爬虫,这个常常被人提到的词,是对数据收集过程的一种形象化形容。特地是在Python语言中,因为其丰盛的库资源和良好的易用性,使得其成为编写爬虫的绝佳抉择。本文将从基础知识开始,深入浅出地解说Python爬虫的相干常识,并分享一些独特的用法和实用技巧。本文将以理论的网站为例,深刻论述各个解决局部,并展现输入,助力大家疾速把握Python爬虫技巧。

开始之前:必要的库

Python有很多库能够用来编写爬虫,但咱们这里重点介绍两个:requests和BeautifulSoup。

import requestsfrom bs4 import BeautifulSoup

requests库用于发送HTTP申请,而BeautifulSoup库则用于解析HTTP响应中的HTML。

根本爬虫:爬取全副网页内容

以Python官方网站(https://www.python.org/)为例,一个根本的Python爬虫可能会这样编写:

url = "https://www.python.org/"response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')print(soup.prettify()[:500])

这段代码的目标是获取网页的内容,并应用BeautifulSoup库进行解析。咱们能够看到,requests.get(url)是用来发送GET申请的,而BeautifulSoup(response.text, 'html.parser')则是用来解析HTTP响应中的HTML内容的。

这段代码的输入前500个字符如下:

<!DOCTYPE html><!--[if lt IE 7]>   <html class="no-js ie6 lt-ie7 lt-ie8 lt-ie9">   <![endif]--><!--[if IE 7]>      <html class="no-js ie7 lt-ie8 lt-ie9">          <![endif]--><!--[if IE 8]>      <html class="no-js ie8 lt-ie9">                 <![endif]--><!--[if gt IE 8]><!--><html class="no-js" dir="ltr" lang="en">  <!--<![endif]--><head><meta charset="utf-8"/><meta content="IE=edge" http-equiv="X-UA-Compatible"/><meta content="Python.org" name="application-name"/><meta content="The official home of the Python Programming Language" 

应用CSS选择器爬取特定元素

当咱们心愿获取特定元素时,咱们能够应用CSS选择器。比方咱们心愿获取Python官方网站中所有的头部链接:

elements = soup.select('div.top-bar > ul > li > a')for element in elements:    print(element.get('href'), element.text)

在这里,div.top-bar > ul > li > a是一个CSS选择器,用来抉择

class为top-bar的div元素下的ul元素中的li元素下的a元素。这些a元素就是咱们想要的头部链接。

这段代码的局部输入如下:

/ Python/psf-landing/ PSF/docs/ Docs/pypl/ PyPI/jobs/ Jobs/community-landing/ Community

HTML解析语言爬取:XPath

除了CSS选择器,还有一种罕用的HTML解析技术是XPath。XPath,全称XML Path Language,是一门在XML文档中查找信息的语言,也能够用在HTML文档解析中。

Python的lxml库提供了XPath的反对:

from lxml import etreehtml = '<div><a href="/a">A</a><a href="/b">B</a></div>'root = etree.HTML(html)links = root.xpath('//a/@href')print(links)

在这段代码中,咱们首先定义了一个HTML字符串。而后,咱们应用etree.HTML()函数将这个字符串解析成一个DOM树。最初,咱们应用root.xpath()办法提取出所有的链接。

相对链接爬取

你可能曾经留神到,上述代码的输入中的链接是绝对链接,而不是相对链接。如果咱们心愿获取相对链接,咱们能够应用urljoin函数:

from urllib.parse import urljoinelements = soup.select('div.top-bar > ul > li > a')for element in elements:    absolute_url = urljoin(url, element.get('href'))    print(absolute_url, element.text)

这段代码的局部输入如下:

https://www.python.org/ Pythonhttps://www.python.org/psf-landing/ PSFhttps://www.python.org/docs/ Docshttps://www.python.org/pypl/ PyPIhttps://www.python.org/jobs/ Jobshttps://www.python.org/community-landing/ Community

动静加载的数据爬取:Selenium

在许多古代的网页中,数据可能不是在页面加载时一次性加载的,而是通过JavaScript在用户与页面交互时动静加载的。这时,咱们可能须要应用另一个工具:Selenium。

from selenium import webdriverdriver = webdriver.Firefox()driver.get('https://www.python.org/')element = driver.find_element_by_css_selector('div.top-bar > ul > li > a')print(element.text)

这段代码应用Selenium模仿浏览器行为,获取JavaScript动静加载的数据。在这个例子中,咱们只获取了第一个链接的文本,理论应用时,你可能须要依据需要进行更简单的操作。

