Python 爬虫常用库总结与进阶指南

1 基础中的基础

本教程将介绍Python爬虫的基础知识，包括Python环境配置，安装第三方库，以及编写第一个爬虫程序。

一、Python环境配置

Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。首先，我们需要配置Python环境。你可以从Python官网下载最新的Python版本并安装。

1.1 Python环境安装

访问Python官网下载页面，选择适合你操作系统的Python版本进行下载和安装。

1.2 验证Python环境

安装完成后，打开命令行工具，输入以下命令来验证Python是否安装成功：

python --version

如果显示出Python的版本号，说明Python已经成功安装。

二、安装第三方库

Python有许多强大的第三方库可以帮助我们进行爬虫开发，其中最常用的是requests和BeautifulSoup。我们可以使用pip工具来安装这些库。

2.1 pip工具

pip是Python的包管理器，可以用来安装和管理Python库。如果你的Python环境中还没有pip，你可以从这里下载并安装。

2.2 安装requests和BeautifulSoup库

在命令行中输入以下命令来安装requests和BeautifulSoup库：

pip install requests beautifulsoup4

三、第一个爬虫程序

接下来，我们将编写一个简单的爬虫程序，用于抓取网页上的信息。

3.1 导入库

首先，我们需要导入requests和BeautifulSoup库：

import requests
from bs4 import BeautifulSoup

3.2 发送请求并获取网页内容

然后，我们可以使用requests库的get方法来发送一个HTTP请求，获取网页的内容：

url = 'http://example.com'  # 需要爬取的网页URL
response = requests.get(url)  # 发送GET请求
html_content = response.text  # 获取网页内容

3.3 解析网页内容并提取信息

最后，我们可以使用BeautifulSoup库来解析网页内容，并提取出我们需要的信息：

soup = BeautifulSoup(html_content, 'html.parser')  # 创建BeautifulSoup对象
title = soup.title.string  # 提取网页标题
print(title)  # 打印网页标题

2 获取到信息的处理方法

解析库

BeautifulSoup库入门

BeautifulSoup是一个Python的HTML或XML的解析库，用于从网页中提取数据。它通常与requests和lxml等库一起使用，以获取和解析网页内容。

安装

pip install beautifulsoup4

使用示例

from bs4 import BeautifulSoup
import requests

url = 'http://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

lxml库入门

lxml是Python的一个高性能的库，用于处理XML和HTML。它提供了简单易用的API，可以快速地解析和操作XML和HTML文档。

安装

pip install lxml

使用示例

from lxml import etree
import requests

url = 'http://example.com'
response = requests.get(url)
tree = etree.HTML(response.text)

正则表达式使用

正则表达式是一种强大的文本匹配工具，可以用来匹配、查找、替换字符串中的特定模式。在Python中，可以使用re模块来处理正则表达式。

安装

无需安装，re模块是Python的标准库之一。

使用示例

import re

pattern = r'\d+'  # 匹配一个或多个数字的正则表达式
text = 'abc123def456'
result = re.findall(pattern, text)  # 返回所有匹配的结果列表：['123', '456']

3 处理后数据的处理方法

数据存储库

文件存储

在Python中，我们可以使用内置的open()函数来读写文件。以下是一个简单的例子：

# 写入文件
with open('test.txt', 'w') as f:
    f.write('Hello, World!')

# 读取文件
with open('test.txt', 'r') as f:
    print(f.read())

数据库存储（SQLite, MySQL）

对于数据库存储，我们可以使用SQLite和MySQL。以下是一个使用SQLite的例子：

import sqlite3

# 连接到SQLite数据库
# 数据库文件是test.db
# 如果文件不存在，会自动在当前目录创建：
conn = sqlite3.connect('test.db')
# 创建一个Cursor:
cursor = conn.cursor()
# 执行一条SQL语句，创建user表：
cursor.execute('create table user (id varchar(20) primary key, name varchar(20))')
# 继续执行一条SQL语句，插入一条记录：
cursor.execute('insert into user (id, name) values (\'1\', \'Michael\')')
# 通过rowcount获得插入的行数：
print(cursor.rowcount)
# 关闭Cursor:
cursor.close()
# 提交事务：
conn.commit()
# 关闭Connection:
conn.close()

对于MySQL，我们需要使用pymysql库：

import pymysql

# 连接数据库
connection = pymysql.connect(host='localhost', user='root', password='password', database='test')
try:
    with connection.cursor() as cursor:
        # 创建一个新的记录
        sql = "INSERT INTO `users` (`email`, `password`) VALUES (%s, %s)"
        cursor.execute(sql, ('webmaster@python.org', 'very-secret'))
    connection.commit()
finally:
    connection.close()

