Python爬虫介绍及实战入门

数据湖开发者社区

开发者社区.png

一、什么是爬虫

    爬虫:一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息。

二、Python爬虫架构

    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)。
    1.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。
    2.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。
    3.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)
    4.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。
    5.应用程序:就是从网页中提取的有用数据组成的一个应用。
下图为爬虫框架工作流程:
image.png

三、实战爬取小说

    1.爬取某小说中其中一章内容
image.png
image.png
    输出结果中存在乱码。
image.png
image.png
    解析网页中部分内容,在网页中右键,点击检查。
image.png
    我们要输出上图中选中行,其标签为h1,预输出其内容,我们需安装解析包parsel。
image.png
    Pycharm中导入parsel包,进行解析并输出h1标签内容。
image.png
image.png
    此时我们所需内容仅为文本内容,不需两边h1标签。(h1为标签选择器)
image.png
image.png
    得到无标签文本内容,下面我们需要爬取小说内容。(content为id选择器)
     image.png
image.png
    输出结果为列表格式,我们需将其合并为字符串格式。
            image.png
image.png
    第二种方法,使用for循环打印文本。
            image.png
image.png
    如上仍为逐行打印其文本内容,我们最终是要收集其内容成为文档,所以我们进行文本内容收集,使用text进行收集。
             image.png
image.png
    保存文本数据,输出文本文档。
image.png
            image.png
image.png
    2.爬取整本小说,多章节,首先将上述代码封装,以便后续调用,将其封装为函数对象:download_one_chapter,删除代码中部分print。
image.png
    调用函数download_one_chapter,输入小说网址即可下载对应文本内容。
image.png
                image.png
此时为逐章下载,我们要实现自动下载整本小说全部章节,首先我们要获取所有章节的网址。
image.png
        image.png
        爬取整本小说并输出
image.png
        image.png
    若将小说内容放在同一文件中,将下述代码进行修改        :
    修改前:
image.png
    修改后:
image.png
                image.png
image.png
    整本小说文本内容则全部保存在同一文档中
    将代码封装,定义函数:download_one_book,导入parse,进行网址补全。
            image.png
image.png
    我们便可直接调用函数进行整本小说下载。
image.png
image.png
image.png

阅读 354

旨在汇集大数据、人工智能行业领域精英,开放数据资源,营造数据创新环境,孵化数字产业创业团队,激活...

1 声望
0 粉丝
0 条评论
你知道吗?

旨在汇集大数据、人工智能行业领域精英,开放数据资源,营造数据创新环境,孵化数字产业创业团队,激活...

1 声望
0 粉丝
宣传栏