python爬虫入门教程-Python 爬虫介绍

一、什么是爬虫

爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

二、Python爬虫架构

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。

网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)

网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。

应用程序：就是从网页中提取的有用数据组成的一个应用。

下面用一个图来解释一下调度器是如何协调工作的:

三、urllib2 实现下载网页的三种方式

#!/usr/bin/python# -*- coding: UTF-8 -*-importcookielibimporturllib2url="http://www.baidu.com"response1=urllib2.urlopen(url)print"第一种方法"#获取状态码，200表示成功printresponse1.getcode()#获取网页内容的长度printlen(response1.read())print"第二种方法"request=urllib2.Request(url)#模拟Mozilla浏览器进行爬虫request.add_header("user-agent","Mozilla/5.0")response2=urllib2.urlopen(request)printresponse2.getcode()printlen(response2.read())print"第三种方法"cookie=cookielib.CookieJar()#加入urllib2处理cookie的能力opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))urllib2.install_opener(opener)response3=urllib2.urlopen(url)printresponse3.getcode()printlen(response3.read())printcookie

四、第三方库 Beautiful Soup 的安装

Beautiful Soup: Python 的第三方插件用来提取 xml 和 HTML 中的数据，官网地址 https://www.crummy.com/software/BeautifulSoup/

1、安装 Beautiful Soup

打开 cmd（命令提示符），进入到 Python（Python2.7版本）安装目录中的 scripts 下，输入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自带的 pip 命令进行安装，输入以下命令进行安装即可：

pip install beautifulsoup4

2、测试是否安装成功

编写一个 Python 文件，输入:

import bs4

print bs4

运行该文件，如果能够正常输出则安装成功。

五、使用 Beautiful Soup 解析 html 文件

#!/usr/bin/python# -*- coding: UTF-8 -*-importrefrombs4importBeautifulSouphtml_doc="""

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""#创建一个BeautifulSoup解析对象soup=BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")#获取所有的链接links=soup.find_all('a')print"所有的链接"forlinkinlinks:printlink.name,link['href'],link.get_text()print"获取特定的URL地址"link_node=soup.find('a',href="http://example.com/elsie")printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()print"正则表达式匹配"link_node=soup.find('a',href=re.compile(r"ti"))printlink_node.name,link_node['href'],link_node['class'],link_node.get_text()print"获取P段落的文字"p_node=soup.find('p',class_='story')printp_node.name,p_node['class'],p_node.get_text()

原文地址：https://blog.csdn.net/sinat_29957455/article/details/70846427

python爬虫入门教程-Python 爬虫介绍相关推荐

python新手入门教程-Python简明入门教程
本文实例讲述了Python简明入门教程.分享给大家供大家参考.具体如下: 一.基本概念 1.数在Python中有4种类型的数――整数.长整数.浮点数和复数. (1)2是一个整数的例子. (2)长整数 ...
python爬虫入门教程pdf-Python爬虫实战入门教程.pdf
Python 爬虫实战入门教程州的先生 <Python 爬虫实战入门教程> 作者:州的先生微信公众号:州的先生博客: 2018/3/24 1 Python 爬虫实战入门教程州的先生 ...
python儿童入门教程-python儿童教程
广告关闭腾讯云双11爆品提前享,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高满返5000元! http:gvr.sourceforge.net该网站可以看做教学工具,学生用类p ...
python自学入门教程-Python基础教程，Python入门教程（非常详细）
Python 英文本意为"蟒蛇",直到 1989 年荷兰人 Guido van Rossum (简称 Guido)发明了一种面向对象的解释型编程语言(后续会介绍),并将其命名为 P ...
python自学入门教程-Python学习教程（一）自学资源分享
在我看来,基本上可以不负责任地认为,Python 可以做任何事情.无论是从入门级选手到专业级选手都在做的爬虫,还是Web 程序开发.桌面程序开发还是科学计算.图像处理,Python都可以胜任. 或许是 ...
python3爬虫入门教程-Python3爬虫学习入门教程
本文实例讲述了Python3爬虫相关入门知识.分享给大家供大家参考,具体如下: 在网上看到大多数爬虫教程都是Python2的,但Python3才是未来的趋势,许多初学者看了Python2的教程学Pyt ...
python免费入门教程-python小白如何入门，第一步要做什么？（附带免费教程）
Python小白一枚,不知道如何入门,上网整理了一些点,简单记录一下,希望对接下来的学习有帮助吧. 1.找到合适的入门书籍,大致读一次,搞懂(太难的跳过). 2.做些简单习题,字符串比较,读取日期之类 ...
python快速入门教程-Python 开发 14 天快速入门
专栏亮点零基础学习,循序渐进:专栏将编程语言的学习路线提炼为基础.中级.高级三层,内容由易到难,循序渐进,简练而生动地为读者呈现知识点. 内容全面,提炼要义:从核心概念到高级知识点,包括基本数据结构 ...
python快速入门教程-Python快速入门
Python语言本身就是一门简单的语言,入门非常容易. 机器学习中用到的Python(语法)相对就更简单了. 本文从机器学习的视角来看需要具备的Python基础. 我们的目标是-- 没有蛀牙... 针 ...
python自学入门教程-Python自学入门基础教程-数据类型
在程序中,被运算的可分为常量(Literals)和变量(Variables) 1x = 10*2-5 2y = x+1 以上的变量都属于Python数据类型中的一部分. 在以上代码中,10.2.5都是 ...

python爬虫入门教程-Python 爬虫介绍

python爬虫入门教程-Python 爬虫介绍相关推荐

最新文章

热门文章