zoukankan      html  css  js  c++  java
  • 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


    
    
     1 '''
     2 Created on 2018年5月24日
     3 
     4 @author: water
     5 '''
     6 import re
     7 import requests
     8 import os
     9 # import urllib
    10 import urllib.request as urllib
    11 import time
    12 
    13 #要爬去的网页初始地址
    14 url = 'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}'
    15 url2 = 'http://www.yestone.com/gallery/1526450273467?page={page}'
    16 #图片保存路径=获取当前执行文件路径+images
    17 path_to_save_images = os.path.join(os.path.dirname(__file__), 'images')
    18 
    19 #伪造请求头部
    20 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
    21 
    22 if not os.path.exists(path_to_save_images):
    23     #如果本地不存在images路径就生成该文件夹
    24     os.mkdir(path_to_save_images)
    25 
    26 pattern = r'class="img-responsive".*?data-src="(.*?)" data-width=.*>'
    27 # 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">
    28 
    29 from concurrent.futures import ThreadPoolExecutor
    30 thread_pools = ThreadPoolExecutor(30)
    31 
    32 def start_scrapy_in_one_thread(url):
    33     response = requests.get(url, headers=headers)
    34     if response.status_code == 200:
    35         html = response.text
    36         image_urls=re.findall(pattern, html)  #re.S 把文本信息转换成1行匹配
    37         if image_urls:
    38             for image_url in image_urls:
    39                 print(image_url)
    40                 filename = os.path.join(path_to_save_images, image_url.split('/')[-2]+'.jpg')
    41                 urllib.urlretrieve(image_url, filename)
    42         else:
    43             print('没有找到下载图片的URL')
    44 if __name__ == '__main__':
    45     for page in range(1, 2):
    46         begin_time = time.time()
    47         #单线程爬取照片
    48         start_scrapy_in_one_thread(url.format(page=page))
    49         end_time = time.time()
    50         
    51     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)

    
    
     1 import re
     2 import requests
     3 import os
     4 # import urllib
     5 import urllib.request as urllib
     6 import time
     7 
     8 #要爬去的网页初始地址
     9 url = 'http://www.yestone.com/search?categories=12&editorial=false&photo=1&race=asian&sort=5&query=&width=512&height=512&page={page}'
    10 url2 = 'http://www.yestone.com/gallery/1526450273467?page={page}'
    11 #图片保存路径=获取当前执行文件路径+images
    12 path_to_save_images = os.path.join(os.path.dirname(__file__), 'images')
    13 
    14 #伪造请求头部
    15 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
    16 
    17 if not os.path.exists(path_to_save_images):
    18     #如果本地不存在images路径就生成该文件夹
    19     os.mkdir(path_to_save_images)
    20 
    21 pattern = r'class="img-responsive".*?data-src="(.*?)" data-width=.*>'
    22 # 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">
    23 
    24 from concurrent.futures import ThreadPoolExecutor
    25 thread_pools = ThreadPoolExecutor(30)
    26 
    27 
    28 def start_scrapy_in_threadpool(url):
    29     #创建1个程池中,容纳线程个数为30个
    30     response = requests.get(url, headers=headers)
    31     if response.status_code == 200:
    32         html = response.text
    33         image_urls=re.findall(pattern, html)  #re.S 把文本信息转换成1行匹配
    34         if image_urls:
    35             for image_url in image_urls:
    36                 print(image_url)
    37                 thread_pools.submit(get_pic, image_url)
    38         else:
    39             print('没有找到下载图片的URL')
    40     else:
    41         print('获取页面详情失败')
    42 
    43 def get_pic(image_url):
    44     print(image_url)
    45     filename = os.path.join(path_to_save_images, image_url.split('/')[-2]+'.jpg')
    46 #     if not os.path.isfile(filename):
    47     urllib.urlretrieve(image_url, filename
    48 
    49 if __name__ == '__main__':
    50     for page in range(1, 2):
    51         begin_time = time.time()
    52 #         用线程池来爬取照片
    53      start_scrapy_in_threadpool(url.format(page=page))
    54         #thread_pools.submit(start_scrapy_in_threadpool, url.format(page=page))
    55         end_time = time.time()
    56         
    57     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

    千里之行始于足下,成长就是守护和付出的过程,人生苦短,我用Python。
  • 相关阅读:
    Sample XPS Documents Download
    触发器中的inserted表和deleted表
    Using freewheel.labs.autodesk.com to auto generate preview images of DWF files on your web site
    解除SQL对组件"Ad Hoc Distributed Queries"的"STATEMENT'OpenRowset OpenDatasource"的访问
    读写xps
    XPS文件,在Windows XP下的打开查看阅读和打印方法。
    Learning to Reference Inserted and Deleted Tables
    Get value from updated, inserted and deleted
    Reinstall Microsoft Helper Viewer
    如何查找文件的IFilter
  • 原文地址:https://www.cnblogs.com/JustToNight/p/9081795.html
Copyright © 2011-2022 走看看