由於之前有些博客寫在了新浪博客上,所以想把一些博客移到這裏。其實這篇博客是半年前寫的。
一:爬蟲是什麼
是一種按照一定的規則,自動地抓取萬維網信息的程序或者腳本。如果我們把互聯網比作一張大的蜘蛛網,數據便是存放於蜘蛛網的各個節點,而爬蟲就是一隻小蜘蛛,沿着網絡抓取自己的獵物(數據)爬蟲指的是:向網站發起請求,獲取資源後分析並提取有用數據的程序;從技術層面來說就是 通過程序模擬瀏覽器請求站點的行爲,把站點返回的HTML代碼/JSON數據/二進制數據(圖片、視頻) 爬到本地,進而提取自己需要的數據,存放起來使用;作爲一隻聰明的蜘蛛,你需要用你的腦子,存下你已經看過的頁面地址。這樣,每次看到一個可能需要爬的新鏈接,你就先查查你腦子裏是不是已經去過這個頁面地址。如果去過,那就別去了。
二:爬蟲的基本流程
模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放於數據庫或文件中
三:爬蟲的整體思路
先抓取網頁內容----再數據提取-----清洗-----入庫-----定時爬取數據-----發送變更通知
四:需要的模塊
1.發起請求
在使用http庫向目標站點發起請求,即發送一個Request,可使用
Request模塊(缺點:不能執行CSS和JS代碼)
2.獲取響應內容
如果服務器能正常響應,則會得到一個Response
Response包含:html,json,圖片,視頻等
3.解析內容
解析html數據:正則表達式(RE模塊),第三方解析庫如Beautifulsoup,pyquery等
解析json數據:json模塊
解析二進制數據:以wb的方式寫入文件
4、保存數據
數據庫(MySQL,Mongdb、Redis)
文件
五、先看看一些小例子
1、爬獲校花網
1基礎版:
import re
import requests
respose=requests.get('http://www.xiaohuar.com/v/')
# print(respose.status_code)# 響應的狀態碼
# print(respose.content) #返回字節信息
# print(respose.text) #返回文本內容
urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息轉換成1行匹配
url=urls[5]
result=requests.get(url)
mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]
video=requests.get(mp4_url)
with open('D:\\a.mp4','wb') as f:
f.write(video.content)
2.函數封裝版
import re
import requests
import hashlib
import time
# respose=requests.get('http://www.xiaohuar.com/v/')
# # print(respose.status_code)# 響應的狀態碼
# # print(respose.content) #返回字節信息
# # print(respose.text) #返回文本內容
# urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息轉換成1行匹配
# url=urls[5]
# result=requests.get(url)
# mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]
#
# video=requests.get(mp4_url)
#
# with open('D:\\a.mp4','wb') as f:
# f.write(video.content)
#
def get_index(url):
respose = requests.get(url)
if respose.status_code==200:
return respose.text
def parse_index(res):
urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S) # re.S 把文本信息轉換成1行匹配
return urls
def get_detail(urls):
for url in urls:
if not url.startswith('http'):
url='http://www.xiaohuar.com%s' %url
result = requests.get(url)
if result.status_code==200 :
mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)
if mp4_url_list:
mp4_url=mp4_url_list[0]
print(mp4_url)
# save(mp4_url)
def save(url):
video = requests.get(url)
if video.status_code==200:
m=hashlib.md5()
m.updata(url.encode('utf-8'))
m.updata(str(time.time()).encode('utf-8'))
filename=r'%s.mp4'% m.hexdigest()
filepath=r'D:\\%s'%filename
with open(filepath, 'wb') as f:
f.write(video.content)
def main():
for i in range(5):
res1 = get_index('http://www.xiaohuar.com/list-3-%s.html'% i )
res2 = parse_index(res1)
get_detail(res2)
if __name__ == '__main__':
main()
3.併發版(如果一共需要爬30個視頻,開30個線程去做,花的時間就是 其中最慢那份的耗時時間)
import re
import requests
import hashlib
import time
from concurrent.futures import ThreadPoolExecutor
p=ThreadPoolExecutor(30) #創建1個程池中,容納線程個數爲30個;
def get_index(url):
respose = requests.get(url)
if respose.status_code==200:
return respose.text
def parse_index(res):
res=res.result() #進程執行完畢後,得到1個對象
urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S) # re.S 把文本信息轉換成1行匹配
for url in urls:
p.submit(get_detail(url)) #獲取詳情頁 提交到線程池
def get_detail(url): #只下載1個視頻
if not url.startswith('http'):
url='http://www.xiaohuar.com%s' %url
result = requests.get(url)
if result.status_code==200 :
mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)
if mp4_url_list:
mp4_url=mp4_url_list[0]
print(mp4_url)
# save(mp4_url)
def save(url):
video = requests.get(url)
if video.status_code==200:
m=hashlib.md5()
m.updata(url.encode('utf-8'))
m.updata(str(time.time()).encode('utf-8'))
filename=r'%s.mp4'% m.hexdigest()
filepath=r'D:\\%s'%filename
with open(filepath, 'wb') as f:
f.write(video.content)
def main():
for i in range(5):
p.submit(get_index,'http://www.xiaohuar.com/list-3-%s.html'% i ).add_done_callback(parse_index)
#1、先把爬主頁的任務(get_index)異步提交到線程池
#2、get_index任務執行完後,會通過回調函add_done_callback()數通知主線程,任務完成;
#2、把get_index執行結果(注意線程執行結果是對象,調用res=res.result()方法,才能獲取真正執行結果),當做參數傳給parse_index
#3、parse_index任務執行完畢後,
#4、通過循環,再次把獲取詳情頁 get_detail()任務提交到線程池執行
if __name__ == '__main__':
main()
參考博客:https://www.cnblogs.com/sss4/p/7809821.htm