一、基礎(chǔ)入門

1.1什么是爬蟲

爬蟲(spider，又網(wǎng)絡(luò)爬蟲)，是指向網(wǎng)站/網(wǎng)絡(luò)發(fā)起請求，獲取資源后分析并提取有用數(shù)據(jù)的程序。

從技術(shù)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(shù)據(jù)/二進制數(shù)據(jù)（圖片、視頻） 爬到本地，進而提取自己需要的數(shù)據(jù)，存放起來使用。

想要學(xué)習(xí)Python又缺少系統(tǒng)化學(xué)習(xí)方案的朋友可以關(guān)注并私信“01”免費領(lǐng)取系統(tǒng)化的Python學(xué)習(xí)資料...愿大家都能在編程這條路，越走越遠。

1.2爬蟲基本流程

用戶獲取網(wǎng)絡(luò)數(shù)據(jù)的方式：

方式1：瀏覽器提交請求--->下載網(wǎng)頁代碼--->解析成頁面

方式2：模擬瀏覽器發(fā)送請求(獲取網(wǎng)頁代碼)->提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫或文件中

爬蟲要做的就是方式2。

1

發(fā)起請求

使用http庫向目標(biāo)站點發(fā)起請求，即發(fā)送一個Request

Request包含：請求頭、請求體等

Request模塊缺陷：不能執(zhí)行JS 和CSS 代碼

2

獲取響應(yīng)內(nèi)容

如果服務(wù)器能正常響應(yīng)，則會得到一個Response

Response包含：html，json，圖片，視頻等

3

解析內(nèi)容

解析html數(shù)據(jù)：正則表達式（RE模塊）、xpath（主要使用）、beautiful soup、css

解析json數(shù)據(jù)：json模塊

解析二進制數(shù)據(jù):以wb的方式寫入文件

4

保存數(shù)據(jù)

數(shù)據(jù)庫（MySQL，Mongdb、Redis）或 文件的形式。

1.3http協(xié)議 請求與響應(yīng)

http協(xié)議

Request：用戶將自己的信息通過瀏覽器（socket client）發(fā)送給服務(wù)器（socket server）

Response：服務(wù)器接收請求，分析用戶發(fā)來的請求信息，然后返回數(shù)據(jù)（返回的數(shù)據(jù)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(nèi)容來顯示給用戶，而爬蟲程序在模擬瀏覽器發(fā)送請求然后接收Response后，是要提取其中的有用數(shù)據(jù)。

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(tǒng)一資源定位符，用來定義互聯(lián)網(wǎng)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(wù)端可能將你當(dāng)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(shù)：

• Referrer：訪問源至哪里來（一些大型網(wǎng)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(dāng)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(nèi)容 （get請求的請求體放在 url后面參數(shù)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(nèi) 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(zhuǎn)，無法捕捉到post

1.3.2

response

（1）響應(yīng)狀態(tài)碼

• 200：代表成功
• 301：代表跳轉(zhuǎn)
• 404：文件不存在
• 403：無權(quán)限訪問
• 502：服務(wù)器錯誤

（2）response header

響應(yīng)頭需要注意的參數(shù)：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(wǎng)頁源代碼

json數(shù)據(jù)

如網(wǎng)頁html，圖片

二進制數(shù)據(jù)等

02

二、基礎(chǔ)模塊

2.1requests

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

開源地址：

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(nèi)置的 re 模塊來使用正則表達式。

缺點：處理數(shù)據(jù)不穩(wěn)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(nèi)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(shù)據(jù)。

lxml和正則一樣，也是用 C 實現(xiàn)的，是一款高性能的 Python HTML/XML 解析器，我們可以利用之前學(xué)習(xí)的XPath語法，來快速的定位特定元素以及節(jié)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(shù)據(jù)。

使用BeautifulSoup需要導(dǎo)入bs4庫

缺點：相對正則和xpath處理速度慢

優(yōu)點：使用簡單

2.5Json

JSON(JavaScript Object Notation) 是一種輕量級的數(shù)據(jù)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(shù)據(jù)交互的場景，比如網(wǎng)站前臺與后臺之間的數(shù)據(jù)交互。

在python中主要使用 json 模塊來處理 json數(shù)據(jù)。Json解析網(wǎng)站：

2.6threading

使用threading模塊創(chuàng)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(shù)據(jù)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(xiàn)一個為了爬取網(wǎng)站數(shù)據(jù)、提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)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(wǎng)絡(luò)框架來處理網(wǎng)絡(luò)通訊，可以加快我們的下載速度，不用自己去實現(xiàn)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(gòu)圖

4.3Scrapy主要組件

• Scrapy Engine(引擎): 負責(zé)Spider、ItemPipeline、Downloader、Scheduler中間的通訊，信號、數(shù)據(jù)傳遞等。
• Scheduler(調(diào)度器): 它負責(zé)接受引擎發(fā)送過來的Request請求，并按照一定的方式進行整理排列，入隊，當(dāng)引擎需要時，交還給引擎。
• Downloader（下載器）：負責(zé)下載Scrapy Engine(引擎)發(fā)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(zé)處理所有Responses,從中分析提取數(shù)據(jù)，獲取Item字段需要的數(shù)據(jù)，并將需要跟進的URL提交給引擎，再次進入Scheduler(調(diào)度器)，
• Item Pipeline(管道)：它負責(zé)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(dāng)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

1. 引擎：Hi！Spider, 你要處理哪一個網(wǎng)站？
2. Spider：老大要我處理xxxx.com。
3. 引擎：你把第一個需要處理的URL給我吧。
4. Spider：給你，第一個URL是xxxxxxx.com。
5. 引擎：Hi！調(diào)度器，我這有request請求你幫我排序入隊一下。
6. 調(diào)度器：好的，正在處理你等一下。
7. 引擎：Hi！調(diào)度器，把你處理好的request請求給我。
8. 調(diào)度器：給你，這是我處理好的request
9. 引擎：Hi！下載器，你按照老大的下載中間件的設(shè)置幫我下載一下這個request請求
10. 下載器：好的！給你，這是下載好的東西。（如果失?。簊orry，這個request下載失敗了。然后引擎告訴調(diào)度器，這個request下載失敗了，你記錄一下，我們待會兒再下載）
11. 引擎：Hi！Spider，這是下載好的東西，并且已經(jīng)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(shù)處理的）
12. Spider：（處理完畢數(shù)據(jù)之后對于需要跟進的URL），Hi！引擎，我這里有兩個結(jié)果，這個是我需要跟進的URL，還有這個是我獲取到的Item數(shù)據(jù)。
13. 引擎：Hi ！管道 我這兒有個item你幫我處理一下！調(diào)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(huán)，直到獲取完老大需要全部信息。
14. 管道``調(diào)度器：好的，現(xiàn)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(biāo) （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(nèi)容 （pipelines.py）設(shè)計管道存儲爬取內(nèi)容

05

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(wǎng)頁解析工具?？梢詭椭脩艚鉀Q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：

https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

06

六、分布式爬蟲

6.1scrapy-redis

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

6.2分布式策略

• Master端(核心服務(wù)器) ：搭建一個Redis數(shù)據(jù)庫，不負責(zé)爬取，只負責(zé)url指紋判重、Request的分配，以及數(shù)據(jù)的存儲
• Slaver端(爬蟲程序執(zhí)行端) ：負責(zé)執(zhí)行爬蟲程序，運行過程中提交新的Request給Master