佛性爬虫教程

佛性爬虫教程

1.爬虫的过程分析

　　当人类去访问一个网页时，是如何进行的？
　　①打开浏览器，输入要访问的网址，发起请求。
　　②等待服务器返回数据，通过浏览器加载网页。
　　③从网页中找到自己需要的数据（文本、图片、文件等等）。
　　④保存自己需要的数据。

　　对于爬虫，也是类似的。它模仿人类请求网页的过程，但是又稍有不同。
　　首先，对应于上面的①和②步骤，我们要利用python实现请求一个网页的功能。
　　其次，对应于上面的③步骤，我们要利用python实现解析请求到的网页的功能。
　　最后，对于上面的④步骤，我们要利用python实现保存数据的功能。
　　因为是讲一个简单的爬虫嘛，所以一些其他的复杂操作这里就不说了。下面，针对上面几个功能，逐一进行分析。

2.如何用python请求一个网页

　　作为一门拥有丰富类库的编程语言，利用python请求网页完全不在话下。这里推荐一个非常好用的第三方类库requests。

2.1 requests

2.1.1 安装方式

　　打开终端或者cmd，在里面输入以下指令并回车

pip install requests

　一般不会出什么问题，如果下载太慢，是因为pip使用的源服务器在国外，可以设置pip使用国内镜像源，设置方法可以参考PyPI使用国内源。

2.1.2 测试是否安装成功

　　在命令行中输入python，敲击回车，进入python交互环境。在里面输入以下代码并回车：

import requests

　如果不报错，就安装成功了，如下图：

 

2.2 使用requests请求网页

　　打开pycharm，在里面输入以下代码：

#coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
import requestsresp&#('') #请求百度首页
print resp #打印请求结果的状态码
t #打印请求到的网页源码

对上面的代码进行以下简单的分析：
　　我是用的是python2.7，第1行到第4行，都是为了将字符编码设置为utf8。
　　第5行：引入requests包。
　　第7行：使用requests类库，以get的方式请求网址，并将服务器返回的结果封装成一个对象，用变量resp来接收它。
　　第8行：一般可以根据状态码来判断是否请求成功，正常的状态码是200，异常状态码就很多了，比如404（找不到网页）、301（重定向）等。
　　第9行：打印网页的源码。注意，只是源码。不像是浏览器，在获取到源码之后，还会进一步地取请求源码中引用的图片等信息，如果有JS，浏览器还会执行JS，对页面显示的内容进行修改。使用requests进行请求，我们能够直接获取到的，只有最初始的网页源码。也正是因为这样，不加载图片、不执行JS等等，爬虫请求的速度会非常快。
　　代码很短吧？一行就完成了请求，可以，这很python。
　　现在，运行一下代码看看吧。

箭头指向的是状态码，可以看到，200，请求正常。
　　被圈起来是网页的源码。

3.如何用python解析网页源码

　　网页源码我们拿到了，接下来就是要解析了。python解析网页源码有很多种方法，比如BeautifulSoup、正则、pyquery、xpath等。这里我简单介绍一下。

3.1 网页源码解析器

3.1.1 BeautifulSoup

　　这是我比较推荐的一款解析器，简单易用，容易理解。
　　但是使用bs4还需要安装另一个类库lxml，用来代替bs4默认的解析器。之所以这样做，是因为默认的那个实在太慢了，换用了lxml后，可以大幅度提升解析速度。

3.1.1.1 安装

　　命令行中输入以下指令并回车，安装bs4：

pip install beautifulsoup4

3.1.1.2 测试是否安装成功

　　进入python交互环境，引用bs4和lxml类库，不报错即安装成功。

3.1.2 正则

　　这个不用安装，标准库里带的就有。
　　正则的优点：①速度快 ②能够提取有些解析器提取不到的数据
　　正则的缺点：①不够直观，很难从面向对象的角度来考虑数据的提取 ②你得会写正则表达式
　　教程就不放了，善用百度嘛。正则一般用来满足特殊需求、以及提取其他解析器提取不到的数据，正常情况下我会用bs4，bs4无法满足就用正则。
　　当然了，如果你喜欢，全部用正则解析也是没问题的，你喜欢就好= =。

