python3 爬虫新手笔记（一）：Beautiful Soup、Scrapy尝试

python3 爬虫新手笔记（一）：Beautiful Soup、Scrapy尝试

一. python爬虫架构

Python爬虫介绍|菜鸟教程

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

• **调度器：**相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
• **URL管理器：**包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
• **网页下载器：**通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
• **网页解析器：**将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
• **应用程序：**就是从网页中提取的有用数据组成的一个应用。

二. Beautiful Soup 介绍

Python爬虫利器之Beautiful Soup的用法

Beautiful Soup 是Python的一个库，最主要的功能是从网页抓取数据。

Beautiful Soup支持Python标准库中的HTML解析器，还支持一些第三方的的解析器，如果我们不安装它， 则Python会使用Python默认的解析器，lxml解析器更加强大，速度更快，推荐安装。

lxml HTML、lxml XML、html5lib的对比，以及beautiful soup的具体使用见网页。

三. Scrapy 介绍

1. 编写Spider

Scrapy入门教程

Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。

其包含了一个用于下载的初始URL，如何跟进网页中的链接以及如何分析页面中的内容， 提取生成 item 的方法。

为了创建一个Spider，您必须继承 scrapy.Spider 类， 且定义以下三个属性:

• name: 用于区别Spider。 该名字必须是唯一的，您不可以为不同的Spider设定相同的名字。
• start_urls: 包含了Spider在启动时进行爬取的url列表。 因此，第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。
• parse() 是spider的一个方法。 被调用时，每个初始URL完成下载后生成的 Response 对象将会作为唯一的参数传递给该函数。 该方法负责解析返回的数据(response data)，提取数据(生成item)以及生成需要进一步处理的URL的 Request 对象。

用于爬取 stackoverflow/tagged/blockchain 的spider实例：

class StackoverflowSpider(scrapy.Spider):
	name = "stackoverflow"
	allowed_domains = ["stackoverflow.com"]
	start_urls = [
		"https://stackoverflow.com/questions/tagged/blockchain"
	]
	#def parse(self, response):

	def __init__(self, *args, **kwargs):
		super(StackoverflowSpider, self).__init__(*args, **kwargs)


	def start_requests(self):

		return [Request(self.start_urls[0],callback=self.first_question)]
			

	def first_question(self, response):
        ......