Python开发爬虫之理论篇
爬虫简介
爬虫：一段自动抓取互联网信息的程序。
什么意思呢？
互联网是由各种各样的网页组成。每一个网页对应一个URL，而URL的页面上又有很多指向其他页面的URL。这种URL之间相互的指向关系就形成了一个网络，这就是互联网。
正常情况下就是我们采用人工点击的方式，去获取互联网上指定的信息，这种方式的特点是覆盖面小。
那有没有可能有一种方式，是当我们设定了一个互联网上感兴趣的目标，然后自动地从互联网上去获取我们所需要的数据呢？
有，这就是爬虫。它可以从一个URL出发访问该URL所关联的所有URL，并且从每个页面上提取出我们所需要的价值数据。
image
也就是说，爬虫就是自动访问互联网，并且提取数据的程序。
爬虫技术的价值
互联网数据，为我所用。
Python简单爬虫架构
image
1）首先，我们需要一个爬虫调度端。爬虫调度端的作用：启动爬虫，停止爬虫，监视爬虫运行情况。
2）在爬虫程序中有三个模块：URL管理器、网页下载器、网页解析器。
3）URL管理器：对将要爬取的和已经爬取过的URL进行管理；可取出待爬取的URL，将其传送给“网页下载器”。
4）网页下载器：将URL指定的网页下载，存储成一个字符串，在传送给“网页解析器”。
5）网页解析器：解析网页可解析出
①有价值的数据
②另一方面，每个网页都包含有指向其他网页的URL，解析出来后可补充进“URL管理器”
此时，这三个模块就形成了一个循环，只要有感兴趣的URL，这三个模块就会一直循环下去。
Python简单爬虫架构的动态运行流程（以时序图的方式展示）
image
Python爬虫URL管理
URL管理器：管理待抓取URL集合和已抓取URL集合。
目的：防止重复抓取、防止循环抓取。
image
Python爬虫URL管理器的实现方式
Python爬虫URL管理器的实现方式具体有三种：
1）使用内存，在Python中主要使用set集合（方便去除重复的元素）
image
2）使用关系数据库，使用两个字段：url和is_crawled（用来标记是否被爬取）
image
3）使用缓存数据库，同样使用set集合
image
其中，大型公司一般选择高性能的缓存数据库。个人，小公司一般使用内存。若是想永久存储，常使用关系数据库。
Python爬虫网页下载器简介
image
网页下载器：一个工具，通过URL将互联网上对应的的网页以HTML的形式下载到本地存储成本地文件或内存字符串，后进行后续处理；
Python有哪几种网页下载器：urllib2（Python官方模块，基础模块）、requests（第三方模块，功能强大）。
Python爬虫urlib2下载器网页的三种方法
1）urllib2下载网页方法1：最简洁方法
将url直接传给urllib2的urlopen()方法。
image
对应代码：
image
2）urllib2下载网页方法2：除url外，添加data、http header。
进行增强处理。
其中，data向服务器提交需要用户输入的数据。
http header用来向服务器提交http的头信息。
image
对应代码：
image
代码中request.add_data('a','1') #添加的数据类型为键值对，即a=1。
request.add_header() #可以对url请求进行伪装
3）urllib2下载网页方法3：添加特殊情景的处理器
更大更强的功能处理能力。
image
对应代码（举例：增强cookie的处理）
image
Python爬虫urlib2实例代码演示
import urllib2, cookielib
url ="http://www.baidu.com"
print '第一种方法'
respones1 = urllib2.urlopen(url)
print respones1.getcode()
print len(respones1.read())
print "第二种方法"
request = urllib2.Request(url)
request.add_header("user-agent","Mozillla/5.0")
respones2 = urllib2.urlopen(request)
print respones2.getcode()
print len(respones2.read())
print '第三种方法'
cj =cookielib.CookieJar()
opener = urllib2.bulid_opener(urllib2.HTTPCookieProcessor(cj))
urllib2.install_opener(opener)
print respones3.getcode()
print cj
print respones3.read()
Python爬虫网页解析器简介
网页解析器：从网页中提取有价值数据的工具。
功能：
1）提取出新的待爬取URL列表；
2）解析出有价值的数据：
网页解析器会以下载好的html网页字符串作为输入，提取出有价值的数据以及新的待爬取的URL列表。
image
Python有哪些网页解析器呢？
1）正则表达式。最直观的一种。将网页文档down成一个字符串，采用模糊匹配的方式进行提取有价值的数据。虽然直观，但是当网页文档十分复杂的时候，这种方式将十分复杂。
2）使用Python自带的html.parser模块进行解析。
3）使用Beautiful Soup这个第三方插件来解析网页。功能强大的Beautiful Soup可以用html.parser或者lxml作为它的解析器。
4）使用lxml这个第三方插件来解析html网页或者xml文档。
image
结构化解析——DOM（DOcument Object Model）树
BeautifulSoup第三方模块
BeautifulSoup官网：https://www.crummy.com/software/BeautifulSoup/
安装BeautifulSoup：
如果你安装了pip，那么就简单了，无需从官网下载，打开命令提示符页面。
进入到Python安装目录下的Scripts文件夹路径下，输入“pip install beautifulsoup4”，即可进行自动安装。
image
安装完，在eclipse中进行测试，新建一个Python模块，输入：
<pre style="margin: 0px; padding: 0px; white-space: pre-wrap; word-wrap: break-word; font-family: 'Courier New' !important; font-size: 12px !important;">import bs4 print bs4</pre>
输出为：
image
证明安装成功。
BeautifulSoup的语法
image
其中搜索节点的find_all()方法可以搜索出所有符合要求的节点，而find()方法则只是搜索出符合条件的第一个节点。但是两个函数的参数是完全相同的。
image
对应代码：
1）创建BeautifulSoup对象
image
2）搜索节点（find_all、find）
image
其中红色部分为正则表达式形式。
最后一句之所以"class_"要加上下划线是因为要和Python的关键字"class"进行区分。
3）访问节点信息
image
4）BeautifulSoup的实例测试
# coding:utf-8
from bs4 import BeautifulSoup
import re
print("Python3 的代码如下")
html_doc = """
因字数限制，省略。请到 http://www.crummy.com/software/BeautifulSoup/bs4/doc/#searching-the-tree 复制吧
"""
soup = BeautifulSoup(html_doc, 'html.parser')
print("获取所有的链接")
links = soup.find_all('a')
for link in links:
print(link.name, link['href'], link.get_text())
print("获取lacie的链接")
link_node = soup.find('a', href="http://example.com/lacie")
print(link_node.name, link_node['href'], link_node.get_text())
print("正则匹配")
link_node = soup.find('a', href=re.compile(r"ill"))
print(link_node.name, link_node['href'], link_node.get_text())
print("获取p段落文字")
p_node = soup.find('p', class_="title")
print(p_node.name, p_node.get_text())
