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。
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的被称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些是不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
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)。
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地址和已爬取地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.parse进行解析,也可以使用lxml进行解析,相当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。
调度器是如何协调工作的:
urllib=URL(网页地址)+lib(library)
URL的一般格式为(带方括号[ ]的为可选项):
protocol:_协议//hostname[:port]_域名/path_路径/[;parameters][?query]#fragment
URL由三部分组成:
1、协议:http,https,ftp,file,ed2k...
2、存放资源的服务器的域名系统或IP地址(有时候要包含端口号,各种传输协议都有默认的端口号,如http的默认端口为80)
3、资源的具体地址,如目录或文件名等
三、Python爬虫实战
1、 网页蜘蛛
import urllib.request
response=urllib.request.urlopen("http://www.zhihu.com")
html=response.read()
print(html)
html=html.decode("utf-8")
print(html)
2、 placekitten.com
import urllib.request
req = urllib.request.Request("http://placekitten.com/g/200/300")
response = urllib.request.urlopen(req)
cat_img = response.read()
with open('cat_200_300.jpg','wb') as f:
f.write(cat_img)