Python爬虫原理

Python爬虫原理

 

前言

简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；

一、爬虫是什么？

如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，

沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用；

二、爬虫的基本流程：

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2；

 

1、发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等 

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

3、解析内容

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）

文件file

三、http协议 请求与响应

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

四、 request

1、请求方式：

常见的请求方式：GET / POST

2、请求的URL

url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定

url编码

https://www.baidu.com/s?wd=图片

图片会被编码（看示例代码）

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

3、请求头

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意： 一般做爬虫都会加上请求头

 

 

请求头需要注意的参数：

（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

4、请求体

请求体
    如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到）
    如果是post方式，请求体是format data

    ps：
    1、登录窗口，文件上传等，信息都会被附加到请求体内
    2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

五、 响应Response

1、响应状态码

　　200：代表成功

　　301：代表跳转

　　404：文件不存在

　　403：无权限访问

　　502：服务器错误

2、respone header

响应头需要注意的参数：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面

3、preview就是网页源代码

JSON数据

如网页html，图片

二进制数据等 

六、总结

1、总结爬虫流程：

 爬取--->解析--->存储

2、爬虫所需工具：

 请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）
 解析库：正则，beautifulsoup，pyquery
 存储库：文件，MySQL，Mongodb，Redis

3、爬获Yestone网页的图片

最后送给大家点福利吧

函数封装版

'''
Created on 2018年5月24日

@author: water
'''
import re
import requests
import os
# import urllib
import urllib.request as urllib
import time

#要爬去的网页初始地址
url = 'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}'
url2 = 'http://www.yestone.com/gallery/1526450273467?page={page}'
#图片保存路径=获取当前执行文件路径+images
path_to_save_images = os.path.join(os.path.dirname(__file__), 'images')

#伪造请求头部
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'}#构造头部

if not os.path.exists(path_to_save_images):
    #如果本地不存在images路径就生成该文件夹
    os.mkdir(path_to_save_images)

pattern = r'class="img-responsive".*?data-src="(.*?)" data-width=.*>'
# image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0">

from concurrent.futures import ThreadPoolExecutor
thread_pools = ThreadPoolExecutor(30)

def start_scrapy_in_one_thread(url):
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        html = response.text
        image_urls=re.findall(pattern, html)  #re.S 把文本信息转换成1行匹配
        if image_urls:
            for image_url in image_urls:
                print(image_url)
                filename = os.path.join(path_to_save_images, image_url.split('/')[-2]+'.jpg')
                urllib.urlretrieve(image_url, filename)
        else:
            print('没有找到下载图片的URL')
if __name__ == '__main__':
    for page in range(1, 2):
        begin_time = time.time()
        #单线程爬取照片
        start_scrapy_in_one_thread(url.format(page=page))
        end_time = time.time()
        
    print('总共使用时间%s秒'%(end_time-begin_time))

并发版（如果一共需要爬30个图片，开30个线程去做，花的时间就是 其中最慢那份的耗时时间）

import re
import requests
import os
# import urllib
import urllib.request as urllib
import time

#要爬去的网页初始地址
url = 'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}'
url2 = 'http://www.yestone.com/gallery/1526450273467?page={page}'
#图片保存路径=获取当前执行文件路径+images
path_to_save_images = os.path.join(os.path.dirname(__file__), 'images')

#伪造请求头部
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'}#构造头部

if not os.path.exists(path_to_save_images):
    #如果本地不存在images路径就生成该文件夹
    os.mkdir(path_to_save_images)

pattern = r'class="img-responsive".*?data-src="(.*?)" data-width=.*>'
# image path = <img class="img-responsive" data-src="http://st3.cdn.yestone.com/thumbs/8565046/image/17793/177939012/api_thumb_450.jpg" data-width="450.0" data-height="300.0">

from concurrent.futures import ThreadPoolExecutor
thread_pools = ThreadPoolExecutor(30)


def start_scrapy_in_threadpool(url):
    #创建1个程池中，容纳线程个数为30个
    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        html = response.text
        image_urls=re.findall(pattern, html)  #re.S 把文本信息转换成1行匹配
        if image_urls:
            for image_url in image_urls:
                print(image_url)
                thread_pools.submit(get_pic, image_url)
        else:
            print('没有找到下载图片的URL')
    else:
        print('获取页面详情失败')

def get_pic(image_url):
    print(image_url)
    filename = os.path.join(path_to_save_images, image_url.split('/')[-2]+'.jpg')
#     if not os.path.isfile(filename):
    urllib.urlretrieve(image_url, filename

if __name__ == '__main__':
    for page in range(1, 2):
        begin_time = time.time()
#         用线程池来爬取照片
　　　　 start_scrapy_in_threadpool(url.format(page=page))
        #thread_pools.submit(start_scrapy_in_threadpool, url.format(page=page))
        end_time = time.time()
        
    print('总共使用时间%s秒'%(end_time-begin_time))

涉及知识：多线程多进程

计算密集型任务：使用多进程，因为能Python有GIL，多进程可以利用上CPU多核优势；

IO密集型任务：使用多线程，做IO切换节省任务执行时间（并发）

线程池