爬虫代理

应用代理,能够帮忙咱们暗藏本人的实在IP地址,从而防止因爬取同一网站过多数据而被封IP。上面是一段简略的应用代理的代码:

proxies = {    "http": "http://10.10.1.10:3128",    "https": "http://10.10.1.10:1080",}response = requests.get("https://www.python.org/", proxies=proxies)

在这里,咱们定义了一个代理字典,并将其传给requests.get()函数。这样,咱们的申请就会通过代理服务器发送,从而暗藏了咱们的实在IP地址。

异步爬虫:晋升爬虫效率

在爬取大量数据时,咱们通常须要进行屡次HTTP申请,如果每次申请都期待前一次申请实现,那么效率将会非常低。此时,咱们能够应用Python的异步IO库asyncioaiohttp来提高效率。上面是一个简略的例子:

import asyncioimport aiohttpasync def fetch(session, url):    async with session.get(url) as response:        return await response.text()async def main():    async with aiohttp.ClientSession() as session:        html = await fetch(session, 'http://python.org')        print(html[:500])loop = asyncio.get_event_loop()loop.run_until_complete(main())

在这段代码中,咱们首先定义了一个异步的fetch函数,用于发送HTTP申请并获取响应。而后,咱们在main函数中创立一个HTTP会话,并应用这个会话来发送申请。最初,咱们应用事件循环来运行main函数。

爬虫框架:Scrapy

尽管应用上述办法能够实现爬虫的基本功能,但在解决更简单的爬虫工作时,咱们可能须要一个更弱小的工具。Scrapy是一个用Python实现的弱小的爬虫框架,它为咱们提供了许多高级性能,比方并发申请、数据处理和存储等。

上面是一个简略的Scrapy爬虫的例子:

import scrapyclass MySpider(scrapy.Spider):    name = 'myspider'    start_urls = ['http://python.org']    def parse(self, response):        self.log('Visited %s' % response.url)        yield {            'url': response.url,            'title': response.css('title::text').get(),        }

在这段代码中,咱们定义了一个继承自scrapy.Spider的爬虫类。这个类中定义了爬虫的名字、开始的URL和解析响应的办法。Scrapy将会主动为咱们解决申请的发送和响应的接管,咱们只须要关怀如何从响应中提取数据即可。

自动化工作:定时爬虫

有时咱们须要定时执行爬虫工作,比方每天爬取一次网站的数据。Python的schedule库能够帮忙咱们实现这一点:

import scheduleimport timedef job():    print("I'm working...")schedule.every(10).seconds.do(job)while True:    schedule.run_pending()    time.sleep(1)

在这段代码中,咱们首先定义了一个爬虫工作job。而后,咱们应用schedule.every().seconds.do()办法设置工作的执行距离。最初,咱们应用一个有限循环来一直执行待运行的工作。

爬虫道德规范:恪守robots.txt

在进行爬虫时,咱们须要尊重网站的robots.txt规定。robots.txt是一个寄存在网站根目录下的文本文件,用于通知爬虫哪些页面能够抓取,哪些页面不能够抓取。

Python的urllib.robotparser模块能够帮忙咱们解析robots.txt

from urllib.robotparser import RobotFileParserrp = RobotFileParser()rp.set_url('http://www.python.org/robots.txt')rp.read()can_fetch = rp.can_fetch('*', 'http://www.python.org/')print(can_fetch)

在这段代码中,咱们首先创立了一个RobotFileParser对象,而后应用set_url办法设置robots.txt的URL,并应用read办法读取和解析robots.txt。最初,咱们应用can_fetch办法判断咱们的爬虫是否能够抓取指定的URL。

请留神,不是所有的网站都有robots.txt,也不是所有的网站都会严格遵守robots.txt。在爬取网站时,除了尊重robots.txt,咱们还应该尽量减小爬虫对网站的影响,例如限度爬取频率,防止在网站高访问量的时候爬取。

总结

总结起来,Python爬虫尽管有许多简单的技术和知识点,但只有把握了基础知识和一些实用技巧,就能够解决大部分的爬虫工作。将来,我将持续分享更多的Python爬虫常识和技巧。

如有帮忙,请多关注
集体微信公众号:【Python全视角】
TeahLead_KrisChang,10+年的互联网和人工智能从业教训,10年+技术和业务团队治理教训,同济软件工程本科,复旦工程治理硕士,阿里云认证云服务资深架构师,上亿营收AI产品业务负责人。