python爬虫总章【含源码】

用Python开发爬虫是一件很轻松愉悦的事情,因为其相关库较多,而且使用方便,短短十几行代码就可以完成一个爬虫的开发;
但是,在应对具有反爬措施的网站,使用js动态加载的网站,App采集的时候就得动动脑子了;并且在开发分布式爬虫,高性能爬虫的时候更得用心设计。

Python开发爬虫常用的工具总结

  1. reqeusts:Python HTTP网络请求库;
  2. pyquery: Python HTML DOM结构解析库,采用类似JQuery的语法;
  3. BeautifulSoup:python HTML以及XML结构解析;
  4. selenium:Python自动化测试框架,可以用于爬虫;
  5. phantomjs:无头浏览器,可以配合selenium获取js动态加载的内容;
  6. re:python内建正则表达式模块;
  7. fiddler:抓包工具,原理就是是一个代理服务器,可以抓取手机包;
  8. anyproxy:代理服务器,可以自己撰写rule截取request或者response,通常用于客户端采集;
  9. celery:Python分布式计算框架,可用于开发分布式爬虫;
  10. gevent:Python基于协程的网络库,可用于开发高性能爬虫
  11. grequests:异步requests
  12. aiohttp:异步http client/server框架
  13. asyncio:python内建异步io,事件循环库
  14. uvloop:一个非常快速的事件循环库,配合asyncio效率极高
  15. concurrent:Python内建用于并发任务执行的扩展
  16. scrapy:python 爬虫框架;
  17. Splash:一个JavaScript渲染服务,相当于一个轻量级的浏览器,配合lua脚本通过他的http API 解析页面;
  18. Splinter:开源自动化Python web测试工具
  19. pyspider:Python爬虫系统

网页抓取思路

    1. 数据是否可以直接从HTML中获取?数据直接嵌套在页面的HTML结构中;
    2. 数据是否使用JS动态渲染到页面中的?数据嵌套在js代码中,然后采用js加载到页面或者采用ajax渲染;
    3. 获取的页面使用是否需要认证?需要登录后页面才可以访问;
    4. 数据是否直接可以通过API得到?有些数据是可以直接通过api获取到,省去解析HTML的麻烦,大多数API都是以JSON格式返回数据;
    5. 来自客户端的数据如何采集?例如:微信APP和微信客户端

如何应对反爬

  1. 不要太过分,控制爬虫的速率,别把人家整垮了,那就两败俱伤了;
  2. 使用代理隐藏真实IP,并且实现反爬;
  3. 让爬虫看起来像人类用户,选择性滴设置以下HTTP头部:
    • Host:https://www.baidu.com
    • Connection:keep-alive
    • Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8
    • UserAgent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36
    • Referer: http://s.weibo.com/user/gamelife1314&Refer=index
    • Accept-Encoding: gzip, deflate
    • Accept-Language: zh-CN,zh;q=0.8
  4. 查看网站的cookie,在某些情况下,请求需要添加cookie用于通过服务端的一些校验;

