Python爬虫原理与python爬虫实例大全

<div id="cnblogs\_post\_body" class="blogpost-body "> <h2>前言</h2> 简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；   <h2>一、爬虫是什么？</h2> 如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛， 沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序； 从技术层面来说就是通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用；   <h2><img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109155619981-1355599979.png" alt=""></h2>     <h2>二、爬虫的基本流程：</h2>   用户获取网络数据的方式： 方式1：浏览器提交请求--->下载网页代码--->解析成页面 方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中 爬虫要做的就是方式2；  <img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109155753419-1411600537.png" alt=""> 1、发起请求 使用http库向目标站点发起请求，即发送一个Request Request包含：请求头、请求体等  Request模块缺陷：不能执行JS 和CSS 代码   2、获取响应内容 如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等   3、解析内容 解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等 解析json数据：json模块 解析二进制数据:以wb的方式写入文件   4、保存数据 数据库（MySQL，Mongdb、Redis） 文件     <h2>三、http协议请求与响应</h2> <img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109162243872-1491006257.png" alt="">   Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。     <h2>四、 request</h2> 1、请求方式： 常见的请求方式：GET / POST   2、请求的URL url全球统一资源定位符，用来定义互联网上一个唯一的资源例如：一张图片、一个文件、一段视频都可以用url唯一确定   url编码 https://www.baidu.com/s?wd=图片 图片会被编码（看示例代码）   网页的加载过程是： 加载一个网页，通常都是先加载document文档， 在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求   3、请求头 User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host； cookies：cookie用来保存登录信息 注意：一般做爬虫都会加上请求头 <img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109164328044-1812809779.png" alt="">    <img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109165932544-1148817400.png" alt="">    <img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109165421872-1350037263.png" alt="">   请求头需要注意的参数： （1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟） （2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序） （3）cookie：请求头注意携带   4、请求体 <pre>请求体如果是get方式，请求体没有内容（get请求的请求体放在 url后面参数中，直接能看到）如果是post方式，请求体是format data

1ps：
21、登录窗口，文件上传等，信息都会被附加到请求体内
32、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post</pre>

