一 、简单爬虫架构：

爬虫调度端：启动爬虫，停止爬虫，监视爬虫运行情况
URL管理器：对将要爬取的和已经爬取过的URL进行管理；可取出带爬取的URL，将其传送给“网页下载器”
网页下载器：将URL指定的网页下载，存储成一个字符串，在传送给“网页解析器”
网页解析器：解析网页可解析出 ①有价值的数据 ②另一方面，每个网页都包含有指向其他网页的URL，解析出来后可补充进“URL管理器”，不断循环。

二、简单爬虫架构的动态运行流程

三、爬虫URL管理

URL管理器：管理待抓取URL集合和已抓取URL集合 防止重复抓取。

url: 添加新url到爬取集合中, 判断待添加url是否在容器中, 判断是否还有待爬取的url, 获取待爬取url, 将url从待爬移动到已爬

四、爬虫URL管理器的实现方式

URL管理器的三种实现方式：内存、关系数据库、缓存数据库

存放在内存中是利用set()集合，可以去除重复元素，利用MySQL里的is_crawled参数是用来标记已爬取还是未爬取，redis数据库同样利用set集合。

五、爬虫网页下载器

Python网页下载器有：
1）urllib2 (Python官方基础模块)python 3.x中urllib库和urilib2库合并为urllib库。

2）requests （第三方包，更强大）

爬虫urlib2下载器网页的三种方法：

方法一：直接将url传送给urllib2模块的urlopen()方法

方法二：共享处理，添加data、http header

可以将url,data,header三个参数传送给urllib2的Request类，生成Resquest对象，再将Resquest对象作为参数传递给urlopen()方法来发送网页请求

方法三：添加特殊情景的处理器

有些网页需要用户登录才能访问，此时需要添加cookie的处理,则使用HTTPCookieProcessor进行处理

有些网页需要代理才能访问，则使用ProxyHandler进行处理

有些网页使用的是HTTPS协议加密访问的，则使用HTTPSHandler进行处理

还有些网页中的url存在相互的自动的跳转关系，则使用HTTPRedirectHandler进行处理

可将这些handler传送给build_opener()方法生成一个opener对象，然后给urlib2安装该opener，再利用urlopen()方法发送网页请求，实现网页的下载

例：增强cookie的处理

 六、网页下载器urllib2三种方法实例代码

方法一：

import urllib2
# -*- coding: utf-8 -*-
#第一种方法
url = 'http://www.baidu.com'
response1 = urllib2.urlopen(url)
print response1.getcode()       #打印一下状态码，确定请求是否成功
print len(response1.read())     #打印返回的网页内容的长度

方法二：

# -*- coding: utf-8 -*-
import urllib2

url = 'http://www.baidu.com'
request = urllib2.Request(url)
request.add_header("user-agent","Mozilla/5.0") #为request对象添加了http头信息，并将爬虫伪装成了Mozilla浏览器
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())

 方法三：

先创建一个cookie容器为cj，

然后创建一个opener,是以容器作为参数通过urllib2.HTTPCookieProcessor()方法创建一个handler，再传给build_opener()方法实现，

为urllib2安装opener，此时urllib2就具有了cookie处理的增强能力，

最后然后就使用urlopen()方法访问正常的url

最后即可打印出cookie的内容和网页的内容

import urllib2
import cookielib

url = 'http://www.baidu.com'
cj = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print cj
print response3.read()

七、爬虫网页解析器

网页解析器：从网页中提取有价值数据的工具

python四种网页解析方式：
模糊匹配：
1.正则表达式(最直观的一种方式，将网页或文档看成是一个字符串，以模糊匹配的方式提取出有价值的数据，但如果文档比较复杂时此方式非常麻烦)
结构化解析：（即将整个网页加载成一个DOM树，以树的形式来进行上下级的遍历和访问）
2.html.parser;（Python的模块）
3.BeautifulSoup,（第三方插件，同时可以使用html.parser和lxml作为解析器）

