python爬虫教程,python爬虫教程(非常详细)
大家好,今天小编关注到一个比较有意思的话题,就是关于python爬虫教程的问题,于是小编就整理了1个相关介绍python爬虫教程的解答,让我们一起看看吧。
python爬虫怎么做?
谢邀~~关注极迭代,和小伙伴一起看↗↗↗python的知名用途之一就是做爬虫,爬取各类网站的数据,以便进行进一步分析根据爬取的难易不同,(网站封堵的力度大小),会有多种的爬取方式。
简单网站,直接使用页面请求
python将http请求发送给服务器,服务器返回网页内容此时,就可以用python多线程的方式进行数据的抽取和分析、存储了从获取的html页面中,或者api获取的json中,得到自己所需要的数据,然后存储到指定的数据库
用到的库主要为 :
- http访问: requests模块、或urllib3库
- 多线程:Thread、threadpool线程池,或者concurrent包里的ThreadPoolExecutor、或urllib3自带的PoolManager()
- 文档处理: re 正则表达式、json模块
- 数据存储:MySQL-python存储或者pymongo mongodb存储等等
比较正式的爬虫系统,可以用python框架Scrapy
Scrapy已经提供了一整套的机制,来减少自己搭建爬虫系统的难度。被封堵的网站
网站封堵爬虫会有很多的不同的技术,并且这些技术都是在不断调整和完善的,网站有时也会修改界面或者接口,我们会经常会发现今天能爬取的网页,明天就不行了,这就需要经常检查和修复。- 简单的js封堵,可以通过代码分析,模拟逻辑来绕过
- 复杂的验证码就需要用些图像识别库来进行识别了,如pytesser,然后填充和认证通过
- 如果需要登录的网站,还可能需要用到selenium工具进行模拟输入的方式登录
❤❤❤❤❤ 请任性点赞,谢谢关注 -- 我是 极迭代 ,我为自己带盐 :)
视频加载中...
爬虫是什么
- 抓取网络上的资源,并解析,达到想要的目的
相关库
- requests
- beautifulsoup4 + lxml
- pyquery
相关的框架
- pyspider
- srcapy
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。
用一个图来解释一下调度器是如何协调工作的:
到此,以上就是小编对于python爬虫教程的问题就介绍到这了,希望介绍关于python爬虫教程的1点解答对大家有用。
相关资讯