案例说明

静态页面解析(获取微信公众号文章)
 1 import pyquery
 2 import re
 3
 4
 5 def weixin_article_html_parser(html):
 6     """
 7     解析微信文章,返回包含文章主体的字典信息
 8     :param html: 文章HTML源代码
 9     :return:
10     """
11
12     pq = pyquery.PyQuery(html)
13
14     article = {
15         "weixin_id": pq.find("#js_profile_qrcode "
16                                ".profile_inner .profile_meta").eq(0).find("span").text().strip(),
17         "weixin_name": pq.find("#js_profile_qrcode .profile_inner strong").text().strip(),
18         "account_desc": pq.find("#js_profile_qrcode .profile_inner "
19                                 ".profile_meta").eq(1).find("span").text().strip(),
20         "article_title": pq.find("title").text().strip(),
21         "article_content": pq("#js_content").remove(‘script‘).text().replace(r"\r\n", ""),
22         "is_orig": 1 if pq("#copyright_logo").length > 0 else 0,
23         "article_source_url": pq("#js_sg_bar .meta_primary").attr(‘href‘) if pq(
24             "#js_sg_bar .meta_primary").length > 0 else ‘‘,
25
26     }
27
28     # 使用正则表达式匹配页面中js脚本中的内容
29     match = {
30         "msg_cdn_url": {"regexp": "(?<=\").*(?=\")", "value": ""},  # 匹配文章封面图
31         "var ct": {"regexp": "(?<=\")\d{10}(?=\")", "value": ""},  # 匹配文章发布时间
32         "publish_time": {"regexp": "(?<=\")\d{4}-\d{2}-\d{2}(?=\")", "value": ""},  # 匹配文章发布日期
33         "msg_desc": {"regexp": "(?<=\").*(?=\")", "value": ""},  # 匹配文章简介
34         "msg_link": {"regexp": "(?<=\").*(?=\")", "value": ""},  # 匹配文章链接
35         "msg_source_url": {"regexp": "(?<=‘).*(?=‘)", "value": ""},  # 获取原文链接
36         "var biz": {"regexp": "(?<=\")\w{1}.+?(?=\")", "value": ""},
37         "var idx": {"regexp": "(?<=\")\d{1}(?=\")", "value": ""},
38         "var mid": {"regexp": "(?<=\")\d{10,}(?=\")", "value": ""},
39         "var sn": {"regexp": "(?<=\")\w{1}.+?(?=\")", "value": ""},
40     }
41     count = 0
42     for line in html.split("\n"):
43         for item, value in match.items():
44             if item in line:
45                 m = re.search(value["regexp"], line)
46                 if m is not None:
47                     count += 1
48                     match[item]["value"] = m.group(0)
49                 break
50         if count >= len(match):
51             break
52
53     article["article_short_desc"] = match["msg_desc"]["value"]
54     article["article_pos"] = int(match["var idx"]["value"])
55     article["article_post_time"] = int(match["var ct"]["value"])
56     article["article_post_date"] = match["publish_time"]["value"]
57     article["article_cover_img"] = match["msg_cdn_url"]["value"]
58     article["article_source_url"] = match["msg_source_url"]["value"]
59     article["article_url"] = "https://mp.weixin.qq.com/s?__biz={biz}&mid={mid}&idx={idx}&sn={sn}".format(
60         biz=match["var biz"]["value"],
61         mid=match["var mid"]["value"],
62         idx=match["var idx"]["value"],
63         sn=match["var sn"]["value"],
64     )
65
66     return article
67
68
69 if __name__ == ‘__main__‘:
70
71     from pprint import pprint
72     import requests
73     url = ("https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1"
74            "&sn=39419542de39a821bb5d1570ac50a313&scene=0#wechat_redirect")
75     pprint(weixin_article_html_parser(requests.get(url).text))
76
77 # {‘account_desc‘: ‘夜听,让更多的家庭越来越幸福。‘,
78 #  ‘article_content‘: ‘文字:安梦 \xa0 \xa0 声音:刘筱 得到了什么?又失去了什么?‘,
79 #  ‘article_cover_img‘: ‘http://mmbiz.qpic.cn/mmbiz_jpg/4iaBNpgEXstYhQEnbiaD0AwbKhmCVWSeCPBQKgvnSSj9usO4q997wzoicNzl52K1sYSDHBicFGL7WdrmeS0K8niaiaaA/0?wx_fmt=jpeg‘,
80 #  ‘article_pos‘: 1,
81 #  ‘article_post_date‘: ‘2017-07-02‘,
82 #  ‘article_post_time‘: 1499002202,
83 #  ‘article_short_desc‘: ‘周日    来自刘筱的晚安问候。‘,
84 #  ‘article_source_url‘: ‘‘,
85 #  ‘article_title‘: ‘【夜听】走到这里‘,
86 #  ‘article_url‘: ‘https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1&sn=39419542de39a821bb5d1570ac50a313‘,
87 #  ‘is_orig‘: 0,
88 #  ‘weixin_id‘: ‘yetingfm‘,
89 #  ‘weixin_name‘: ‘夜听‘}
使用phantomjs解析js渲染的页面–微博搜索

有些页面采用复杂的js逻辑处理,包含各种Ajax请求,请求之间还包含一些加密操作,通过分析js逻辑重新渲染页面拿到
想要的数据可谓比登天还难,没有坚实的js基础,不熟悉各种js框架,搞明白这种页面就别想了;
采取类似浏览器的方式渲染页面,直接获取页面HTML方便多了。

例如:http://s.weibo.com/ 搜索出来的结果是使用js动态渲染的,直接获取HTML并不会得到搜索的结果,所以我们要运行
页面中的js,将页面渲染成功以后,再获取它的HTML进行解析;

使用Python模拟登陆获取cookie

有些网站比较蛋疼,通常需要登录之后才可以获取数据,下面展示一个简单的例子:用于登录网站吗,获取cookie,然后可以用于其他请求

但是,这里仅仅在没有验证码的情况下,如果要有短信验证,图片验证,邮箱验证那就要另行设计了;

