网络爬虫精要

栏目: 编程工具 · 发布时间: 5年前

内容简介:repo:网络爬虫是一种按照一定的规则,自动地抓取网站信息的程序或者脚本。本文以Python语言为例简要谈谈爬虫是如何编写的。

repo: github.com/alphardex/p…

网络爬虫是一种按照一定的规则,自动地抓取网站信息的程序或者脚本。

本文以 Python 语言为例简要谈谈爬虫是如何编写的。

如何爬取网站信息

写爬虫之前,我们必须确保能够爬取目标网站的信息。

不过在此之前必须弄清以下三个问题:

  1. 网站是否已经提供了api
  2. 网站是静态的还是动态的
  3. 网站是否有反爬的对策

情形1:开放api的网站

一个网站倘若开放了api,那你就可以直接GET到它的json数据。

比如xkcd的about页就提供了api供你下载

import requests
requests.get('https://xkcd.com/614/info.0.json').json()
复制代码

那么如何判断一个网站是否开放api呢?有3种方法:

  1. 在站内寻找api入口
  2. 用搜索引擎搜索“某网站 api”
  3. 抓包。有的网站虽然用到了ajax(比如果壳网的瀑布流文章,亦或是unsplash的瀑布流图片),但是通过抓包还是能够获取XHR里的json数据的,不要傻乎乎地去用selenium,反而会降低效率。

怎么抓包:F12 - Network - F5刷新

实际上,app的数据也可以通过抓包来获取。

app抓包

安装fiddler并启动,打开Tools-Options-Connections,将Allow remote computers to connect打上勾并重启fiddler。

命令行上输入ipconfig,查看自己网络的ipv4地址,在手机的网络上设置HTTP代理,端口为8888。

这时虽说能抓到数据,但都是HTTP的,而app的大部分数据都是HTTPS的。

在Options-HTTPS中将Decrypt HTTPS traffic打上勾。

以ios系统为例,在Safari浏览器中输入http://ipv4:8888,下载证书并安装。

这样就能抓到HTTPS数据啦!

情形2:不开放api的网站

如果此网站是静态页面,那么你就可以解析它的HTML。

解析库强烈推荐parsel,不仅语法和css选择器类似,而且速度也挺快,Scrapy用的就是它。

你需要了解一下css选择器的语法(xpath也行),并且学会看网页的审查元素

比如获取konachan的所有原图链接

from parsel import Selector
res = requests.get('https://konachan.com/post')
tree = Selector(text=res.text)
imgs = tree.css('a.directlink::attr(href)').extract()
复制代码

如果此网站是动态页面,先用selenium来渲染JS,再用HTML解析库来解析driver的page_source。

比如获取hitomi.la的数据(这里把chrome设置成了无头模式)

from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('--headless')
driver = webdriver.Chrome(options=options)
driver.get('https://hitomi.la/type/gamecg-all-1.html')
tree = Selector(text=driver.page_source)
gallery_content = tree.css('.gallery-content > div')
复制代码

情形3:反爬的网站

目前的反爬策略常见的有:验证码、登录、封ip等。

验证码:利用打码平台破解(如果硬上的话用opencv或keras训练图)

登录:利用requests的post或者selenium模拟用户进行模拟登陆

封ip:买些代理ip(免费ip一般都不管用),requests中传入proxies参数即可

其他防反爬方法:伪装User-Agent,禁用cookies等

如何编写结构化的爬虫

爬虫的结构很简单,无非就是创造出一个tasklist,对tasklist里的每一个task调用crawl函数。

大多数网页的url构造都是有规律的,你只需根据它用列表推倒式来构造出tasklist

对于那些url不变的动态网页,先考虑抓包,不行再用selenium点击下一页

如果追求速度的话,可以考虑用concurrent.futures或者asyncio等库。

import requests
from parsel import Selector
from concurrent import futures

domain = 'https://www.doutula.com'

def crawl(url):
    res = requests.get(url)
    tree = Selector(text=res.text)
    imgs = tree.css('img.lazy::attr(data-original)').extract()
    # save the imgs ...


if __name__ == '__main__':
    tasklist = [f'{domain}/article/list/?page={i}' for i in range(1, 551)]
    with futures.ThreadPoolExecutor(50) as executor:
        executor.map(crawl, tasklist)
复制代码

数据存储的话,看需求,存到数据库中的话只需熟悉对应的驱动即可。

常用的数据库驱动有: pymysql (MySQL), pymongo (MongoDB)

框架

读到这里,相信你已经对网络爬虫的结构有了个清晰的认识,可以去上手框架了。

looter 是本人写的一个轻量级框架,适合中小型项目;比较大型的项目建议用 scrapy


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

游戏化实战

游戏化实战

[美]Yu-kai Chou / 杨国庆 / 华中科技大学出版社 / 2017-1 / 59.00

TED演讲人作品,罗辑思维、华为首席用户体验架构师、思科网络体验CTO推荐。 随书附有TED演讲中文视频及作者开设的游戏化初学者课程。作者为Google、乐高、华为、思科、斯坦福大学、丹麦创新中心等多家企业、机构提供高层培训与合作。 ********************** “我长期以来都在密切关注Yu-kai的研究成果。任何想要让工作、生活变美好的人都应该阅读这本书。” ......一起来看看 《游戏化实战》 这本书的介绍吧!

RGB转16进制工具
RGB转16进制工具

RGB HEX 互转工具

随机密码生成器
随机密码生成器

多种字符组合密码