<h2>五、响应Response</h2> 1、响应状态码 　　200：代表成功 　　301：代表跳转 　　404：文件不存在 　　403：无权限访问 　　502：服务器错误   2、respone header 响应头需要注意的参数： （1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来 （2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面     3、preview就是网页源代码 JSO数据 如网页html，图片 二进制数据等      <h2>六、总结</h2> 1、总结爬虫流程：  爬取--->解析--->存储   2、爬虫所需工具：  请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）  解析库：正则，beautifulsoup，pyquery  存储库：文件，MySQL，Mongodb，Redis   3、爬获校花网 最后送给大家点福利吧<img src="https://images2017.cnblogs.com/blog/1122865/201711/1122865-20171109204929981-337261501.png" alt=""> 基础版： <div class="cnblogs\_code"><img id="code\_img\_closed\_b538ac40-f10a-4f5c-a7ae-424a41681d7a" class="code\_img\_closed" src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" alt=""> View Code</div>   函数封装版 <div class="cnblogs\_code"><img id="code\_img\_closed\_190a9b5e-8166-4d91-a8ae-c147f0a3cde3" class="code\_img\_closed" src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" alt=""> View Code</div>   并发版（如果一共需要爬30个视频，开30个线程去做，花的时间就是其中最慢那份的耗时时间） <div class="cnblogs\_code"><img id="code\_img\_closed\_e4f47d03-54d0-4afb-afa7-8e86c5a1b5a8" class="code\_img\_closed" src="https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif" alt=""> View Code</div>   涉及知识：多线程多进程 计算密集型任务：使用多进程，因为能Python有GIL，多进程可以利用上CPU多核优势； IO密集型任务：使用多线程，做IO切换节省任务执行时间（并发） 线程池     参考博客： 瞎驴<a href="http://www.cnblogs.com/linhaifeng/articles/7773496.html" target="\_blank">http://www.cnblogs.com/linhaifeng/articles/7773496.html</a> </div> <div id="cnblogs\_post\_body" class="blogpost-body "> <a href="https://github.com/Chyroc/WechatSogou" rel="nofollow" target="\_blank">WechatSogou</a> \[1\]- 微信公众号爬虫。基于搜狗微信搜索的微信公众号爬虫接口，可以扩展成基于搜狗搜索的爬虫，返回结果是列表，每一项均是公众号具体信息字典。 <a href="https://github.com/lanbing510/DouBanSpider" rel="nofollow" target="\_blank">DouBanSpider</a> \[2\]- 豆瓣读书爬虫。可以爬下豆瓣读书标签下的所有图书，按评分排名依次存储，存储到Excel中，可方便大家筛选搜罗，比如筛选评价人数>1000的高分书籍；可依据不同的主题存储到Excel不同的Sheet ，采用User Agent伪装为浏览器进行爬取，并加入随机延时来更好的模仿浏览器行为，避免爬虫被封。 <a href="https://github.com/LiuRoy/zhihu\_spider" rel="nofollow" target="\_blank">zhihu\_spider</a> \[3\]- 知乎爬虫。此项目的功能是爬取知乎用户信息以及人际拓扑关系，爬虫框架使用scrapy，数据存储使用mongo。 <a href="https://github.com/airingursb/bilibili-user" rel="nofollow" target="\_blank">bilibili-user</a> \[4\]- Bilibili用户爬虫。总数据数：20119918，抓取字段：用户id，昵称，性别，头像，等级，经验值，粉丝数，生日，地址，注册时间，签名，等级与经验值等。抓取之后生成B站用户数据报告。 <a href="https://github.com/LiuXingMing/SinaSpider" rel="nofollow" target="\_blank">SinaSpider</a> \[5\]- 新浪微博爬虫。主要爬取新浪微博用户的个人信息、微博信息、粉丝和关注。代码获取新浪微博Cookie进行登录，可通过多账号登录来防止新浪的反扒。主要使用 scrapy 爬虫框架。 <a href="https://github.com/gnemoug/distribute\_crawler" rel="nofollow" target="\_blank">distribute\_crawler</a> \[6\]- 小说下载分布式爬虫。使用scrapy,Redis, MongoDB,graphite实现的一个分布式网络爬虫,底层存储mongodb集群,分布式使用redis实现,爬虫状态显示使用graphite实现，主要针对一个小说站点。 <a href="https://github.com/yanzhou/CnkiSpider" rel="nofollow" target="\_blank">CnkiSpider</a> \[7\]- 中国知网爬虫。设置检索条件后，执行src/CnkiSpider.py抓取数据，抓取数据存储在/data目录下，每个数据文件的第一行为字段名称。 <a href="https://github.com/lanbing510/LianJiaSpider" rel="nofollow" target="\_blank">LianJiaSpider</a> \[8\]- 链家网爬虫。爬取北京地区链家历年二手房成交记录。涵盖链家爬虫一文的全部代码，包括链家模拟登录代码。 <a href="https://github.com/taizilongxu/scrapy\_jingdong" rel="nofollow" target="\_blank">scrapy\_jingdong</a> \[9\]- 京东爬虫。基于scrapy的京东网站爬虫，保存格式为csv。 <a href="https://github.com/caspartse/QQ-Groups-Spider" rel="nofollow" target="\_blank">QQ-Groups-Spider</a> \[10\]- QQ 群爬虫。批量抓取 QQ 群信息，包括群名称、群号、群人数、群主、群简介等内容，最终生成 XLS(X) / CSV 结果文件。 <a href="https://github.com/hanc00l/wooyun\_public" rel="nofollow" target="\_blank">wooyun\_public</a>\[11\]-乌云爬虫。