test

Author: lining0806

Python入门网络爬虫之精华版.pdf

@@ -1,97 +1,124 @@
 # Python入门网络爬虫之精华版  
 
+#### Author: LiNing 
+
+#### Email: lining0806@gmail.com
+
+#### Blog: [宁哥的小站](http://www.lining0806.com/)
+
+*** 
+
 Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储**  
-另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也介绍一下。    
-先列举一下相关参考：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/)  
+
+另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也详细介绍一下。    
+
+首先列举一下本人总结的相关文章，这些覆盖了入门网络爬虫需要的基本概念和技巧：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/)  
 ***
 
+当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入[http://www.lining0806.com/](http://www.lining0806.com/)，你就会看到宁哥的小站首页。
+
+简单来说这段过程发生了以下四个步骤：
+
+* 查找域名对应的IP地址。
+* 向IP对应的服务器发送请求。
+* 服务器响应请求，发回网页内容。
+* 浏览器解析网页内容。
+
+网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。
+
 ## 抓取  
-这一步，你要明确要得到的内容是是什么？是HTML源码，还是Json格式的字符串等等。  
+这一步，你要明确要得到的内容是是什么？是HTML源码，还是Json格式的字符串等。  
 
 #### 1. 最基本的抓取  
-一般属于get请求情况，直接从服务器上获取数据。  
+
+抓取大多数情况属于get请求，即直接从对方服务器上获取数据。  
+
 首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，[requests](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。    
+
 ```
 Requests：
 	import requests
 	response = requests.get(url)
-	content = requests.get(url).content # string
-	print "response headers:", response.headers # dict
+	content = requests.get(url).content
+	print "response headers:", response.headers
 	print "content:", content
 Urllib2：
 	import urllib2
 	response = urllib2.urlopen(url)
-	content = urllib2.urlopen(url).read() # string
-	print "response headers:", response.headers # not dict
+	content = urllib2.urlopen(url).read()
+	print "response headers:", response.headers
 	print "content:", content
 Httplib2：
 	import httplib2
 	http = httplib2.Http()
 	response_headers, content = http.request(url, 'GET')
-	print "response headers:", response_headers # dict
+	print "response headers:", response_headers
 	print "content:", content
 ```  
+
 此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。  
+
 ```
-data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
+data = {'data1':'XXXXX', 'data2':'XXXXX'}
 Requests：data为dict，json
 	import requests
-	response = requests.get(url=url, params=data) # GET请求发送 
+	response = requests.get(url=url, params=data)
 Urllib2：data为string
 	import urllib, urllib2    
-	data = urllib.urlencode(data) # 编码工作，由dict转为string
-	full_url = url+'?'+data # GET请求发送
+	data = urllib.urlencode(data)
+	full_url = url+'?'+data
 	response = urllib2.urlopen(full_url)
 ```
 
-### 2. 对于反爬虫机制的处理  
+### 2. 对于登陆情况的处理  
+
+**2.1 使用表单登陆**  
+
+这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。  
 
-**2.1 模拟登陆情况**  
-这种属于post请求情况，先向服务器发送表单数据，服务器再将返回的cookie存入本地。  
 ```
-data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
+data = {'data1':'XXXXX', 'data2':'XXXXX'}
 Requests：data为dict，json
 	import requests
-	response = requests.post(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
+	response = requests.post(url=url, data=data)
 Urllib2：data为string
 	import urllib, urllib2    
-	data = urllib.urlencode(data) # 编码工作，由dict转为string
-	req = urllib2.Request(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
+	data = urllib.urlencode(data)
+	req = urllib2.Request(url=url, data=data)
 	response = urllib2.urlopen(req)
 ```  
 
-**2.2 使用cookie登陆情况**  
+**2.2 使用cookie登陆**  
+
 使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。  
+
 ```
 import requests			
-requests_session = requests.session() # 创建会话对象requests.session()，可以记录cookie
-response = requests_session.post(url=url_login, data=data) # requests_session的POST请求发送，可用于用户名密码登陆情况。必须要有这一步！拿到Response Cookie！
+requests_session = requests.session() 
+response = requests_session.post(url=url_login, data=data) 
 ```
+
 若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：  
+
 ```
 response_captcha = requests_session.get(url=url_login, cookies=cookies)
 response1 = requests.get(url_login) # 未登陆
 response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！
 response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！
 ```
+
 相关参考：[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/)  
+
 参考项目：[爬取知乎网站](https://github.com/lining0806/ZhihuSpider)  
 