数据持久化

数据持久化是将内存中的数据保存到可永久存储的设备中。在Python中，我们通常使用pickle库来实现数据的序列化和反序列化。以下是一个例子：

import pickle

data = {'a': [1, 2.0], 'b': ('string', u'Unicode string'), 'c': None}
binary_data = pickle.dumps(data) # Pickling data, also converting numpy array to bytes.
print(binary_data) # b'\x80x04\x95x0b\x00x00\x00x00\x00x00\x00]\x94(\x8c\x08key\x94\x8c
class\x94K\x01u.'
print(type(binary_data)) # <class 'bytes'>
data2 = pickle.loads(binary_data) # Unpickling data. Also deserializing a numpy array from bytes.
print(data2) # {'a': [1, 2], 'b': ('string', u'Unicode string'), 'c': None}

---

4 进阶指南

目录

1. 异步库
   • 多线程爬取
   • 协程爬取
   • 异步IO

异步库

多线程爬取

在Python中，可以使用threading模块来实现多线程爬取。以下是一个简单的示例：

import requests
from bs4 import BeautifulSoup
import threading

def fetch(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.text, 'html.parser')
    print(soup.title.text)

urls = ['https://www.example.com', 'https://www.example2.com']

threads = []
for url in urls:
    t = threading.Thread(target=fetch, args=(url,))
    threads.append(t)
    t.start()

for t in threads:
    t.join()

协程爬取

使用asyncio和aiohttp库可以实现协程爬取。以下是一个简单的示例：

import asyncio
import aiohttp
from bs4 import BeautifulSoup

async def fetch(session, url):
    async with session.get(url) as response:
        soup = BeautifulSoup(await response.text(), 'html.parser')
        print(soup.title.text)
        return soup

async def main():
    urls = ['https://www.example.com', 'https://www.example2.com']
    async with aiohttp.ClientSession() as session:
        tasks = []
        for url in urls:
            task = asyncio.ensure_future(fetch(session, url))
            tasks.append(task)
        responses = await asyncio.gather(*tasks)
        for response in responses:
            print(response)

loop = asyncio.get_event_loop()
loop.run_until_complete(main())

异步IO

使用asyncio和aiohttp库可以实现异步IO爬取。但是我不会，有需要可以自己查文档。

反爬策略及应对

User-Agent伪装

User-Agent是服务器识别客户端的一种方式，我们可以通过伪装User-Agent来达到爬虫不被服务器识别的目的。

在Python中，我们可以使用requests库的headers参数进行User-Agent的伪装。以下是一个简单的示例：

import requests

url = 'http://example.com'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
response = requests.get(url, headers=headers)

IP代理使用

IP代理是指通过第三方服务器转发请求，从而隐藏自己的真实IP地址，防止被目标网站封锁。在Python中，我们可以使用requests库配合proxies参数来使用IP代理。以下是一个简单的示例：

import requests

url = 'http://example.com'
proxies = {
    'http': 'http://10.10.1.10:3128',
    'https': 'http://10.10.1.10:1080',
}
response = requests.get(url, proxies=proxies)

验证码处理

验证码是网站为了阻止机器人自动访问而设置的一道障碍。在Python中，我们可以使用pytesseract库和PIL库来处理验证码。以下是一个简单的示例：

首先，我们需要安装这两个库：

pip install pytesseract pillow

然后，我们可以使用以下代码来处理验证码：

from PIL import Image
import pytesseract

def get_captcha_text(image_path):
    image = Image.open(image_path)
    captcha_text = pytesseract.image_to_string(image)
    return captcha_text

针对目前一些稀奇古怪的验证码，常见的方法是有针对性地训练机器学习模型解决。

5 小结与其他

1. 基础库介绍

Python 提供了一些用于网络爬虫的库，如 requests、BeautifulSoup、Scrapy 等。这些库可以帮助我们方便地获取网页内容，解析 HTML，存储数据等。

2. 模拟登录

在爬取需要登录的网站时，我们需要使用到模拟登录的技术。这通常涉及到处理 cookies，或者使用 Selenium 进行自动化操作。

2.1 使用 requests 处理 cookies

import requests

# 登录网站并获取 cookies
s = requests.Session()
login_data = {'username': 'your_username', 'password': 'your_password'}
r = s.post('http://www.example.com/login', data=login_data)

# 使用 cookies 访问受保护的页面
r = s.get('http://www.example.com/protected')

2.2 使用 Selenium 进行模拟登录

Selenium 是一个强大的网页自动化测试工具，可以模拟用户的各种操作，包括点击按钮、填写表单等。

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

driver = webdriver.Firefox()
driver.get("http://www.example.com/login")
elem = driver.find_element_by_name("username")
elem.clear()
elem.send_keys("your_username")
elem = driver.find_element_by_name("password")
elem.clear()
elem.send_keys("your_password")
elem.send_keys(Keys.RETURN)

3. 动态网页爬取（Selenium）

有些网站的内容是通过 JavaScript 动态加载的，这时候我们就需要使用到 Selenium 这样的工具来模拟浏览器行为，获取动态加载的内容。

4. 分布式爬虫

当需要爬取大量数据时，我们可以使用分布式爬虫来提高爬取效率。常用的分布式爬虫框架有 Scrapy-Redis、PySpider 等。