4.lxml;（第三方插件，可解析html网页或xml网页）

八、使用BeautifulSoup4

BeautifulSoup是Python的第三方库，用于从HTML或XML中提取数据

安装BeautifulSoup4：

1）打开cmd命令窗口

2）进入Python的安装目录下的Scripts

cd C:\Python27\Scripts

3) 输入dir，显示pip.exe已安装

4）输入pip install beautifulsoup4，即可安装beautifulsoup4

 BeautifulSoup的语法：

1）根据已下载好的html网页创建一个beautifulsoup对象，创建该对象的同时就已将整个文档加载成一个DOM树，

2)然后根据此DOM就可对节点进行搜索，搜索节点有两个方法：

find_all方法和find方法，两个方法的参数相同，find_all方法会搜索出所有满足要求的节点，find方法只会搜索出第一个满足要求的节点，

在搜索节点时，可按照节点的名称，属性或文字进行搜索。

3)得到了节点之后，就可以访问节点的名称、属性和内容文字。

例：可使用三种方式对下面a链接进行搜索和访问

代码如下：

1.创建BeautifulSoup对象并同时加载好了DOM树

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
#根据HTML网页字符串创建BeautifulSoup对象
soup = BeautifulSoup(
                    html_doc,              #HTML文档字符串，指利用网页下载器下载好的html文件或者是存在本地的html文件，是要提前赋值的
                    'html.parser',          #HTML解析器
                    from_encoding = 'utf-8' #HTML文档的编码
                    )

2.搜索节点(find_all,find)

#方法：find_all(name,attrs,string)

#查找所有标签为a的节点
soup.find_all('a')

#查找所有标签为a，链接符合/view/123.htm形式的节点
soup.find_all('a',href='/view/123.htm')
soup.find_all('a',href=re.compile(r'/view/\d+\.htm')) #可以使用正则表达式进行匹配

#查找所有标签为div，class为abc，文字为Python的节点
soup.find_all('div',class_='abc',string='Python')  #因为class是Python的关键字，为了避免冲突使用class_

3.访问节点的信息

#例：得到节点<a href='1.html'>Python</a>

#获取查找到的节点的标签名称
node.name

#获取查找到的a节点的href属性
node['href']

#获取查找到的a节点的链接文字
node.get_text()

 BeautifulSoup实例演示:

# -*- coding: utf-8 -*-
import os
import re
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
print '获取所有的a链接:'
soup = BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')
links = soup.find_all('a')
for link in links:
    print link.name,link['href'],link.get_text()

print '获取lacie的链接:'
link_node1 = soup.find('a',href='http://example.com/lacie')
print link_node1.name,link_node1['href'],link_node1.get_text()

print '使用正则表达式匹配:'
link_node2 = soup.find('a',href=re.compile(r"ill"))
print link_node2.name,link_node2['href'],link_node2.get_text()

print '获取指定p段落的文字:'
p_node = soup.find('p',class_='title')
print p_node.name,p_node.get_text()

输出结果：

Python开发简单爬虫（一）的更多相关文章

  1. Python开发简单爬虫 - 慕课网

    课程链接:Python开发简单爬虫 环境搭建: Eclipse+PyDev配置搭建Python开发环境 Python入门基础教程 用Eclipse编写Python程序   课程目录 第1章 课程介绍 ...

  2. Python开发简单爬虫

    简单爬虫框架: 爬虫调度器 -> URL管理器 -> 网页下载器(urllib2) -> 网页解析器(BeautifulSoup) -> 价值数据 Demo1: # codin ...

  3. Python开发简单爬虫（二）---爬取百度百科页面数据

    一.开发爬虫的步骤 1.确定目标抓取策略: 打开目标页面,通过右键审查元素确定网页的url格式.数据格式.和网页编码形式. ①先看url的格式, F12观察一下链接的形式;② 再看目标文本信息的标签格 ...

  4. Python 开发轻量级爬虫05

    Python 开发轻量级爬虫 (imooc总结05--网页下载器) 介绍网页下载器 网页下载器是将互联网上url对应的网页下载到本地的工具.因为将网页下载到本地才能进行后续的分析处理,可以说网页下载器 ...

