url管理器
URL管理器一般有三种实现方式。
- set集合,一般小型的爬虫或者不要求永久保存url的程序可以选用set集合来存储url列表。选用set是因为它可以自动去除重复的元素。
s = set([1,2,3])
,需要提供一个iterable给set。 - 关系型数据库,例如MySQL。可以创建一个表urls(url,is_crawled),它有两个字段,is_crawled代表这个url是待爬取还是已爬取。
- 缓存数据库,例如redis。支持set。
网页下载器
- set集合,一般小型的爬虫或者不要求永久保存url的程序可以选用set集合来存储url列表。选用set是因为它可以自动去除重复的元素。
urllib2的使用:
- 最简洁的方法:
import urllib2
#直接请求
response = urllib2.urlopen('http://www.baidu.com')
#获取状态码,如果是200,则说明读取成功
print response.getcode()
#读取内容
cont = response.read()
- 方法2:添加data,http header
import urllib2
#创建request对象
request = urllib2.Request(url)
#添加数据
request.add_data('a', '1')
#添加http的header(伪装成mozilla浏览器)
request.add_header('User-Agent', 'Mozilla/5.0')
#发送请求获取结果
response = urllib2.urlopen(request)
- 方法3:
HTTPCookieProcessor可以创建对于网站cookie的handler(用户登录);
ProxyHandler是针对代理登录;
HTTPSHandler是针对使用协议加密访问的的网页的;
HTTPPRedirectHandler针对自动跳转的url进行处理。
import urllib2, cookielib
#创建cookie容器
cj = cookielib.CookieJar()
#创建一个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
#给urllib2安装opener
urllib2.install_opener(opener)
#使用带有cookie的urllib2访问网页
response = urllib2.urlopen('www.baidu.com')
网页解析器
- 结构化解析-DOM(Document Object Model)树