利用python爬虫技术实现_python如何实现爬虫技术

一、什么是爬虫

爬虫：爬虫的作用就是从互联网上抓取对我们有价值的信息。他的本质，是一段程序，是一段自动抓取互联网信息的程序。

Python 爬虫架构主要由调度器、URL管理器、网页下载器、网页解析器、应用程序五个部分组成。

调度器：

调度器主要负责调度URL管理器、下载器、解析器之间的协调，作用相当于电脑的CPU

URL管理器：

url管理器包括已经抓取和还在等待爬取的url地址，防止重复和循环抓取url.实现url管理器主要有三种方式，方式1内存，方式2数据库，方式3缓存数据。

网页下载器：

下载网页要通过传入一个url地址来进行，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：

从网页中提取的有用数据组成的一个应用。

下面用一个图来解释一下调度器是如何协调工作的:

#!/usr/bin/python

# -*- coding: UTF-8 -*-

importcookielib

importurllib2

url ="http://www.baidu.com"

response1 = urllib2.urlopen(url)

print"第一种方法"

#获取状态码，200表示成功

printresponse1.getcode()

#获取网页内容的长度

printlen(response1.read())

print"第二种方法"

request = urllib2.Request(url)

#模拟Mozilla浏览器进行爬虫

request.add_header("user-agent","Mozilla/5.0")

response2 = urllib2.urlopen(request)

printresponse2.getcode()

printlen(response2.read())

print"第三种方法"

cookie = cookielib.CookieJar()

#加入urllib2处理cookie的能力

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

urllib2.install_opener(opener)

response3 = urllib2.urlopen(url)

printresponse3.getcode()

printlen(response3.read())

printcookie

Beautiful Soup: Python 的第三方插件用来提取 xml 和 HTML 中的数据，官网地址https://www.crummy.com/software/BeautifulSoup/

1、安装 Beautiful Soup

打开 cmd(命令提示符)，进入到 Python(Python2.7版本)安装目录中的 scripts 下，输入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自带的 pip 命令进行安装，输入以下命令进行安装即可：

pipinstallbeautifulsoup4

2、测试是否安装成功

编写一个 Python 文件，输入:

import bs4

print bs4

运行该文件，如果能够正常输出则安装成功。

#!/usr/bin/python

# -*- coding: UTF-8 -*-

importre

frombs4importBeautifulSoup

html_doc ="""

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

#创建一个BeautifulSoup解析对象

soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")

#获取所有的链接

links = soup.find_all('a')

print"所有的链接"

forlinkinlinks:

printlink.name,link['href'],link.get_text()

print"获取特定的URL地址"

link_node = soup.find('a',href="http://example.com/elsie")

printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()

print"正则表达式匹配"

link_node = soup.find('a',href=re.compile(r"ti"))

printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()

print"获取P段落的文字"

p_node = soup.find('p',class_='story')

printp_node.name,p_node['class'],p_node.get_text()