我与Python网络爬虫的第一次接触

桃扇骨 2022-05-26 10:36 176阅读 0赞

学习于：

> 崔庆才\_Python3.6网络爬虫实战视频教程：[https://www.bilibili.com/video/av19057145/?p=2][https_www.bilibili.com_video_av19057145_p_2]
> 
> 崔庆才《Python3网络爬虫开发实战》：[https://germey.gitbooks.io/python3webspider/content/][https_germey.gitbooks.io_python3webspider_content]

### 爬虫基础及实战 ###

1、环境配置：

*  Python3+Pip环境安装
    
    > 进行爬虫工作，如果只是单纯安装 Python 还好，到后面要安装一些解析库等等就比较麻烦，推荐安装 Anaconda 来管理你的安装环境和各种工具包。Anaconda 是专注于数据分析的 Python 发行版本，包含了 conda、Python 等190多个科学包及其依赖项。
 *  MongoDB 安装：非关系数据库，key-value 存储。再安装可视化界面软件，安装 [Robomongo][] ，查看 MongoDB 数据库内容。详解介绍：[MongoDB简介][MongoDB]
    
    > MongoDB 是由C++语言编写的，是一个基于分布式文件存储的开源数据库系统。
    > 
    > 在高负载的情况下，添加更多的节点，可以保证服务器性能。
    > 
    > MongoDB 旨在为WEB应用提供可扩展的高性能数据存储解决方案。
    > 
    > MongoDB 将数据存储为一个文档，数据结构由键值(key=>value)对组成。MongoDB 文档类似于 JSON 对象。字段值可以包含其他文档，数组及文档数组。
 *  Redis 安装：非关系数据库，key-value 存储。再安装可视化界面软件，安装 redis-desktop，查看 Redis 数据库内容。详细介绍：[Redis简介][Redis]
 *  MySQL 安装：关系型数据库。
 *  爬虫常用库的安装：
    
     *  请求库：Python内置库 urllib、第三方 requests 库、selenium 库（支持浏览器驱动，自动化测试）
     *  解析库：Python 内置库 re、lxml、beautifulsoup（依赖于 lxml 库，请先安装 lxml 库）、pyquery、
     *  存储库&其他：pymysql、pymongo、redis、flask、django、jupyter

Requests 的安装：

> 由于 Requests 属于第三方库，也就是 Python 默认不会自带这个库，需要我们手动去安装。在命令行下输入 `pip3 install requests` 即可安装。

Selenium 的安装：

> Selenium 是什么？一句话，自动化测试工具。它支持各种浏览器，包括 Chrome，Safari，Firefox 等主流界面式浏览器，如果你在这些浏览器里面安装一个 Selenium 的插件，那么便可以方便地实现 Web 界面的测试。换句话说叫 Selenium 支持这些浏览器驱动。
> 
> 我们在请求网页的时候，很多网页可能是 JS 渲染后的数据，我们怎么获取这些渲染后的数据呢，可以使用 Selenium 可以得到渲染后页面。

ChromeDriver 的安装：

> 安装好了 Selenium 库，但是它是一个自动化测试工具，需要浏览器来配合它使用。
> 
> 我们需要安装一个 ChromeDriver 才能驱动 Chrome 浏览器完成相应的操作，在这介绍下 Chrome 浏览器及 ChromeDriver 驱动的配置，先下载 Chrome 浏览器，然后需要安装一个 ChromeDriver 才能驱动。ChromeDriver 参考网上教程，这里就不赘述了。如果想要实现 Selenium 驱动 Firefox 浏览器需要 GeckoDriver 的安装。

PhantomJS 的安装：

> 如果我们使用 Chrome 或 Firefox 进行网页抓取的话，每次抓取的时候，都会弹出一个浏览器，比较影响使用。这里介绍一个无界面浏览器，叫做 PhantomJS。
> 
> PhantomJS 是一个无界面的，可脚本编程的 WebKit 浏览器引擎。它原生支持多种 web 标准：DOM 操作，CSS 选择器，JSON，Canvas 以及 SVG。
> 
> Selenium 支持 PhantomJS，这样在运行的时候就不会再弹出一个浏览器了，而且其运行效率也是很高的，还支持各种参数配置，使用非常方便，下面我们就来了解一下 PhantomJS 的安装过程。

Aiohttp 的安装：

> 之前介绍的 Requests 库是一个阻塞式 HTTP 请求库，当我们发出一个请求后，程序会一直等待服务器的响应，直到得到响应后程序才会进行下一步的处理，其实这个过程是比较耗费资源的。如果程序可以在这个等待过程中做一些其他的事情，如进行请求的调度、响应的处理等等，那么爬取效率一定会大大提高。

