谈谈对Python爬虫的理解

python

爬虫也可以称为 Python 爬虫

不知从何时起，Python这门语言和爬虫就像一对恋人，二者如胶似漆 ，形影不离，你中有我、我中有你，一提起爬虫，就会想到Python，一说起Python，就会想到人工智能……和爬虫

所以，一般说爬虫的时候，大部分 程序员 潜意识里都会联想为Python爬虫，为什么会这样，我觉得有两个原因：

• Python生态极其丰富，诸如Request、Beautiful Soup、Scrapy、PySpider等第三方库实在强大
• Python语法简洁易上手，分分钟就能写出一个爬虫（有人吐槽Python慢，但是爬虫的瓶颈和语言关系不大）

任何一个学习Python的程序员，应该都或多或少地见过甚至研究过爬虫，我当时写Python的目的就非常纯粹——为了写爬虫。所以本文的目的很简单，就是说说我个人对Python爬虫的理解与实践，作为一名程序员，我觉得了解一下爬虫的相关知识对你只有好处，所以读完这篇文章后，如果能对你有帮助，那便再好不过

什么是爬虫

爬虫是一个程序，这个程序的目的就是为了抓取万维网信息资源，比如你日常使用的谷歌等搜索引擎，搜索结果就全都依赖爬虫来定时获取

看上述搜索结果，除了wiki相关介绍外，爬虫有关的搜索结果全都带上了Python，前人说Python爬虫，现在看来果然诚不欺我～

爬虫的目标对象也很丰富，不论是文字、图片、视频，任何结构化非结构化的数据爬虫都可以爬取，爬虫经过发展，也衍生出了各种爬虫类型：

• 通用网络爬虫：爬取对象从一些种子 URL 扩充到整个 Web，搜索引擎干的就是这些事
• 垂直网络爬虫：针对特定领域主题进行爬取，比如专门爬取小说目录以及章节的垂直爬虫
• 增量网络爬虫：对已经抓取的网页进行实时更新
• 深层网络爬虫：爬取一些需要用户提交关键词才能获得的 Web 页面

不想说这些大方向的概念，让我们以一个获取网页内容为例，从爬虫技术本身出发，来说说网页爬虫，步骤如下：

• 模拟请求网页资源
• 从HTML提取目标元素
• 数据持久化

什么是爬虫，这就是爬虫：

"""让我们根据上面说的步骤来完成一个简单的爬虫程序"""
import requests

from bs4 import BeautifulSoup

target_url = 'http://www.baidu.com/s?wd=爬虫'

# 第一步 发起一个GET请求
res = requests.get(target_url)

# 第二步 提取HTML并解析想获取的数据 比如获取 title
soup = BeautifulSoup(res.text, "lxml")
# 输出 soup.title.text
title = soup.title.text

# 第三步 持久化 比如保存到本地
with open('title.txt', 'w') as fp:
    fp.write(title)

加上注释不到20行代码，你就完成了一个爬虫，简单吧

怎么写爬虫

网页世界多姿多彩、亿万网页资源供你选择，面对不同的页面，怎么使自己编写的爬虫程序够稳健、持久，这是一个值得讨论的问题

俗话说，磨刀不误砍柴工，在开始编写爬虫之前，很有必要掌握一些基本知识：

• 网页的结构是HTML，爬虫的目标就是解析HTML，获取目标字段并保存
• 客户端展现的网页由浏览器渲染，客户端和服务端的信息交互依靠HTTP协议

这两句描述体现了一名爬虫开发人员需要掌握的基本知识，不过一名基本的后端或者前端工程师都会这些哈哈，这也说明了爬虫的入门难度极低，从这两句话，你能思考出哪些爬虫必备的知识点呢？

• 基本的HTML知识，了解HTML才方便目标信息提取
• 基本的JS知识 ，JS可以异步加载HTML
• 了解CSS Selector、XPath以及正则，目的是为了提取数据
• 了解HTTP协议，为后面的反爬虫斗争打下基础
• 了解基本的数据库操作，为了数据持久化

有了这些知识储备，接下来就可以选择一门语言，开始编写自己的爬虫程序了，还是按照上一节说的三个步骤，然后以Python为例，说一说要在编程语言方面做那些准备：

• 网页请求：内置有urllib库，第三方库的话，同步请求可以使用requests，异步请求使用aiohttp
• 分析HTML结构并提取目标元素：CSS Selector和XPath是目前主流的提取方式，第三方库可以使用Beautiful Soup或者PyQuery
• 数据持久化：目标数据提取之后，可以将数据保存到数据库中进行持久化，MySQL、 MongoDB 等，这些都有对应的库支持，当然你也可以保存在硬盘，谁硬盘没点东西对吧（滑稽脸）

掌握了上面这些，你大可放开手脚大干一场，万维网就是你的名利场，去吧～

我觉得对于一个目标网站的网页，可以分下面四个类型：

• 单页面单目标
• 单页面多目标
• 多页面单目标
• 多页面多目标

具体是什么意思呢，可能看起来有点绕，但明白这些，你之后写爬虫，只要在脑子里面过一遍着网页对应什么类型，然后套上对应类型的程序（写多了都应该有一套自己的常用代码库），那写爬虫的速度，自然不会慢

