建站
咨詢
售后
建站咨詢
新聞中心
“爬蟲”是一種形象的說法?；ヂ?lián)網(wǎng)比喻成一張大網(wǎng)，爬蟲是一個(gè)程序或腳本在這種大網(wǎng)上爬走。碰到蟲子（資源），若是所需的資源就獲取或下載下來。這個(gè)資源通常是網(wǎng)頁、文件等等?？梢酝ㄟ^該資源里面的url鏈接，順藤摸瓜繼續(xù)爬取這些鏈接的資源，在本篇文章中為大家講解一下爬蟲基礎(chǔ)知識(shí)。
墨脫ssl適用于網(wǎng)站、小程序/APP、API接口等需要進(jìn)行數(shù)據(jù)傳輸應(yīng)用場(chǎng)景，ssl證書未來市場(chǎng)廣闊！成為創(chuàng)新互聯(lián)建站的ssl證書銷售渠道，可以享受市場(chǎng)價(jià)格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：18980820575（備注：SSL證書合作）期待與您的合作！
什么是爬蟲
爬蟲：一段自動(dòng)抓取互聯(lián)網(wǎng)信息的程序，從互聯(lián)網(wǎng)上抓取對(duì)于我們有價(jià)值的信息。
Python爬蟲架構(gòu)
Python 爬蟲架構(gòu)主要由五個(gè)部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序（爬取的有價(jià)值數(shù)據(jù)）。
-
調(diào)度器：相當(dāng)于一臺(tái)電腦的CPU，主要負(fù)責(zé)調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。
-
URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復(fù)抓取URL和循環(huán)抓取URL，實(shí)現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實(shí)現(xiàn)。
-
網(wǎng)頁下載器：通過傳入一個(gè)URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個(gè)字符串，網(wǎng)頁下載器有urllib2（Python官方基礎(chǔ)模塊）包括需要登錄、代理、和cookie，requests(第三方包)
-
網(wǎng)頁解析器：將一個(gè)網(wǎng)頁字符串進(jìn)行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達(dá)式（直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價(jià)值的信息，當(dāng)文檔比較復(fù)雜的時(shí)候，該方法提取數(shù)據(jù)的時(shí)候就會(huì)非常的困難）、html.parser（Python自帶的）、beautifulsoup（第三方插件，可以使用Python自帶的html.parser進(jìn)行解析，也可以使用lxml進(jìn)行解析，相對(duì)于其他幾種來說要強(qiáng)大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 樹的方式進(jìn)行解析的。
-
應(yīng)用程序：就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個(gè)應(yīng)用。
下面用一個(gè)圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:
urllib2 實(shí)現(xiàn)下載網(wǎng)頁的三種方式
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import cookielib
import urllib2
url = "http://www.baidu.com"
response1 = urllib2.urlopen(url)
print "第一種方法"
#獲取狀態(tài)碼，200表示成功
print response1.getcode()
#獲取網(wǎng)頁內(nèi)容的長度
print len(response1.read())
print "第二種方法"
request = urllib2.Request(url)
#模擬Mozilla瀏覽器進(jìn)行爬蟲
request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())
print "第三種方法"
cookie = cookielib.CookieJar()
#加入urllib2處理cookie的能力
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print len(response3.read())
print cookie
第三方庫 Beautiful Soup 的安裝
Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數(shù)據(jù)，官網(wǎng)地址 https://www.crummy.com/software/BeautifulSoup/
安裝 Beautiful Soup
打開 cmd（命令提示符），進(jìn)入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進(jìn)行安裝，輸入以下命令進(jìn)行安裝即可：
pip install beautifulsoup4
測(cè)試是否安裝成功
編寫一個(gè) Python 文件，輸入:
\#!/usr/bin/python # -*- coding: UTF-8 -*- import re from bs4 import BeautifulSoup html_doc = """ The Dormouse's story **The Dormouse's story**
Once upon a time there were three little sisters; and their names were [Elsie](http://example.com/elsie), [Lacie](http://example.com/lacie) and [Tillie](http://example.com/tillie); and they lived at the bottom of a well.
...
""" #創(chuàng)建一個(gè)BeautifulSoup解析對(duì)象 soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8") #獲取所有的鏈接 links = soup.find_all('a') print "所有的鏈接" for link in links: print link.name,link['href'],link.get_text() print "獲取特定的URL地址" link_node = soup.find('a',],p_node.get_text()
網(wǎng)頁名稱：快速上手python爬蟲
標(biāo)題路徑：http://fisionsoft.com.cn/article/dpjcdjh.html