目标网站:http://www.newrank.cn,日期:2017-07-03,如果网站结构更改,就需要修改代以下码了;

 1 #!/usr/bin/env python3
 2 # encoding: utf-8
 3 import time
 4 from urllib import parse
 5
 6 from selenium import webdriver
 7 from selenium.common.exceptions import TimeoutException, WebDriverException
 8 from selenium.webdriver.common.action_chains import ActionChains
 9 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
10 from pyquery import PyQuery
11
12
13 def weibo_user_search(url: str):
14     """通过phantomjs获取搜索的页面html"""
15
16     desired_capabilities = DesiredCapabilities.CHROME.copy()
17     desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
18                                                                  "AppleWebKit/537.36 (KHTML, like Gecko) "
19                                                                  "Chrome/59.0.3071.104 Safari/537.36")
20     desired_capabilities["phantomjs.page.settings.loadImages"] = True
21     # 自定义头部
22     desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
23     desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
24     desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"
25
26     driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs",  # 设置phantomjs路径
27                                  desired_capabilities=desired_capabilities,
28                                  service_log_path="ghostdriver.log",)
29     # 设置对象的超时时间
30     driver.implicitly_wait(1)
31     # 设置页面完全加载的超时时间,包括页面全部渲染,异步同步脚本都执行完成
32     driver.set_page_load_timeout(60)
33     # 设置异步脚本的超时时间
34     driver.set_script_timeout(60)
35
36     driver.maximize_window()
37     try:
38         driver.get(url=url)
39         time.sleep(1)
40         try:
41             # 打开页面之后做一些操作
42             company = driver.find_element_by_css_selector("p.company")
43             ActionChains(driver).move_to_element(company)
44         except WebDriverException:
45             pass
46         html = driver.page_source
47         pq = PyQuery(html)
48         person_lists = pq.find("div.list_person")
49         if person_lists.length > 0:
50             for index in range(person_lists.length):
51                 person_ele = person_lists.eq(index)
52                 print(person_ele.find(".person_name > a.W_texta").attr("title"))
53         return html
54     except (TimeoutException, Exception) as e:
55         print(e)
56     finally:
57         driver.quit()
58
59 if __name__ == ‘__main__‘:
60     weibo_user_search(url="http://s.weibo.com/user/%s" % parse.quote("新闻"))
61 # 央视新闻
62 # 新浪新闻
63 # 新闻
64 # 新浪新闻客户端
65 # 中国新闻周刊
66 # 中国新闻网
67 # 每日经济新闻
68 # 澎湃新闻
69 # 网易新闻客户端
70 # 凤凰新闻客户端
71 # 皇马新闻
72 # 网络新闻联播
73 # CCTV5体育新闻
74 # 曼联新闻
75 # 搜狐新闻客户端
76 # 巴萨新闻
77 # 新闻日日睇
78 # 新垣结衣新闻社
79 # 看看新闻KNEWS
80 # 央视新闻评论
使用Python模拟登陆获取cookie

有些网站比较蛋疼,通常需要登录之后才可以获取数据,下面展示一个简单的例子:用于登录网站吗,获取cookie,然后可以用于其他请求

但是,这里仅仅在没有验证码的情况下,如果要有短信验证,图片验证,邮箱验证那就要另行设计了;

目标网站:http://www.newrank.cn,日期:2017-07-03,如果网站结构更改,就需要修改代以下码了;