单页面单目标

通俗来说，就是在这个网页里面，我们的目标就只有一个，假设我们的需求是抓取这部 电影-肖申克的救赎 的名称，首先打开网页右键审查元素，找到电影名称对应的元素位置，如下图所示：

在某个单一页面内，看目标是不是只有一个，一眼就能看出标题的CSS Selector规则为： #content > h1 > span:nth-child(1) ，然后用我自己写的常用库，我用不到十行代码就能写完抓取这个页面电影名称的爬虫：

import asyncio

from ruia import Item, TextField

class DoubanItem(Item):
    title = TextField(css_select='#content > h1 > span:nth-child(1)')

async_func = DoubanItem.get_item(url="https://movie.douban.com/subject/1292052/")
item = asyncio.get_event_loop().run_until_complete(async_func)
print(item.title)

多页面多目标就是此情况下多个url的衍生情况

单页面多目标

假设现在的需求是抓取 豆瓣电影250 第一页中的所有电影名称，你需要提取25个电影名称，因为这个目标页的目标数据是多个item的，因此目标需要循环获取，这就是所谓的单页面多目标了：

import asyncio

from ruia import Item, TextField

class DoubanItem(Item):
    target_item = TextField(css_select='div.item')
    title = TextField(css_select='span.title')

    async def clean_title(self, title):
        if isinstance(title, str):
            return title
        else:
            return ''.join([i.text.strip().replace('\xa0', '') for i in title])


async_func = DoubanItem.get_items(url="https://movie.douban.com/top250")
items = asyncio.get_event_loop().run_until_complete(async_func)
for item in items:
    print(item)

多页面多目标

多页面多目标是上述单页面多目标情况的衍生，在这个问题上来看，此时就是获取所有分页的电影名称

from ruia import TextField, Item, Request, Spider


class DoubanItem(Item):
    """
    定义爬虫的目标字段
    """
    target_item = TextField(css_select='div.item')
    title = TextField(css_select='span.title')

    async def clean_title(self, title):
        if isinstance(title, str):
            return title
        else:
            return ''.join([i.text.strip().replace('\xa0', '') for i in title])


class DoubanSpider(Spider):
    start_urls = ['https://movie.douban.com/top250']
    concurrency = 10

    async def parse(self, res):
        etree = res.html_etree
        pages = ['?start=0&filter='] + [i.get('href') for i in etree.cssselect('.paginator>a')]

        for index, page in enumerate(pages):
            url = self.start_urls[0] + page
            yield Request(
                url,
                callback=self.parse_item,
                metadata={'index': index},
                request_config=self.request_config
            )

    async def parse_item(self, res):
        items_data = await DoubanItem.get_items(html=res.html)
        res_list = []
        for item in items_data:
            res_list.append(item.title)
        return res_list


if __name__ == '__main__':
    DoubanSpider.start()

如果网络没问题的话，会得到如下输出：

注意爬虫运行时间，1s不到，这就是异步的魅力

用Python写爬虫，就是这么简单优雅，诸位，看着网页就思考下：

• 是什么类型的目标类型
• 用什么库模拟请求
• 怎么解析目标字段
• 怎么存储

一个爬虫程序就成型了，顺便一提，爬虫这东西，可以说是防君子不防小人， robots.txt 大部分网站都有（它的目的是告诉爬虫什么可以爬取什么不可以爬取，比如： https://www.baidu.com/robots.txt ），各位想怎么爬取，自己衡量

如何进阶

不要以为写好一个爬虫程序就可以出师了，此时还有更多的问题在前面等着你，你要含情脉脉地看着你的爬虫程序，问自己三个问题：

• 爬虫抓取数据后是正当用途么？
• 爬虫会把目标网站干掉么？
• 爬虫会被反爬虫干掉么？

前两个关于人性的问题在此不做过多叙述，因此跳过，但你们如果作为爬虫工程师的话，切不可跳过

会被反爬虫干掉么？

最后关于反爬虫的问题才是你爬虫程序强壮与否的关键因素，什么是反爬虫？

当越来越多的爬虫在互联网上横冲直撞后，网页资源维护者为了防止自身数据被抓取，开始进行一系列的措施来使得自身数据不易被别的程序爬取，这些措施就是反爬虫

比如检测IP访问频率、资源访问速度、链接是否带有关键参数、验证码检测机器人、ajax混淆、js加密等等

对于目前市场上的反爬虫，爬虫工程师常有的反反爬虫方案是下面这样的：

• 不断试探目标底线，试出单IP下最优的访问频率
• 构建自己的IP代理池
• 维护一份自己常用的UA库
• 针对目标网页的Cookie池
• 需要JS渲染的网页使用无头浏览器进行代码渲染再抓取
• 一套破解验证码程序
• 扎实的JS知识来破解混淆函数

爬虫工程师的进阶之路其实就是不断反反爬虫，可谓艰辛，但换个角度想也是乐趣所在

关于框架

爬虫有自己的编写流程和标准，有了标准，自然就有了框架，像Python这种生态强大的语言，框架自然是多不胜数，目前世面上用的比较多的有：

• Scrapy
• PySpider
• Portia

这里不过多介绍，框架只是工具，是一种提升效率的方式，看你选择

说明

任何事物都有两面性，爬虫自然也不例外，因此我送诸位一张图，关键时刻好好想想

本文由howie6879 创作，采用 知识共享署名4.0 国际许可协议进行许可，转载请注明出处！