Python高阶爬虫实战分析_python3 高级爬虫分析

一、获取内容

说爬虫一定要先说爬取内容的方法，python有这么几个支持爬虫的库，一个是urllib和它的后续版本库，这个库做爬取的时候生成的中继对象是比较多的，楼主也记不大住都有什么，而且这个库的使用在楼主看来有些过时了。更加建议做爬取的时候使用requests库（ps：不是request）

 

使用urllib：

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

---

使用requests

r = requests.get(url)

---

对于获取到的内容，有以下方法进行处理：

1、使用正则表达式匹配。

 

2、使用BeautifulSoup对爬取内容标签对象化。

 

3、通过构造节点树使用Xpath获取元素。

 

第一种方法胜在直接，效率高而且不需要安装三方库。第二种方法胜在简单，标签对象化后不需要写复杂的正则表达式，而且提取标签更加方便。第三种方法胜在灵活，获取内容更加灵活，就是语法有点多，不熟的话可以对着Xpath语法文档写。

 

使用正则表达式匹配：

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

---

使用BeautifulSoup对爬取内容标签对象化：

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

---

关于BeautifulSoup的安装请自行百度，没记错的话直接pip是可行的。

 

通过构造节点树使用Xpath获取元素：

selector=etree.HTML(html)

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

---

至此，爬取的基本内容就叙述完毕了，这里给出的是最简单的范例，如果想深入了解某种方法，建议去查询更详细的技术文档。

 

二、伪造表单请求头

很多网站上的数据爬取比较简单，只需要直接request那个网址就可以，很多小型网站都是这样。面对这样的网站数据，只需要花个几分钟随便写几行代码，就能爬到我们想要的数据。

但是想要爬取稍微大型一些的网站数据，就不会这么容易了。这些网站的服务器，会分析收到的每一条request，来判断该请求是否为用户操作。这种技术，我们把它称为反爬技术。常见的反爬技术，楼主知道的有上面所述的分析请求，还有验证码技术。对于这两种情况，我们在构造爬虫程序的时候就需要稍微费点力气了。

先来介绍第一种的应对方法。首先我们要知道一条request的组成部分，不同网站的request格式可能会有点不同。对于这一点，我们可以通过浏览器的开发者工具，抓到一个网站的请求数据格式。

此为使用谷歌浏览器抓取的请求信息。

我们可以看到request headers的格式，所以在访问这样的网站的时候，我们就不能忘了在postdata中放上一条伪造的headers。

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

---

其中referer键对应的值是要访问的网址。

 

某些网站还会需要有cookie的用户验证，我们可以通过调用

requests.Session().cookies

---

来获得它。

 

如果在爬虫中需要提交某些信息的话，还要构造一下postdata的数据。比如这样：

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

---

三、关于多网页的爬取

如果网页地址有规律，那么构造url用个循环函数就好，对于网页地址中包含随机码的时候，通常就是先爬取根页面，获取到所有想爬取的子页面url，把这些url放进一个url池（项目小是一维的列表，项目大的时候可能会是高维的列表）里，循环爬取。

 

而比较高效的方式是使用多线程技术，demo有点长只贴关键部分。

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)

---

开两个线程，一个爬取url放进url池，一个从url池里获取url然后爬取内容，再开一个线程监控两个线程，如果两个线程运行完毕，结束主线程。

 

python的多线程机制底层做的其实不好，理由不多讲。另，多线程具体操作很多就不展开讲了。

四、关于使用代理ip

很多网站会有ip检测机制，当同一ip以人力无法做到的速度多次访问网站时，通常就会触发这种机制。

 

代理ip的话，通常通过爬取一些开源ip网站发布的ip构建ip代理池，比如西刺、蘑菇等。这样的一些网站，直接百度代理ip就能找到。然后，使用Flask+Redis维护代理池。这部分详细说明也比较长，就不细说了。也不是爬虫必要的东西。另，自己有服务器的也可以使用SSR的翻墙工具，不过搭建不是楼主亲手做的，所以就不详细说明了。

五、关于selenium模仿浏览器操作

关于selenium主要介绍以下几点：

 

1、selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。

 

2、Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

 

3、selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

 

4、用python写爬虫的时候，主要用的是selenium的Webdriver。

 

这些是某说明文档的内容，能看懂就看，看不懂就看楼主的简单版：

 

selenium的话主要用于模仿浏览器操作，比如向文本框中赋值，点击按钮等。配合高效率浏览器的话也是实现爬虫的一个比较好的方法。优点是通过模拟浏览器操作，不易被反爬检测。缺点是效率低下，非常不适合大型爬虫，小作坊自己玩玩就好。

六、关于Scrapy框架

 

这又是一块非常非常庞大的内容，很多技术一旦牵扯上框架就麻烦了。当然学会了的话，做大型项目就简单多了。重点就是框架一般针对比较大型的系统去做，所以其管理和操作会比较麻烦，内部的一些机制也不是很好说明。这一块的话如果以后有时间就单独写一篇文章详细介绍，毕竟从原理到搭建到配置到使用，内容太多。

七、关于验证码处理

对于处理验证码的话，目前简单点的是直接使用PIL（pillow）做图像处理，然后使用Tesseract直接识别。