Python爬虫基础
本文内容纲要：
-前言
-爬虫架构
-架构组成
-运行流程
-URL管理器
-基本功能
-存储方式
-网页下载器（urllib）
-基本方法
-构造Request
-携带参数
-使用Fiddler监听数据
-添加处理器
-网页解析器（BeautifulSoup）
-解析器选择
-BeautifulSoup
-安装测试
-使用说明
-基本用法
-后记
-书签
前言
Python非常适合用来开发网页爬虫，理由如下：
1、抓取网页本身的接口
相比与其他静态编程语言，如java，c#，c++，python抓取网页文档的接口更简洁；相比其他动态脚本语言，如perl，shell，python的urllib包提供了较为完整的访问网页文档的API。（当然ruby也是很好的选择）
此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟useragent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize
2、网页抓取后的处理
抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。
其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。
Lifeisshort,youneedpython.
PS：python2.x和python3.x有很大不同，本文只讨论python3.x的爬虫实现方法。
爬虫架构
架构组成
URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器。
网页下载器（urllib）：爬取url对应的网页，存储成字符串，传送给网页解析器。
网页解析器（BeautifulSoup）：解析出有价值的数据，存储下来，同时补充url到URL管理器。
运行流程
URL管理器
基本功能
- 添加新的url到待爬取url集合中。
- 判断待添加的url是否在容器中（包括待爬取url集合和已爬取url集合）。
- 获取待爬取的url。
- 判断是否有待爬取的url。
- 将爬取完成的url从待爬取url集合移动到已爬取url集合。
存储方式
1、内存（python内存）
待爬取url集合：set()
已爬取url集合：set()
2、关系数据库（mysql）
urls(url,is_crawled)
3、缓存（redis）
待爬取url集合：set
已爬取url集合：set
大型互联网公司，由于缓存数据库的高性能，一般把url存储在缓存数据库中。小型公司，一般把url存储在内存中，如果想要永久存储，则存储到关系数据库中。
网页下载器（urllib）
将url对应的网页下载到本地，存储成一个文件或字符串。
基本方法
新建baidu.py，内容如下：
importurllib.request
response=urllib.request.urlopen('http://www.baidu.com')
buff=response.read()
html=buff.decode("utf8")
print(html)
命令行中执行pythonbaidu.py，则可以打印出获取到的页面。
构造Request
上面的代码，可以修改为：
importurllib.request
request=urllib.request.Request('http://www.baidu.com')
response=urllib.request.urlopen(request)
buff=response.read()
html=buff.decode("utf8")
print(html)
携带参数
新建baidu2.py，内容如下：
importurllib.request
importurllib.parse
url='http://www.baidu.com'
values={'name':'voidking','language':'Python'}
data=urllib.parse.urlencode(values).encode(encoding='utf-8',errors='ignore')
headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;WOW64;rv:50.0)Gecko/20100101Firefox/50.0'}
request=urllib.request.Request(url=url,data=data,headers=headers,method='GET')
response=urllib.request.urlopen(request)
buff=response.read()
html=buff.decode("utf8")
print(html)
使用Fiddler监听数据
我们想要查看一下，我们的请求是否真的携带了参数，所以需要使用fiddler。
打开fiddler之后，却意外发现，上面的代码会报错504，无论是baidu.py还是baidu2.py。
虽然python有报错，但是在fiddler中，我们可以看到请求信息，确实携带了参数。
经过查找资料，发现python以前版本的Request都不支持代理环境下访问https。但是，最近的版本应该支持了才对。那么，最简单的办法，就是换一个使用http协议的url来爬取，比如，换成http://www.csdn.net。结果，依然报错，只不过变成了400错误。
然而，然而，然而。。。神转折出现了！！！
当我把url换成http://www.csdn.net/后，请求成功！没错，就是在网址后面多加了一个斜杠/。同理，把http://www.baidu.com改成http://www.baidu.com/，请求也成功了！神奇！！！
添加处理器
importurllib.request
importhttp.cookiejar
#创建cookie容器
cj=http.cookiejar.CookieJar()
#创建opener
opener=urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))
#给urllib.request安装opener