-**2.3 伪装成浏览器，或者反“反盗链”**  
-```
-headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站
-headers = {'Referer':'XXXXX'} # 反“反盗链”，适用于有“反盗链”的网站
-headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
-Requests：
-	response = requests.get(url=url, headers=headers)
-Urllib2：
-	import urllib, urllib2   
-	req = urllib2.Request(url=url, headers=headers)
-	response = urllib2.urlopen(req)
-```
+### 3. 对于反爬虫机制的处理 
+
+**3.1 使用代理** 
 
-### 3. 使用代理  
 适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。  
+
+这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。
+
 ```
 proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
 Requests：
@@ -105,7 +132,37 @@ Urllib2：
 	response = urllib2.urlopen(url)
 ```
 
+**3.2 时间设置** 
+
+适用情况：限制频率情况。 
+
+Requests，Urllib2都可以使用time库的sleep()函数：
+
+```
+import time
+time.sleep(1)
+```
+
+**3.3 伪装成浏览器，或者反“反盗链”**  
+
+有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。
+
+```
+headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站
+headers = {'Referer':'XXXXX'}
+headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
+Requests：
+	response = requests.get(url=url, headers=headers)
+Urllib2：
+	import urllib, urllib2   
+	req = urllib2.Request(url=url, headers=headers)
+	response = urllib2.urlopen(req)
+```
+
 ### 4. 对于断线重连  
+
+不多说。
+
 ```
 def multi_session(session, *arg):
 	while True:
@@ -117,7 +174,9 @@ def multi_session(session, *arg):
 			print '.',
 			retryTimes -= 1
 ```
+
 或者  
+
 ```
 def multi_open(opener, *arg):
 	while True:
@@ -129,39 +188,72 @@ def multi_open(opener, *arg):
 			print '.',
 			retryTimes -= 1
 ```
+
 这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。    
 
 ### 5. 多进程抓取  
-这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行多进程的实验对比：[Python多进程抓取](https://github.com/lining0806/Spider_Python) 与 [Java多进程抓取](https://github.com/lining0806/Spider)  
+
+这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行多进程抓取的实验对比：[Python多进程抓取](https://github.com/lining0806/Spider_Python) 与 [Java多进程抓取](https://github.com/lining0806/Spider)  
+
 相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/)  
 
 ### 6. 对于Ajax请求的处理  
-对于“加载更多”情况，使用Ajax来传输很多数据。它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。  
+
+对于“加载更多”情况，使用Ajax来传输很多数据。
+
+它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。  
+
 这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。  
+
 * 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。  
 * 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码。  
-参考项目：[Python多进程抓取](https://github.com/lining0806/Spider_Python)  
 
-### 7. 验证码识别  
+### 7. 自动化测试工具Selenium
+
+Selenium是一款自动化测试工具。它能实现操纵浏览器，包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。总之，凡是浏览器能做的事，Selenium都能够做到。
+
+这里我列出在给定城市列表后，使用selenium来动态抓取[去哪儿网](http://flight.qunar.com/)的票价信息的代码。
+
+相关参考：[网络爬虫之Selenium使用代理登陆：爬取去哪儿网站](https://github.com/lining0806/QunarSpider) 
+
+### 8. 验证码识别  
+
 对于网站有验证码的情况，我们有三种办法：  
 
-1. 使用代理，更新IP。
-2. 使用cookie登陆。
-3. 验证码识别。
+* 使用代理，更新IP。
+* 使用cookie登陆。
+* 验证码识别。
 
 使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。  
+
 可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。如果不成功，可以再次更新验证码识别，直到成功为止。  
+
 参考项目：[Captcha1](https://github.com/lining0806/Captcha1)
 
+**爬取还有一个需要注意的问题：**
+* 如何监控一系列网站的更新情况，也就是说，如何进行增量式爬取？
 
 ## 分析  
+
 抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。  
+
 常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。  
 
 ## 存储  
+
 分析出我们需要的内容之后，接下来就是存储了。  
-我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。  
+
+我们可以选择存入文本文件，也可以选择存入[MySQL](http://www.mysql.com/)或[MongoDB](https://www.mongodb.org/)数据库等。  
+
+**存储有两个需要注意的问题：**
+
+* 以什么形式存储？
+* 如何进行内容去重？
 
 ## Scrapy  
+
 Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。  
-相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)  
+
+相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)，同时我给出这篇文章介绍的[微信搜索](http://weixin.sogou.com/weixin)爬取的项目代码，给大家作为学习参考。
+
+参考项目：[使用Scrapy或Requests递归抓取微信搜索结果](https://github.com/lining0806/WechatSearchProjects)