 1 #!/usr/bin/env python3
 2 # encoding: utf-8
 3
 4 from time import sleep
 5 from pprint import pprint
 6
 7 from selenium.common.exceptions import TimeoutException, WebDriverException
 8 from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
 9 from selenium import webdriver
10
11
12 def login_newrank():
13     """登录新榜,获取他的cookie信息"""
14
15     desired_capabilities = DesiredCapabilities.CHROME.copy()
16     desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
17                                                                  "AppleWebKit/537.36 (KHTML, like Gecko) "
18                                                                  "Chrome/59.0.3071.104 Safari/537.36")
19     desired_capabilities["phantomjs.page.settings.loadImages"] = True
20
21     # 自定义头部
22     desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
23     desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
24     desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"
25
26     # 填写自己的账户进行测试
27     user = {
28         "mobile": "user",
29         "password": "password"
30     }
31
32     print("login account: %s" % user["mobile"])
33
34     driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs",
35                                  desired_capabilities=desired_capabilities,
36                                  service_log_path="ghostdriver.log", )
37
38     # 设置对象的超时时间
39     driver.implicitly_wait(1)
40     # 设置页面完全加载的超时时间,包括页面全部渲染,异步同步脚本都执行完成
41     driver.set_page_load_timeout(60)
42     # 设置异步脚本的超时时间
43     driver.set_script_timeout(60)
44
45     driver.maximize_window()
46
47     try:
48         driver.get(url="http://www.newrank.cn/public/login/login.html?back=http%3A//www.newrank.cn/")
49         driver.find_element_by_css_selector(".login-normal-tap:nth-of-type(2)").click()
50         sleep(0.2)
51         driver.find_element_by_id("account_input").send_keys(user["mobile"])
52         sleep(0.5)
53         driver.find_element_by_id("password_input").send_keys(user["password"])
54         sleep(0.5)
55         driver.find_element_by_id("pwd_confirm").click()
56         sleep(3)
57         cookies = {user["name"]: user["value"] for user in driver.get_cookies()}
58         pprint(cookies)
59
60     except TimeoutException as exc:
61         print(exc)
62     except WebDriverException as exc:
63         print(exc)
64     finally:
65         driver.quit()
66
67 if __name__ == ‘__main__‘:
68     login_newrank()
69 # login account: 15395100590
70 # {‘CNZZDATA1253878005‘: ‘1487200824-1499071649-%7C1499071649‘,
71 #  ‘Hm_lpvt_a19fd7224d30e3c8a6558dcb38c4beed‘: ‘1499074715‘,
72 #  ‘Hm_lvt_a19fd7224d30e3c8a6558dcb38c4beed‘: ‘1499074685,1499074713‘,
73 #  ‘UM_distinctid‘: ‘15d07d0d4dd82b-054b56417-9383666-c0000-15d07d0d4deace‘,
74 #  ‘name‘: ‘15395100590‘,
75 #  ‘rmbuser‘: ‘true‘,
76 #  ‘token‘: ‘A7437A03346B47A9F768730BAC81C514‘,
77 #  ‘useLoginAccount‘: ‘true‘}

在获取cookie之后就可以将获得的cookie添加到后续的请求中了,但是因为cookie是具有有效期的,因此需要定时更新;
可以通过设计一个cookie池来实现,动态定时登录一批账号,获取cookie之后存放在数据库中(redis,MySQL等等),
请求的时候从数据库中获取一条可用cookie,并且添加在请求中访问;

使用pyqt5爬个数据试试(PyQt 5.9.2)
import sys
import csv

import pyquery

from PyQt5.QtCore import QUrl
from PyQt5.QtWidgets import QApplication
from PyQt5.QtWebEngineWidgets import QWebEngineView

class Browser(QWebEngineView):

    def __init__(self):
        super(Browser, self).__init__()
        self.__results = []
        self.loadFinished.connect(self.__result_available)

    @property
    def results(self):
        return self.__results

    def __result_available(self):
        self.page().toHtml(self.__parse_html)

    def __parse_html(self, html):
        pq = pyquery.PyQuery(html)
        for rows in [pq.find("#table_list tr"), pq.find("#more_list tr")]:
            for row in rows.items():
                columns = row.find("td")
                d = {
                    "avatar": columns.eq(1).find("img").attr("src"),
                    "url": columns.eq(1).find("a").attr("href"),
                    "name": columns.eq(1).find("a").attr("title"),
                    "fans_number": columns.eq(2).text(),
                    "view_num": columns.eq(3).text(),
                    "comment_num": columns.eq(4).text(),
                    "post_count": columns.eq(5).text(),
                    "newrank_index": columns.eq(6).text(),
                }
                self.__results.append(d)

        with open("results.csv", "a+", encoding="utf-8") as f:
            writer = csv.DictWriter(f, fieldnames=["name", "fans_number", "view_num", "comment_num", "post_count",
                                                   "newrank_index", "url", "avatar"])
            writer.writerows(self.results)

    def open(self, url: str):
        self.load(QUrl(url))

if __name__ == ‘__main__‘:
    app = QApplication(sys.argv)
    browser = Browser()
    browser.open("https://www.newrank.cn/public/info/list.html?period=toutiao_day&type=data")
    browser.show()
    app.exec_()

持续更新中: 

5. 使用Fiddler抓包分析

  1. 浏览器抓包
  2. fiddler手机抓包

6. 使用anyproxy抓取客户端数据–客户端数据采集

7. 关于开发高性能爬虫的总结

887934385 交流群 分享资料,分享技术

原文地址:https://www.cnblogs.com/pypypy/p/12019283.html

时间: 2024-11-05 15:58:30

python爬虫总章【含源码】的相关文章

80个Python经典资料(教程+源码+工具)汇总——下载目录 ...

