req)

```  



**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			

requests_session = requests.session() 

response = requests_session.post(url=url_login, data=data) 

```



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)

response1 = requests.get(url_login) # 未登陆

response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！

response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！

```



相关参考：[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/)  



参考项目：[网络爬虫之用户名密码及验证码登陆：爬取知乎网站](https://github.com/lining0806/PythonSpiderNotes/blob/master/ZhihuSpider)  



### 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'}

Requests：

	import requests

	response = requests.get(url=url, proxies=proxies)

Urllib2：

	import urllib2

	proxy_support = urllib2.ProxyHandler(proxies)

	opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)

	urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象

	response = urllib2.urlopen(url)

```



**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

time.sleep(1)

```



**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

headers = {'Referer':'XXXXX'}

headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}

Requests：

	response = requests.get(url=url, headers=headers)

Urllib2：

	import urllib, urllib2   

	req = urllib2.Request(url=url, headers=headers)

	response = urllib2.urlopen(req)

```



### 4. 对于断线重连  



不多说。



```

def multi_session(session, *arg):

	retryTimes = 20

	while retryTimes>0:

		try:

			return session.post(*arg)

		except:

			print '.',

			retryTimes -= 1

```



或者  



```

def multi_open(opener, *arg):

	retryTimes = 20

	while retryTimes>0:

		try:

			return opener.open(*arg)

		except:

			print '.',

			retryTimes -= 1

```



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  



这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行并行抓取的实验对比：[Python多进程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Python) 与 [Java单线程和多线程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Java)  



相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/)  



### 6. 对于Ajax请求的处理  



对于“加载更多”情况，使用Ajax来传输很多数据。



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。  



* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。  

* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。  



### 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](http://flight.qunar.com/)的票价信息的代码。



参考项目：[网络爬虫之Selenium使用代理登陆：爬取去哪儿网站](https://github.com/lining0806/PythonSpiderNotes/blob/master/QunarSpider) 



### 8. 验证码识别  



对于网站有验证码的情况，我们有三种办法：  



* 使用代理，更新IP。

* 使用cookie登陆。

* 验证码识别。



使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。  



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。  



参考项目：[验证码识别项目第一版：Captcha1](https://github.com/lining0806/PythonSpiderNotes/blob/master/Captcha1)



**爬取有两个需要注意的问题：**



* 如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？

* 对于海量数据，如何实现分布式爬取？



## 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](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)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](http://www.mysql.com/)或[MongoDB](https://www.mongodb.org/)数据库等。  



**存储有两个需要注意的问题：**



* 如何进行网页去重？

* 内容以什么形式存储？



## 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。  



相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)，同时给出这篇文章介绍的[微信搜索](http://weixin.sogou.com/weixin)爬取的项目代码，给大家作为学习参考。



参考项目：[使用Scrapy或Requests递归抓取微信搜索结果](https://github.com/lining0806/PythonSpiderNotes/blob/master/WechatSearchProjects)



## 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 https://www.taobao.com/robots.txt ），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



	User-agent: 指定对哪些爬虫生效

	Disallow: 指定不允许访问的网址

	Allow: 指定允许访问的网址



注意: 一个英文要大写，冒号是英文状态下，冒号后面有一个空格，"/"代表整个网站



### 2. Robots协议举例



	禁止所有机器人访问

		User-agent: *

		Disallow: /

	允许所有机器人访问

		User-agent: *

		Disallow: 

	禁止特定机器人访问

		User-agent: BadBot

		Disallow: /

	允许特定机器人访问

		User-agent: GoodBot

		Disallow: 

	禁止访问特定目录

		User-agent: *

		Disallow: /images/

	仅允许访问特定目录

		User-agent: *

		Allow: /images/

		Disallow: /

	禁止访问特定文件

		User-agent: *

		Disallow: /*.html$

	仅允许访问特定文件

		User-agent: *

		Allow: /*.html$

		Disallow: /