Python小记：10.爬虫介绍、简单操作：自动下载GitHub上星级最高的Python项目信息

爬虫就是从浩如烟海的互联网信息中，抓取收集我们想要的信息。

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。

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.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：

• 就是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

简单操作：自动下载GitHub上星级最高的Python项目信息

0.理解Web API

Web API是网站的一部分，用于与使用非常具体的URL请求特定信息的程序交互。这种请求称为API调用。
请求的数据将以易于处理的格式（如JSON或CSV）返回。依赖于外部数据源的大多数应用程序都依赖于API调用，如集成社交媒体网站的应用程序。

1.安装Python的requests包

$ pip install --user requests

2.处理API响应：

import requests  
# 执行API调用并存储响应
url = 'https://api.github.com/search/repositories?q=language:python&sort=stars' 
r = requests.get(url) 
print("Status code:", r.status_code)  
# 将API响应存储在一个变量中 
response_dict = r.json() 
# 处理结果  
print(response_dict.keys())

3.处理响应字典：

print("Total repositories:", response_dict['total_count'])  
# 探索有关仓库的信息 
repo_dicts = response_dict['items']  
print("Repositories returned:", len(repo_dicts))  
# 研究第一个仓库 
repo_dict = repo_dicts[0] 
print("\nKeys:", len(repo_dict))  
for key in sorted(repo_dict.keys()):      
    print(key)

结果:

Status code: 200
dict_keys(['total_count', 'incomplete_results', 'items'])
Total repositories: 5571792
Repositories returned: 30

Keys: 74
archive_url
archived
assignees_url
blobs_url
branches_url
clone_url
collaborators_url
comments_url
commits_url
compare_url
contents_url
contributors_url
created_at
default_branch
deployments_url
description
disabled
downloads_url
events_url
fork
forks
forks_count
forks_url
full_name
git_commits_url
git_refs_url
git_tags_url
git_url
has_downloads
has_issues
has_pages
has_projects
has_wiki
homepage
hooks_url
html_url
id
issue_comment_url
issue_events_url
issues_url
keys_url
labels_url
language
languages_url
license
merges_url
milestones_url
mirror_url
name
node_id
notifications_url
open_issues
open_issues_count
owner
private
pulls_url
pushed_at
releases_url
score
size
ssh_url
stargazers_count
stargazers_url
statuses_url
subscribers_url
subscription_url
svn_url
tags_url
teams_url
trees_url
updated_at
url
watchers
watchers_count
Press any key to continue . . .

更多操作，可见