網(wǎng)址: https://github.com/lining0806/PythonSpiderNotes
Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個大的版塊：抓取，分析，存儲
另外，比較常用的爬蟲框架Scrapy，這里最后也詳細(xì)介紹一下。
首先列舉一下本人總結(jié)的相關(guān)文章，這些覆蓋了入門網(wǎng)絡(luò)爬蟲需要的基本概念和技巧：寧哥的小站-網(wǎng)絡(luò)爬蟲
當(dāng)我們在瀏覽器中輸入一個url后回車，后臺會發(fā)生什么？比如說你輸入http://www.lining0806.com/，你就會看到寧哥的小站首頁。
簡單來說這段過程發(fā)生了以下四個步驟：
查找域名對應(yīng)的IP地址。
向IP對應(yīng)的服務(wù)器發(fā)送請求。
服務(wù)器響應(yīng)請求，發(fā)回網(wǎng)頁內(nèi)容。
瀏覽器解析網(wǎng)頁內(nèi)容。
網(wǎng)絡(luò)爬蟲要做的，簡單來說，就是實(shí)現(xiàn)瀏覽器的功能。通過指定url，直接返回給用戶所需要的數(shù)據(jù)，而不需要一步步人工去操縱瀏覽器獲取。
這一步，你要明確要得到的內(nèi)容是什么？是HTML源碼，還是Json格式的字符串等。
抓取大多數(shù)情況屬于get請求，即直接從對方服務(wù)器上獲取數(shù)據(jù)。
首先，Python中自帶urllib及urllib2這兩個模塊，基本上能滿足一般的頁面抓取。另外，requests也是非常有用的包，與此類似的，還有httplib2等等。
Requests：
import requests
response = requests.get(url)
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()
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
print "content:", content
此外，對于帶有查詢字段的url，get請求一般會將來請求的數(shù)據(jù)附在url之后，以?分割url和傳輸數(shù)據(jù)，多個參數(shù)用&連接。
data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data為dict，json
import requests
response = requests.get(url=url, params=data)
Urllib2：data為string
import urllib, urllib2
data = urllib.urlencode(data)
full_url = url+'?'+data
response = urllib2.urlopen(full_url)
相關(guān)參考：網(wǎng)易新聞排行榜抓取回顧
參考項(xiàng)目：網(wǎng)絡(luò)爬蟲之最基本的爬蟲：爬取網(wǎng)易新聞排行榜
2.1 使用表單登陸
這種情況屬于post請求，即先向服務(wù)器發(fā)送表單數(shù)據(jù)，服務(wù)器再將返回的cookie存入本地。
data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data為dict，json
import requests
response = requests.post(url=url, data=data)
Urllib2：data為string
import urllib, urllib2
data = urllib.urlencode(data)
req = urllib2.Request(url=url, data=data)
response = urllib2.urlopen(req)
2.2 使用cookie登陸
使用cookie登陸，服務(wù)器會認(rèn)為你是一個已登陸的用戶，所以就會返回給你一個已登陸的內(nèi)容。因此，需要驗(yàn)證碼的情況可以使用帶驗(yàn)證碼登陸的cookie解決。
import requests
requests_session = requests.session()
response = requests_session.post(url=url_login, data=data)
若存在驗(yàn)證碼，此時采用response = requests_session.post(url=url_login, data=data)是不行的，做法應(yīng)該如下：
response_captcha = requests_session.get(url=url_login, cookies=cookies)
response1 = requests.get(url_login) # 未登陸
response2 = requests_session.get(url_login) # 已登陸，因?yàn)橹澳玫搅薘esponse Cookie！
response3 = requests_session.get(url_results) # 已登陸，因?yàn)橹澳玫搅薘esponse Cookie！
相關(guān)參考：網(wǎng)絡(luò)爬蟲-驗(yàn)證碼登陸
參考項(xiàng)目：網(wǎng)絡(luò)爬蟲之用戶名密碼及驗(yàn)證碼登陸：爬取知乎網(wǎng)站
3.1 使用代理
適用情況：限制IP地址情況，也可解決由于“頻繁點(diǎn)擊”而需要輸入驗(yàn)證碼登陸的情況。
這種情況最好的辦法就是維護(hù)一個代理IP池，網(wǎng)上有很多免費(fèi)的代理IP，良莠不齊，可以通過篩選找到能用的。對于“頻繁點(diǎn)擊”的情況，我們還可以通過限制爬蟲訪問網(wǎng)站的頻率來避免被網(wǎng)站禁掉。
proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
Requests：
import requests