原文转自:http://bbs.51cto.com/thread-935214-1.html 大家好,51CTO下载中心根据资料的热度和好评度收集了80个Python资料,分享给Python开发的同学.内容包括1个Python专题.66个学习资料.7套Python源码和6个相关软件.附件较多,无法一一分享,在此大家整理一个下载目录了,可以保存以备后用,需要时可选择性下载. 附件下载地址:http://down.51cto.com/data/432858 附件内容部分预览: [专题推荐]Pytho

Python3爬虫实战:实战源码+博客讲解

Python Spider 贵有恒,何必三更起五更睡:最无益,只怕一日暴十寒. Python3爬虫实战:实战源码+博客讲解 个人网站 CSDN博客 CSDN爬虫专栏 学习交流群[328127489] 声明 代码.教程仅限于学习交流,请勿用于任何商业用途! 文章首发声明 文章在自己的个人网站首发,其他平台文章均属转发,如想获得最新更新进展,欢迎关注我的个人网站:http://cuijiahua.com/ 目录 爬虫小工具 文件下载小助手 爬虫实战 笔趣看小说下载 百度文库免费文章下载助手_rev1

c++实现游戏开发中常用的对象池(含源码)

c++实现游戏开发中常用的对象池(含源码) little_stupid_child2017-01-06上传 对象池的五要素: 1.对象集合 2.未使用对象索引集合 3.已使用对象索引集合 4.当前使用量 5.最大使用量 http://download.csdn.net/download/little_stupid_child/9730912

第六章 ReentrantLock源码解析2--释放锁unlock()

最常用的方式: int a = 12; //注意:通常情况下,这个会设置成一个类变量,比如说Segement中的段锁与copyOnWriteArrayList中的全局锁 final ReentrantLock lock = new ReentrantLock(); lock.lock();//获取锁 try { a++;//业务逻辑 } catch (Exception e) { }finally{ lock.unlock();//释放锁 } 注:关于lock()方法的源码解析,请参照"第五章

第十四章 Executors源码解析

前边两章介绍了基础线程池ThreadPoolExecutor的使用方式.工作机理.参数详细介绍以及核心源码解析. 具体的介绍请参照: 第十二章 ThreadPoolExecutor使用与工作机理 第十三章 ThreadPoolExecutor源码解析 1.Executors与ThreadPoolExecutor ThreadPoolExecutor 可以灵活的自定义的创建线程池,可定制性很高 想创建好一个合适的线程池比较难 使用稍微麻烦一些 实际中很少使用 Executors 可以创建4种线程池

微信公众平台开发-access_token获取及应用(含源码)

微信公众平台开发-access_token获取及应用(含源码)作者: 孟祥磊-<微信公众平台开发实例教程> 很多系统中都有access_token参数,对于微信公众平台的access_token参数,微信服务器判断该公众平台所拥有的权限,允许或者禁止公众平台进行当前的操作. 一.access_token作用及使用场景 (一)access_token的作用 access_token由公众号的AppID和AppSecret组成,所以具有识别公众号的作用. (二)access_token的使用场景

17+个ASP.NET MVC扩展点,含源码{转}

1.自定义一个HttpModule,并将其中的方法添加到HttpApplication相应的事件中!即:创建一个实现了IHttpmodule接口的类,并将配置WebConfig.在自定义的HttpModule中,可以将一个方法注册到HttpApplication的任意一个事件中,在之后执行HttpApplication一些列事件时,按照事件的顺序(事件又按照添加方法先后的顺序)执行注册在事件中的方法! namespace MvcStore.Models { public class Excute

MultiThread(VS2013 MFC多线程-含源码-含个人逐步实现文档)

原文:http://download.csdn.net/download/jobfind/9559162 MultiThread(VS2013 MFC多线程-含源码-含个人逐步实现文档).rar

Javaweb实现的优优图书商城(含源码)

原文地址:http://www.cnblogs.com/liaoyu/p/uushop.html 源码地址:https://github.com/liaoyu/uushop 贴出一个大学时做的小项目,供有需要的朋友参考,名为优优图书商城,下面为关于它的一些介绍 主要功能介绍: 用户注册.登录.个人信息管理.通过邮件找回密码 图书搜索.购买.在线浏览,购物车管理 后台echart图表显示.源代码在线编辑 主要技术: 数据库 : mysql 后台语言: Java 后台框架: Hibernate Sp