Python爬虫介绍及实战入门

一、什么是爬虫

爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

二、Python爬虫架构

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）。

1. 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。

2. 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。

3. 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)

4. 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。

5. 应用程序：就是从网页中提取的有用数据组成的一个应用。
下图为爬虫框架工作流程：

三、实战爬取小说

 1. 爬取某小说中其中一章内容：

输出结果中存在乱码。

 解析网页中部分内容，在网页中右键，点击检查。

 我们要输出上图中选中行，其标签为h1，预输出其内容，我们需安装解析包parsel。

 Pycharm中导入parsel包，进行解析并输出h1标签内容。

此时我们所需内容仅为文本内容，不需两边h1标签。（h1为标签选择器） 

 得到无标签文本内容，下面我们需要爬取小说内容。（content为id选择器）

 输出结果为列表格式，我们需将其合并为字符串格式。

 第二种方法，使用for循环打印文本。

 如上仍为逐行打印其文本内容，我们最终是要收集其内容成为文档，所以我们进行文本内容收集，使用text进行收集。

保存文本数据，输出文本文档。

 2.爬取整本小说，多章节，首先将上述代码封装，以便后续调用，将其封装为函数对象：download_one_chapter，删除代码中部分print。

 调用函数download_one_chapter，输入小说网址即可下载对应文本内容。

 此时为逐章下载，我们要实现自动下载整本小说全部章节，首先我们要获取所有章节的网址。

 爬取整本小说并输出：

 若将小说内容放在同一文件中，将下述代码进行修改：
修改前：

修改后：

 整本小说文本内容则全部保存在同一文档中

将代码封装，定义函数：download_one_book，导入parse，进行网址补全。

我们便可直接调用函数进行整本小说下载。