乌云公开漏洞、知识库爬虫和搜索。全部公开漏洞的列表和每个漏洞的文本内容存在mongodb中，大概约2G内容；如果整站爬全部文本和图片作为离线查询，大概需要10G空间、2小时（10M电信带宽）；爬取全部知识库，总共约500M空间。漏洞搜索使用了Flask作为web server，bootstrap作为前端。 <a href="https://github.com/lining0806/QunarSpider" rel="nofollow" target="\_blank">QunarSpider</a> \[12\]- 去哪儿网爬虫。网络爬虫之Selenium使用代理登陆：爬取去哪儿网站，使用selenium模拟浏览器登陆，获取翻页操作。代理可以存入一个文件，程序读取并使用。支持多进程抓取。 <a href="https://github.com/fankcoder/findtrip" rel="nofollow" target="\_blank">findtrip</a> \[13\]- 机票爬虫（去哪儿和携程网）。Findtrip是一个基于Scrapy的机票爬虫，目前整合了国内两大机票网站（去哪儿 + 携程）。 <a href="https://github.com/leyle/163spider" rel="nofollow" target="\_blank">163spider</a> \[14\] - 基于requests、MySQLdb、torndb的网易客户端内容爬虫 <a href="https://github.com/dontcontactme/doubanspiders" rel="nofollow" target="\_blank">doubanspiders</a>\[15\]- 豆瓣电影、书籍、小组、相册、东西等爬虫集 <a href="https://github.com/LiuXingMing/QQSpider" rel="nofollow" target="\_blank">QQSpider</a> \[16\]- QQ空间爬虫，包括日志、说说、个人信息等，一天可抓取 400 万条数据。 <a href="https://github.com/Shu-Ji/baidu-music-spider" rel="nofollow" target="\_blank">baidu-music-spider</a> \[17\]- 百度mp3全站爬虫，使用redis支持断点续传。 <a href="https://github.com/pakoo/tbcrawler" rel="nofollow" target="\_blank">tbcrawler</a>\[18\]- 淘宝和天猫的爬虫,可以根据搜索关键词,物品id来抓去页面的信息，数据存储在mongodb。 <a href="https://github.com/benitoro/stockholm" rel="nofollow" target="\_blank">stockholm</a> \[19\]- 一个股票数据（沪深）爬虫和选股策略测试框架。根据选定的日期范围抓取所有沪深两市股票的行情数据。支持使用表达式定义选股策略。支持多线程处理。保存数据到JSON文件、CSV文件。 <a href="https://github.com/k1995/BaiduyunSpider" rel="nofollow" target="\_blank">BaiduyunSpider</a>\[20\]-百度云盘爬虫。  <a href="http://link.zhihu.com/?target=https%3A//github.com/Qutan/Spider" rel="nofollow" target="\_blank">Spider\[21\]</a>-社交数据爬虫。支持微博,知乎,豆瓣。 <a href="http://link.zhihu.com/?target=https%3A//github.com/Qutan/Spider" rel="nofollow" target="\_blank">proxy pool\[22\]</a>-Python爬虫代理IP池(proxy pool)。 <a href="http://link.zhihu.com/?target=https%3A//github.com/RitterHou/music-163" rel="nofollow" target="\_blank">music-163\[23\]</a>-爬取网易云音乐所有歌曲的评论。 <a href="http://link.zhihu.com/?target=https%3A//github.com/RitterHou/music-163" rel="nofollow" target="\_blank">jandan\_spider\[24\]</a>-爬取煎蛋妹纸图片。 <a href="http://link.zhihu.com/?target=https%3A//github.com/jackgitgz/CnblogsSpider" rel="nofollow" target="\_blank">CnblogsSpider\[25\]</a>-cnblogs列表页爬虫。 <a href="http://link.zhihu.com/?target=https%3A//github.com/jackgitgz/CnblogsSpider" rel="nofollow" target="\_blank">spider\_smooc\[26\]</a>-爬取慕课网视频。 <a href="http://link.zhihu.com/?target=https%3A//github.com/yanzhou/CnkiSpider" rel="nofollow" target="\_blank">CnkiSpider\[27\]</a>-中国知网爬虫。 <a href="http://link.zhihu.com/?target=https%3A//github.com/littlethunder/knowsecSpider2" rel="nofollow" target="\_blank">knowsecSpider2\[28\]</a>-知道创宇爬虫题目。 <a href="http://link.zhihu.com/?target=https%3A//github.com/x-spiders/aiss-spider" rel="nofollow" target="\_blank">aiss-spider\[29\]</a>-爱丝APP图片爬虫。 <a href="https://github.com/szcf-weiya/SinaSpider" rel="nofollow" target="\_blank">SinaSpider\[30\]</a>-动态IP解决新浪的反爬虫机制，快速抓取内容。 <a href="http://link.zhihu.com/?target=https%3A//github.com/Kevinsss/csdn-spider" rel="nofollow" target="\_blank">csdn-spider\[31\]</a>-爬取CSDN上的博客文章。 <a href="http://link.zhihu.com/?target=https%3A//github.com/changetjut/ProxySpider" rel="nofollow" target="\_blank">ProxySpider\[32\]</a>-爬取西刺上的代理IP，并验证代理可用性。 <a href="https://github.com/GuozhuHe/webspider" rel="nofollow" target="\_blank">webspider\[33\]</a>-本系统是一个主要使用python3, celery和requests来爬取职位数据的爬虫，实现了定时任务，出错重试，日志记录，自动更改Cookies等的功能，并使用ECharts + Bootstrap 来构建前端页面，来展示爬取到的数据。 </div>

Python爬虫原理与python爬虫实例大全

评论区

相关推荐