简单爬虫实现day1

python简单爬虫实现day1

一、简单爬虫架构

爬虫调度端
URL管理器
网页下载器
网页解析器
价值数据

二、模块分析

1.URL管理器

URL管理器：管理待抓取URL集合和已抓取URL集合

　　- 防止重复抓取、防止循环抓取

功能：

实现方式：

内存（python内存，待爬取URL集合：set()，已爬取URL集合：set()）*个人、小公司
关系数据库（mysql， url(url, is_crawled)）*内存不够用、永久存储数据
缓存数据库（redis，带爬取URL集合：set()，已爬取URL集合：set()）*大公司

2.网页下载器

网页下载器：将互联网上URL对应的网页下载到本地的工具。　

python有哪几种网页下载器：

urllib2 —— python官方基础模块
requests —— 第三方包更强大

urllib2 下载网页方法1：最简洁的方法

import urllib2
 
#直接请求
response = urllib2.urlopen('http://www.baidu.com')

# 获取状态码，如果是200表示获取成功
print response.getcode()

#读取内容
cont = response.read()

urllib2 下载网页方法2：添加data、http header

import urllib2

# 创建Request对象
request = urllib2.Request(url)

#添加数据
request.add_data('a', '1')
#添加http的header
request.add_header('User-Agent', 'Mozilla/5,0')

#发送请求获取结果
response = urllib2.urlopen(request)

urllib2 下载网页方法3：添加特殊情景的处理器

import urllib2, cookielib

#创建cookie容器
cj = cookielib.CookieJar()

#创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

#给urllib2安装opener
urllib2.install_opener(opener)

#使用带有cookie的urllib2访问网页
response = urllib2.urlopen("http://www.baidu.com/")

3.网页解析器

网页解析器：从网页中提取有价值数据的工具

HTML网页字符串-->网页解析器-->价值数据& 新URL列表

python有哪几种网页解析器：

正则表达式 - - 模糊匹配
html.parser
Beautiful Soup * - - 结构化解析
lxml

什么是网页解析器？

　　结构化解析-DOM （Document Object Model）

Beautiful Soup

安装并测试beautifulsoup4

- 安装：pip install beautifulsoup4

- 测试：import bs4

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

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

print('所有的链接')
links = soup.find_all('a')
for link in links:
    print(link.name, link['href'], link.get_text())

print('获取locie的链接')
link_node = soup.find('a', href='http://example.com/lacie')
print(link_node.name, link_node['href'], link_node.get_text())

print('正则匹配')
link_node = soup.find('a', href=re.compile(r"ill"))
print(link_node.name, link_node['href'], link_node.get_text())

print('获取p段落文字')
p_node = soup.find('p', class_='title')
print(p_node.name, p_node.get_text())