网络爬虫(Web Spiders)是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。半年前,我接触了Lucene搜索引擎开发——开始了网络爬虫之旅;当时,采用的是纯JAVA开发环境,对百度某吧几百万帖子进行了全面爬取。那时候我对Python一点都不了解,今天对《Pyhon基础教程:第2版·修订版》以及极客学院相关视频进行了学习,形成了本文。
Key Words: 网络爬虫, 多线程, requests, XPath, lxml
1. 本文相关环境
开发工具与平台:Python2.7, Windows7, PyCharm
Python第三方包下载平台:http://www.lfd.uci.edu/~gohlke/pythonlibs/,该平台可以下载几乎所有Python包,包括本文的requests,lxml,下载之后如何安装(见下文)。另外,推荐一款json格式化工具:HiJson。
2. Windows平台,如何安装requests、lxml包?
从上述网站上,选择合适自己的版本(Ctrl+F,可搜索),下载完成后:
①将后缀“.whl”更改为“.zip”;
②解压,将“非-info”文件夹拷贝至“D:\AppInstall\Python27\Lib”即可。