LXML 的安装：

> LXML 是 Python 的一个解析库，支持 HTML 和 XML 的解析，支持 XPath 解析方式，而且解析效率非常高。

BeautifulSoup 的安装：

> BeautifulSoup 是 Python 的一个 HTML 或 XML 的解析库，我们可以用它来方便地从网页中提取数据，它拥有强大的 API 和多样的解析方式。
> 
> BeautifulSoup 的 HTML 和 XML 解析器是依赖于 LXML 库的，所以在此之前请确保已经成功安装好了 LXML 库。

PyQuery 的安装：

> PyQuery 同样是一个强大的网页解析工具，它提供了和 jQuery 类似的语法来解析 HTML 文档，支持 CSS 选择器，使用非常方便。

PyMySQL 的安装：

> 在 Python3 中如果想要将数据存储到 MySQL 中就需要借助于 PyMySQL 来操作。Pip 安装方式：`pip3 install pymysql`

PyMongo 的安装：

> 在 Python 中如果想要和 MongoDB 进行交互就需要借助于 PyMongo 库。Pip 安装方式：`pip3 install pymongo`

RedisPy 的安装：

> 对于 Redis 来说，我们要使用 RedisPy 库来与其交互。Pip 安装方式：`pip3 install redis`

Flask 的安装：

> Flask 是一个轻量级的 Web 服务程序，简单、易用、灵活，在本书中我们主要用它来做一些 API 服务。Pip 安装方式：`pip3 install flask`

Django 的安装：

> Django 是一个 Web 服务框架，提供了完整的后台管理，提供了一些模板引擎、接口、路由啊。Pip 安装方式：`pip3 install django`

Jupyter 的安装：

> 相当于一个 notebook 记事本，但是这个记事本功能是比较强大的，它是运行在网页端，然后你可以在这个记事本里写代码，进行调试，也可以进行在线运行。Pip 安装方式：`pip3 install jupyter` 它的依赖库还是比较多的，安装过程需要耐心等待下。

如果一个一个安装嫌麻烦，可以执行下面这条命令直接安装所需库：`pip3 install requests selenium beautifulsoup4 pymysql pymongo redis flask django jupyter`

![E7_88_AC_E8_99_AB_E5_AE_89_E8_A3_85_E5_BA_93All.jpg][]

2、爬虫基础

什么是爬虫：**请求**网站并**提取**数据的**自动化**程序。

爬虫基本流程：

1.  发起请求：通过 HTTP 库向目标站点发起请求，即发送一个 Request，请求可以包含额外的 headers 等信息，等待服务器响应。
2.  获取响应内容：如果服务器能正常响应，会得到一个 Response，Response 的内容便是所要获取的页面内容，类型可能是 HTML、Json 字符串，二进制数据（如图片、视频）等类型。
3.  解析内容：得到的内容可能是 HTML，可以用正则表达式、网页解析库进行解析，可能是 Json，可以直接转为 Json 对象解析，可能是二进制数据，可以作为保存或者进一步处理。
4.  保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

Request 包含的内容：

*  请求方式：主要有 GET、POST 两种类型，另外还有 HEAD、PUT、DELETE、OPTIONS 等。
 *  请求 URL：URL 全称统一资源定位符，如一个网页文档、一张图片、一个视频等都可以用 URL 唯一确定。
 *  请求头：包含请求时的头部信息，如 User-Agent、Host、Cookies 等信息。
 *  请求体：请求时额外携带的数据，如表单提交时的表单数据。

Response 包含的内容：

*  响应状态：有多种响应状态，如 200 代表成功、301 代表跳转、404 找不到页面、502 服务器错误。
 *  响应头：如内容类型、内容长度、服务器信息、设置 Cookie 等等。
 *  响应体：最主要的部分，包含了请求资源的内容，如网页 HTML、图片二进制数据等。

能抓怎样的数据？

*  网页文本：如 HTML 文档、Json 格式文本等
 *  图片：获取到的是二进制文件，保存为图片格式
 *  视频：同为二进制文件，保存为视频格式即可
 *  其他：只要是能请求到的，都能获取

怎样解析？—》解析方式：

*  直接解析
 *  Json 解析
 *  正则表达式
 *  BeautifulSoup
 *  PyQuery
 *  XPath

为什么我抓到的和浏览器看到的不一样？—》因为有些数据是 JS 调用的后台接口再加载出来的。

怎样解决 JavaScript 渲染的问题？

*  分析 Ajax 请求
 *  Selenium / WebDriver 来驱动浏览器
 *  Splash ： 也是和 Selenium 一样，也是来模拟 JS 渲染的。
 *  PyV8、Ghost.py

