关于本文:
- 本文主要目的为提纲挈领,爬虫知识总览
- 内容包含爬虫所依赖的知识以及爬虫流程
- 相关技能点请自行查找,网上文档较全面
- 代码演示只给了一个项目,建议动手实践
目录
分析工具:
- F12开发者工具-分析页面结构/请求数据
- fillber抓包工具-分析请求数据
所需技能点-了解即可,建议实践中深入研究
- 前端相关知识 html、css、js、ajax,能够分析页面
- http请求知识 GET/POST,请求行/头/体,响应行/头/体
- 请求页面的库 urllib&requests库 手动编写爬虫使用的库
- 解析页面模块 re&BS&Xpath 解析网页数据所依赖的模块
- 正则表达式 最原始万能解析页面/文本方法
- 请求页面方式 深度/广度 遍历页面的方式
- 开源爬虫框架 scrapy ,结构清晰
- 基础反爬策略 User Agent、代理池,快代理等免费代理
- 高级反爬策略 Pillow+pytesseract 验证码识别
- 模拟人工访问 selenium 模拟人工访问站点
- 爬虫限制条件 robots协议 官方的爬虫限制条件
- 官方网站地图 sitemap,官网提供可以供访问的url
补充:re正则中贪婪/非贪婪的区别---后者有'?'
- 贪婪:在匹配成功的前提下,尽可能多的匹配*
- 非贪婪:在匹配成功的前提下,尽可能少的匹配*
手动爬虫流程-编码逻辑
1. 设置种子/起始站点,运用广度/深度算法
2. 用一个队列保存url
3. 获取当前页面每个url下的外链
4. 递归调用遍历网站获取所有url
5. 进入每个url获取数据
scrapy爬虫流程-启动过程
1. 框架安装|命令
pip/conda install scrapy
2. 项目新建|命令
scrapy startproject [工程名]
会创建结构化的项目代码
3. 爬虫创建|命令
scrapy genspider [蜘蛛名称] [网站域名]
会生成'蜘蛛名称.py':
路径:工程文件/spiders/蜘蛛名称.py
4. 爬虫配置|设置
修改settings.py中USER_AGENT等
修改middlewares.py,设置中间件,cookies、重连、重定向、ajax、代理等
修改items.py,设置ORM 关系映射,添加items数据,数据清理
修改pipelines.py:保存数据的逻辑=》数据库|本地文件(json/excel)
5. 爬虫编码|主体逻辑
def parse(self,response):
添加方法即可
6. 项目启动|命令
scrapy crawl 爬虫名称
数据存储/持久化
- 结构化数据:有关联关系的数据==》mysql存储
- 半结构化数据:HTML,XML和JSON==》nosql存储
非结构化数据:文档、图片、影音==》二进制存储
注意:json格式严谨,双引号,逗号
反爬对抗策略:
- 第一步:重构User-Agent,模拟真实浏览器
- 第二步:使用代理服务器,伪装IP
- 高级:延迟、重定向、验证码等问题,具体情况具体解决
可练手项目:注意编解码问题
项目 | 所需技术 | 说明 |
---|---|---|
xx贴吧图片 | requests+lxml.etree | 结构化比较强 |
w3c教程笔记 | urllib+re | 爬取文本数据 |
ftp下载文件 | urllib+re | 需有ftp服务器 |
代码/项目演示:爬取XX贴吧图片
import requests
from lxml import etree
class BaiduImageSpider:
def __init__(self):
self.headers = {"User-Agent": "Mozilla5.0/"}
self.baseurl = "http://tieba.baidu.com"
self.pageurl = "http://tieba.baidu.com/f?"
# 获取每个帖子的url
def getPageUrl(self, params):
# 得到贴吧第1页html源码
res = requests.get(self.pageurl, params=params, headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 从html源码获取帖子链接 '/p/2323432'
parseHtml = etree.HTML(html)
t_list = parseHtml.xpath(
'//div[@class="t_con cleafix"]/div/div/div/a/@href')
# ['/p/2342443','/p/08098034']
for t in t_list:
t_url = self.baseurl + t
self.getImageUrl(t_url)
# 获取帖子中所有图片的URL
def getImageUrl(self, t_url):
# 获取帖子的html源码,为了从中筛选图片URL
res = requests.get(t_url, headers=self.headers)
res.encoding = "utf-8"
html = res.text
# 得到图片URL
parseHtml = etree.HTML(html)
i_list = parseHtml.xpath('//img[@class="BDE_Image"]/@src')
#['http://...jpg','http://...png',...]
for i in i_list:
self.writeImage(i)
# 保存到本地
def writeImage(self, i):
# 获取图片的html源码 bytes
res = requests.get(i, headers=self.headers)
res.encoding = "utf-8"
html = res.content
# 保存到本地
filename = i[-10:]
with open(filename, "wb") as f:
print("%s正在下载" % filename)
f.write(html)
print("%s下载成功" % filename)
# 主函数
def workOn(self):
name = input("请输入贴吧名字:")
begin = int(input("请输入起始页:"))
end = int(input("请输入终止页:"))
for page in range(begin, end + 1):
pn = (page - 1) * 50
params = {
"kw": name,
"pn": str(pn)
}
self.getPageUrl(params)
if __name__ == "__main__":
spider = BaiduImageSpider()
spider.workOn()