  5. Python 开发轻量级爬虫03

    Python 开发轻量级爬虫 (imooc总结03--简单的爬虫架构) 现在来看一下一个简单的爬虫架构. 要实现一个简单的爬虫,有哪些方面需要考虑呢? 首先需要一个爬虫调度端,来启动爬虫.停止爬虫.监 ...

  6. Python 开发轻量级爬虫01

    Python 开发轻量级爬虫 (imooc总结01--课程目标) 课程目标:掌握开发轻量级爬虫 为什么说是轻量级的呢?因为一个复杂的爬虫需要考虑的问题场景非常多,比如有些网页需要用户登录了以后才能够访 ...

  7. Python 开发轻量级爬虫08

    Python 开发轻量级爬虫 (imooc总结08--爬虫实例--分析目标) 怎么开发一个爬虫?开发一个爬虫包含哪些步骤呢? 1.确定要抓取得目标,即抓取哪些网站的哪些网页的哪部分数据. 本实例确定抓 ...

  8. Python 开发轻量级爬虫07

    Python 开发轻量级爬虫 (imooc总结07--网页解析器BeautifulSoup) BeautifulSoup下载和安装 使用pip install 安装:在命令行cmd之后输入,pip i ...

  9. Python 开发轻量级爬虫06

    Python 开发轻量级爬虫 (imooc总结06--网页解析器) 介绍网页解析器 将互联网的网页获取到本地以后,我们需要对它们进行解析才能够提取出我们需要的内容. 也就是说网页解析器是从网页中提取有 ...

随机推荐

  1. jsp中的request.setAttribute的使用

    1.第一个jsp页面 <form id="form1" method="post" action="first.jsp"> &l ...

  2. 【Javascript语言精粹】笔记摘要

    现在大部分编译语言中都流行要求强类型.其原理在于强类型允许编译器在编译时检测错误.我们能越早检测和修复错误,付出的代价越小.Javascript是一门弱类型的语言,所以Javascript编译器不能检 ...

  3. jQuery中易混淆知识点总结（持续更新）

    find()与children() <body> <ul class="level-1"> <li class="item-i"& ...

  4. R语言学习路线和常用数据挖掘包（转）

    对于初学R语言的人,最常见的方式是:遇到不会的地方,就跑到论坛上吼一嗓子,然后欣然or悲伤的离去,一直到遇到下一个问题再回来.当然,这不是最好的学习方式,最好的方式是——看书.目前,市面上介绍R语言的 ...

  5. Redis数据类型之Hash（二）

    前言: Redis hash是一个String类型的field和value的映射表.添加.删除操作复杂度平均为O(1),为什么是平均呢?因为Hash的内部结构包含zipmap和hash两种.hash特 ...

  6. 【Windows 10 应用开发】如何防止应用程序被截屏

    今天老周只想跟大伙们分享一个小技巧,是的,小小的技巧,很简单,保证你能学会的,要是学不会,可以考虑跳泰山. 有些时候,我们可能会想到不要让应用程序界面上显示的内容被截屏,要阻止应用界面呈现在截图上,可 ...

  7. Java之【线程通信】--标志位练习

    * 写两个线程,一个线程打印1-52,另一个线程答应字母A-Z. * 打印顺序为12A34B56C--5152Z.通过使用线程之间的通信协调关系. 注:分别给两个对象构造一个对象o,数字每打印两个或字 ...

  8. HashMap集合

    HashMap集合特点(用法与特点类似于HashSet集合): 1.无序,不允许重复(无序指元素顺序与添加顺序不一致): 2.底层数据结构是哈希表 3.HashMap内部对"键"用 ...

  9. Webpack新手入门教程(学习笔记)

    p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; text-align: center; font: 30.0px Helvetica; color: #000000 } ...

  10. ActiveMQ 学习第二弹

    经历了昨天的初识 ActiveMQ,正好今天下班有点事耽搁了还没法回家,那就再学习会 ActiveMQ 吧!现在官网的文档没啥好看的了,毕竟是入门学习,太深奥的东西也理解不了.然后看官网上有推荐书籍& ...