怎样保存数据？

*  文本：纯文本、Json、XML 等
 *  关系型数据库：如 MySQL、Oracle、SQL Server 等具有结构化形式存储
 *  非关系型数据库：如 MongoDB、Redis 等 key-value 形式存储
 *  二进制文件：如图片、视频、音频等等直接保存成特定格式即可

### 爬虫框架及分布式爬取 ###

PySpider 框架：

> PySpider 是国人 binux 编写的强大的网络爬虫框架，它带有强大的 WebUI、脚本编辑器、任务监控器、项目管理器以及结果处理器，同时它支持多种数据库后端、多种消息队列，另外它还支持 JavaScript 渲染页面的爬取，使用起来非常方便，本节介绍一下它的安装过程。
> 
> PySpider 是支持 JavaScript 渲染的，而这个过程是依赖于 PhantomJS 的，所以还需要安装 PhantomJS，所以在安装之前请安装好 PhantomJS。Pip 安装：`pip3 install pyspider` 命令执行完毕即可完成安装。安装完成之后，可以直接在命令行下启动 PySpider：`pyspider all` 正常启动后，这时 PySpider 的 Web 服务就会在本地 5000 端口运行，直接在浏览器打开：[http://localhost:5000/][http_localhost_5000] 即可进入 PySpider 的 WebUI 管理页面。

Scrapy 框架：

> Scrapy 是一个十分强大的爬虫框架，依赖的库比较多，至少需要依赖库有 Twisted 14.0，lxml 3.4，pyOpenSSL 0.14。而在不同平台环境又各不相同，所以在安装之前最好确保把一些基本库安装好，尤其是 Windows。安装方式两种，① Anaconda 下的安装 ② Windows下的安装，具体的安装教程参考：[Scrapy的安装][Scrapy]

*  Windows 下直接安装：
    
    1.  wheel：`pip install wheel`
    2.  lxml：①使用 Pip 安装 `pip3 install lxml` ②也可以采用 Wheel 方式安装，推荐直接到这里下载对应的 Wheel 文件，链接为 [http://www.lfd.uci.edu/~gohlke/pythonlibs/\#lxml][http_www.lfd.uci.edu_gohlke_pythonlibs_lxml]>，找到本地安装 Python 版本和系统对应的 LXML 版本，再利用 Pip 安装即可
    3.  PyOpenssl：[https://pypi.python.org/pypi/pyOpenSSL\#downloads][https_pypi.python.org_pypi_pyOpenSSL_downloads] 下载 Wheel 文件利用 Pip 安装 即可
    4.  Twisted：到 [http://www.lfd.uci.edu/~gohlke/pythonlibs/\#twisted][http_www.lfd.uci.edu_gohlke_pythonlibs_twisted] 下载 Wheel 文件，利用 Pip 安装即可
    5.  Pywin32：从官方下载对应版本的安装包 [https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/][https_sourceforge.net_projects_pywin32_files_pywin32_Build_20221]>， 下载完毕之后双击安装即可
    6.  Scrapy：前面是一些依赖库的安装，完毕之后，再使用 Pip 安装 Scrap 框架 `pip3 install Scrapy`

PS：关于网络爬虫，除了上面还有很多需要学习，如部署分布式方式抓取数据、如何应对网站的反爬虫策略（如使用代理处理反爬）等等。

[https_www.bilibili.com_video_av19057145_p_2]: https://www.bilibili.com/video/av19057145/?p=2
[https_germey.gitbooks.io_python3webspider_content]: https://germey.gitbooks.io/python3webspider/content/
[Robomongo]: https://robomongo.org/download
[MongoDB]: http://www.runoob.com/mongodb/mongodb-intro.html
[Redis]: http://www.runoob.com/redis/redis-intro.html
[E7_88_AC_E8_99_AB_E5_AE_89_E8_A3_85_E5_BA_93All.jpg]: http://p35l3ejfq.bkt.clouddn.com/blog/%E7%88%AC%E8%99%AB%E5%AE%89%E8%A3%85%E5%BA%93All.jpg
[http_localhost_5000]: http://localhost:5000/
[Scrapy]: https://germey.gitbooks.io/python3webspider/content/1.8.2-Scrapy%E7%9A%84%E5%AE%89%E8%A3%85.html
[http_www.lfd.uci.edu_gohlke_pythonlibs_lxml]: http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
[https_pypi.python.org_pypi_pyOpenSSL_downloads]: https://pypi.python.org/pypi/pyOpenSSL#downloads
[http_www.lfd.uci.edu_gohlke_pythonlibs_twisted]: http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
[https_sourceforge.net_projects_pywin32_files_pywin32_Build_20221]: https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221/