urllib.request.install_opener(opener)
#请求
request=urllib.request.Request('http://www.baidu.com/')
response=urllib.request.urlopen(request)
buff=response.read()
html=buff.decode("utf8")
print(html)
print(cj)
网页解析器（BeautifulSoup）
从网页中提取出有价值的数据和新的url列表。
解析器选择
为了实现解析器，可以选择使用正则表达式、html.parser、BeautifulSoup、lxml等，这里我们选择BeautifulSoup。
其中，正则表达式基于模糊匹配，而另外三种则是基于DOM结构化解析。
BeautifulSoup
安装测试
1、安装，在命令行下执行pipinstallbeautifulsoup4。
2、测试
importbs4
print(bs4)
使用说明
基本用法
1、创建BeautifulSoup对象
importbs4
frombs4importBeautifulSoup
#根据html网页字符串创建BeautifulSoup对象
html_doc="""
<html><head><title>TheDormouse'sstory</title></head>
<body>
<pclass="title"><b>TheDormouse'sstory</b></p>
<pclass="story">Onceuponatimetherewerethreelittlesisters;andtheirnameswere
<ahref="http://example.com/elsie"class="sister"id="link1">Elsie</a>,
<ahref="http://example.com/lacie"class="sister"id="link2">Lacie</a>and
<ahref="http://example.com/tillie"class="sister"id="link3">Tillie</a>;
andtheylivedatthebottomofawell.</p>
<pclass="story">...</p>
"""
soup=BeautifulSoup(html_doc)
print(soup.prettify())
2、访问节点
print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.title.parent.name)
print(soup.p)
print(soup.p['class'])
3、指定tag、class或id
print(soup.find_all('a'))
print(soup.find('a'))
print(soup.find(class_='title'))
print(soup.find(id="link3"))
print(soup.find('p',class_='title'))
4、从文档中找到所有<a>标签的链接
forlinkinsoup.find_all('a'):
print(link.get('href'))
出现了警告，根据提示，我们在创建BeautifulSoup对象时，指定解析器即可。
soup=BeautifulSoup(html_doc,'html.parser')
5、从文档中获取所有文字内容
print(soup.get_text())
6、正则匹配
link_node=soup.find('a',href=re.compile(r"til"))
print(link_node)
后记
python爬虫基础知识，至此足够，接下来，在实战中学习更高级的知识。
书签
Python开发简单爬虫
http://www.imooc.com/learn/563
ThePythonStandardLibrary
https://docs.python.org/3/library/index.html
BeautifulSoup4.2.0文档
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
为什么python适合写爬虫？
http://www.cnblogs.com/benzone/p/5854084.html
如何学习Python爬虫[入门篇]？
https://zhuanlan.zhihu.com/p/21479334?refer=passer
你需要这些：Python3.x爬虫学习资料整理
https://zhuanlan.zhihu.com/p/24358829?refer=passer
如何入门Python爬虫？
https://www.zhihu.com/question/20899988
Python3.X抓取网络资源
http://www.open-open.com/lib/view/open1396062681294.html
python网络请求和"HTTPError504:Fiddler-ReceiveFailure"
http://blog.csdn.net/guoguo527/article/details/50709244
怎么使用Fiddler抓取自己写的爬虫的包？
https://www.zhihu.com/question/52614615
fiddler对python脚本抓取https包时发生了错误?
https://www.zhihu.com/question/42104344?sort=created
HTTPS和HTTP的区别
http://blog.csdn.net/whatday/article/details/38147103
本文内容总结：前言，爬虫架构，架构组成，运行流程，URL管理器，基本功能，存储方式，网页下载器（urllib），基本方法，构造Request，携带参数，使用Fiddler监听数据，添加处理器，网页解析器（BeautifulSoup），解析器选择，BeautifulSoup，安装测试，使用说明，基本用法，后记，书签，
原文链接：https://www.cnblogs.com/voidking/p/python-crawler-base.html