response = requests.get(url=url, proxies=proxies)
Urllib2：
import urllib2
proxy_support = urllib2.ProxyHandler(proxies)
opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
urllib2.install_opener(opener) # 安裝opener，此后調(diào)用urlopen()時都會使用安裝過的opener對象
response = urllib2.urlopen(url)
3.2 時間設(shè)置
適用情況：限制頻率情況。
Requests，Urllib2都可以使用time庫的sleep()函數(shù)：
import time
time.sleep(1)
3.3 偽裝成瀏覽器，或者反“反盜鏈”
有些網(wǎng)站會檢查你是不是真的瀏覽器訪問，還是機(jī)器自動訪問的。這種情況，加上User-Agent，表明你是瀏覽器訪問即可。有時還會檢查是否帶Referer信息還會檢查你的Referer是否合法，一般再加上Referer。
headers = {'User-Agent':'XXXXX'} # 偽裝成瀏覽器訪問，適用于拒絕爬蟲的網(wǎng)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)
不多說。
def multi_session(session, *arg):
retryTimes = 20
while retryTimes>0:
try:
return session.post(*arg)
except:
print '.',
retryTimes -= 1
或者
def multi_open(opener, *arg):
retryTimes = 20
while retryTimes>0:
try:
return opener.open(*arg)
except:
print '.',
retryTimes -= 1
這樣我們就可以使用multi_session或multi_open對爬蟲抓取的session或opener進(jìn)行保持。
這里針對華爾街見聞進(jìn)行并行抓取的實(shí)驗(yàn)對比：Python多進(jìn)程抓取與Java單線程和多線程抓取
相關(guān)參考：關(guān)于Python和Java的多進(jìn)程多線程計(jì)算方法對比
對于“加載更多”情況，使用Ajax來傳輸很多數(shù)據(jù)。
它的工作原理是：從網(wǎng)頁的url加載網(wǎng)頁的源代碼之后，會在瀏覽器里執(zhí)行JavaScript程序。這些程序會加載更多的內(nèi)容，“填充”到網(wǎng)頁里。這就是為什么如果你直接去爬網(wǎng)頁本身的url，你會找不到頁面的實(shí)際內(nèi)容。
這里，若使用Google Chrome分析”請求“對應(yīng)的鏈接(方法：右鍵→審查元素→Network→清空，點(diǎn)擊”加載更多“，出現(xiàn)對應(yīng)的GET鏈接尋找Type為text/html的，點(diǎn)擊，查看get參數(shù)或者復(fù)制Request URL)，循環(huán)過程。
如果“請求”之前有頁面，依據(jù)上一步的網(wǎng)址進(jìn)行分析推導(dǎo)第1頁。以此類推，抓取抓Ajax地址的數(shù)據(jù)。
對返回的json格式數(shù)據(jù)(str)進(jìn)行正則匹配。json格式數(shù)據(jù)中，需從'\uxxxx'形式的unicode_escape編碼轉(zhuǎn)換成u'\uxxxx'的unicode編碼。
Selenium是一款自動化測試工具。它能實(shí)現(xiàn)操縱瀏覽器，包括字符填充、鼠標(biāo)點(diǎn)擊、獲取元素、頁面切換等一系列操作。總之，凡是瀏覽器能做的事，Selenium都能夠做到。
這里列出在給定城市列表后，使用selenium來動態(tài)抓取去哪兒網(wǎng)的票價信息的代碼。
參考項(xiàng)目：網(wǎng)絡(luò)爬蟲之Selenium使用代理登陸：爬取去哪兒網(wǎng)站
對于網(wǎng)站有驗(yàn)證碼的情況，我們有三種辦法：
使用代理，更新IP。
使用cookie登陸。
驗(yàn)證碼識別。
使用代理和使用cookie登陸之前已經(jīng)講過，下面講一下驗(yàn)證碼識別。
可以利用開源的Tesseract-OCR系統(tǒng)進(jìn)行驗(yàn)證碼圖片的下載及識別，將識別的字符傳到爬蟲系統(tǒng)進(jìn)行模擬登陸。當(dāng)然也可以將驗(yàn)證碼圖片上傳到打碼平臺上進(jìn)行識別。如果不成功，可以再次更新驗(yàn)證碼識別，直到成功為止。
參考項(xiàng)目：驗(yàn)證碼識別項(xiàng)目第一版：Captcha1
爬取有兩個需要注意的問題：
如何監(jiān)控一系列網(wǎng)站的更新情況，也就是說，如何進(jìn)行增量式爬取？
對于海量數(shù)據(jù)，如何實(shí)現(xiàn)分布式爬?。?/p>
抓取之后就是對抓取的內(nèi)容進(jìn)行分析，你需要什么內(nèi)容，就從中提煉出相關(guān)的內(nèi)容來。
常見的分析工具有正則表達(dá)式，BeautifulSoup，lxml等等。
分析出我們需要的內(nèi)容之后，接下來就是存儲了。
我們可以選擇存入文本文件，也可以選擇存入MySQL或MongoDB數(shù)據(jù)庫等。
存儲有兩個需要注意的問題：
如何進(jìn)行網(wǎng)頁去重？
內(nèi)容以什么形式存儲？
Scrapy是一個基于Twisted的開源的Python爬蟲框架，在工業(yè)中應(yīng)用非常廣泛。
相關(guān)內(nèi)容可以參考基于Scrapy網(wǎng)絡(luò)爬蟲的搭建，同時給出這篇文章介紹的微信搜索爬取的項(xiàng)目代碼，給大家作為學(xué)習(xí)參考。
參考項(xiàng)目：使用Scrapy或Requests遞歸抓取微信搜索結(jié)果