3.1.3 pyquery

　　这个解析器的语法和jQuery很相似，所以写过jQuery的同学用起来可能比较容易上手。国内有个dalao写的爬虫框架pyspider用的就是这个解析器。
　　如果没用过jQuery，那就在bs4和pyquery两个里面选一个学吧，一般情况下会一个就够了。

3.1.3.1 安装

pip install pyquery

3.1.3.2 测试

import pyquery

3.2 使用BeautifulSoup+lxml解析网页源码

　　接着上面的代码来，我们使用BeautifulSoup+lxml解析请求到的网页源码。
　　从百度的首页，可以通过点击跳转到很多其他页面，比如说下面圈起来的，点击都会跳转到新的页面：

 现在，我们想要用python获得从百度能够跳转到的页面的链接，该怎么做？
　　代码很简单，接着上面的写：

#coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoupresp&#('') #请求百度首页
print resp #打印请求结果的状态码
t #打印请求到的网页源码bsobj=t,'lxml') #将网页源码构造成BeautifulSoup对象，方便操作
a_list=bsobj.find_all('a') #获取网页中的所有a标签对象
for a in a_list:('href') #打印a标签对象的href属性，即这个对象指向的链接地址

 首先，第6行，引入我们解析时要使用的类库，beautifulsoup4。
　　第12行，将网页的源码转化成了BeautifulSoup的对象，这样我们可以向操作DOM模型类似地去操作它。
　　第13行，从这个BeautifulSoup对象中，获取所有的a标签对象（大家应该知道a标签对象是什么吧，网页中的链接绝大多数都是a对象实现的），将他们组成一个列表，也就是a_list。
　　第14、15行，遍历这个列表，对于列表中的每一个a标签对象，获取它的属性href的值（href属性记录一个a标签指向的链接地址）。获取一个标签对象的属性，可以使用get（’xx’）方法，比如a_tag是一个a标签对象，获取它的href的值，就是('href')，获取它的class信息可以用('class')，这将返回一个修饰该标签的class列表。
　　运行一下，可以看到，打印出了很多链接。

 

　这是个简单的例子，介绍如何开始一个简单爬虫，不涉及复杂操作（复杂的后面会上小项目，会介绍）。关于beautifulsoup的详细用法，请自行百度。

3.3 简单的保存数据的方法

　　保存数据的方法大概可以分为几类：保存文本、保存二进制文件（包括图片）、保存到数据库。保存二进制文件和保存到数据库后面会具体说，这里简单讲一下怎么保存到文本。
　　python里面操作文本相当的简单。现在，我将刚才提取出来的链接保存到一个名称为<的文本里面去，将上面的代码稍作修改。

#coding=utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoupresp&#('') #请求百度首页
print resp #打印请求结果的状态码
t #打印请求到的网页源码bsobj=t,'lxml') #将网页源码构造成BeautifulSoup对象，方便操作
a_list=bsobj.find_all('a') #获取网页中的所有a标签对象
text='' # 创建一个空字符串
for a in a_list:href&#('href') #获取a标签对象的href属性，即这个对象指向的链接地址text+=href+'n' #加入到字符串中，并换行
with open(&#','w') as f: #在当前路径下，以写的方式打开一个名为&#'，如果不存在则创建f.write(text) #将text里的数据写入到文本中

 代码中注释写得很清楚了，就不多做解释了。值得一提的是，使用with…as…来打开文件，在操作完成后，会自动关闭文件，不用担心忘记关闭文件了，超级好用啊！
　　运行一下代码，可以发现，当前路径下多了个名为<的文件。

 　打开后，能够看到我们刚才提取出来的url。

 未完待续。。。