溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
爬蟲，即網(wǎng)絡(luò)爬蟲，我們可以把互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在網(wǎng)上爬行的蜘蛛，我們可以把網(wǎng)的節(jié)點(diǎn)比做一個(gè)個(gè)網(wǎng)頁，爬蟲爬到這就相當(dāng)于訪問了該頁面獲取了其信息，節(jié)點(diǎn)間的連線可以比做網(wǎng)頁與網(wǎng)頁之間的鏈接關(guān)系，這樣蜘蛛通過一個(gè)節(jié)點(diǎn)后可以順著節(jié)點(diǎn)連線繼續(xù)爬行到達(dá)下一個(gè)節(jié)點(diǎn)，即通過一個(gè)網(wǎng)頁繼續(xù)獲取后續(xù)的網(wǎng)頁，這樣整個(gè)網(wǎng)的節(jié)點(diǎn)便可以被蜘蛛全部爬行到，這樣網(wǎng)站的數(shù)據(jù)就可以被抓取下來了。
可能上面的說明還是難以具體地描述爬蟲究竟是個(gè)什么，簡單來說，爬蟲就是獲取網(wǎng)頁并提取和保存信息的自動化程序，接下來對各個(gè)點(diǎn)進(jìn)行說明：
爬蟲首先要做的工作就是獲取網(wǎng)頁，在這里獲取網(wǎng)頁即獲取網(wǎng)頁的源代碼，源代碼里面必然包含了網(wǎng)頁的部分有用的信息，所以只要把源代碼獲取下來了，就可以從中提取我們想要的信息了。
在前面我們講到了 Request 和 Response 的概念，我們向網(wǎng)站的服務(wù)器發(fā)送一個(gè) Request，返回的 Response 的 Body 便是網(wǎng)頁源代碼。所以最關(guān)鍵的部分就是構(gòu)造一個(gè) Request 并發(fā)送給服務(wù)器，然后接收到 Response 并將其解析出來，那這個(gè)流程可以怎樣來實(shí)現(xiàn)呢？總不能手工去截取網(wǎng)頁源碼把？
不用擔(dān)心，Python 里面提供了許多庫來幫助我們實(shí)現(xiàn)這個(gè)操作，如 Urllib、Requests 等，我們可以用這些庫來幫助我們實(shí)現(xiàn) HTTP 請求操作，Request 和 Response 都可以用類庫提供的數(shù)據(jù)結(jié)構(gòu)來表示，得到 Response 之后只需要解析數(shù)據(jù)結(jié)構(gòu)中的 Body 部分即可，即得到網(wǎng)頁的源代碼，這樣我們可以用程序來實(shí)現(xiàn)獲取網(wǎng)頁的過程了。
提取信息
我們在第一步獲取了網(wǎng)頁源代碼之后，接下來的工作就是分析網(wǎng)頁源代碼，從中提取我們想要的數(shù)據(jù)，首先最通用的方法便是采用正則表達(dá)式提取，這是一個(gè)萬能的方法，但是在構(gòu)造正則表達(dá)式的時(shí)候比較復(fù)雜且容易出錯(cuò)。
另外由于網(wǎng)頁的結(jié)構(gòu)是有一定規(guī)則的，所以還有一些根據(jù)網(wǎng)頁節(jié)點(diǎn)屬性、CSS 選擇器或 XPath 來提取網(wǎng)頁信息的庫，如 BeautifulSoup、PyQuery、LXML 等，使用這些庫可以高效快速地從中提取網(wǎng)頁信息，如節(jié)點(diǎn)的屬性、文本值等內(nèi)容。
提取信息是爬蟲非常重要的部分，它可以使雜亂的數(shù)據(jù)變得清晰條理，以便于我們后續(xù)在對數(shù)據(jù)進(jìn)行處理和分析。
提取信息之后我們一般會將提取到的數(shù)據(jù)保存到某處以便后續(xù)數(shù)據(jù)處理使用。保存形式有多種多樣，如可以簡單保存為 TXT 文本或 Json 文本，也可以保存到數(shù)據(jù)庫，如 MySQL、MongoDB 等，也可保存至遠(yuǎn)程服務(wù)器，如借助 Sftp 進(jìn)行操作等。
說到自動化程序，意思即是說爬蟲可以代替人來完成這些操作。首先我們手工當(dāng)然是可以提取這些信息的，但是當(dāng)量特別大或者想快速獲取大量數(shù)據(jù)的話，肯定還是借助于程序。所以爬蟲就是代替我們來完成這份爬取數(shù)據(jù)的工作的自動化程序，它可以在抓取過程中進(jìn)行各種異常處理、錯(cuò)誤重試等操作，確保爬取持續(xù)高效地運(yùn)行。
在網(wǎng)頁中我們能看到各種各樣的信息，最常見的便是常規(guī)網(wǎng)頁，其都對應(yīng)著 HTML 代碼，而最常見的抓取便是抓取 HTML 源代碼。
另外可能有些網(wǎng)頁返回的不是 HTML 代碼，而是返回一個(gè) Json 字符串，API 接口大多采用這樣的形式，方便數(shù)據(jù)的傳輸和解析，這種數(shù)據(jù)同樣可以抓取，而且數(shù)據(jù)提取更加方便。
此外我們還可以看到各種二進(jìn)制數(shù)據(jù)，如圖片、視頻、音頻等等，我們可以利用爬蟲將它們的二進(jìn)制數(shù)據(jù)抓取下來，然后保存成對應(yīng)的文件名即可。
另外我們還可以看到各種擴(kuò)展名的文件，如 CSS、JavaScript、配置文件等等，這些其實(shí)也是最普通的文件，只要在瀏覽器里面訪問到，我們就可以將其抓取下來。
以上的內(nèi)容其實(shí)都對應(yīng)著各自的URL，是基于 HTTP 或 HTTPS 協(xié)議的，只要是這種數(shù)據(jù)爬蟲都可以進(jìn)行抓取。
有時(shí)候我們在用 Urllib 或 Requests 抓取網(wǎng)頁時(shí)，得到的源代碼實(shí)際和瀏覽器中看到的是不一樣的。
這個(gè)問題是一個(gè)非常常見的問題，現(xiàn)在網(wǎng)頁越來越多地采用 Ajax、前端模塊化工具來構(gòu)建網(wǎng)頁，整個(gè)網(wǎng)頁可能都是由 JavaScript 渲染出來的，意思就是說原始的 HTML 代碼就是一個(gè)空殼，例如：
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>This is a Demo</title>
</head>
<body>
<div id="container">
</div>
</body>
<script src="app.js"></script>
</html>
Python資源分享qun 784758214 ,內(nèi)有安裝包，PDF，學(xué)習(xí)視頻，這里是Python學(xué)習(xí)者的聚集地，零基礎(chǔ)，進(jìn)階，都?xì)g迎body 節(jié)點(diǎn)里面只有一個(gè) id 為 container 的節(jié)點(diǎn)，但是注意到在 body 節(jié)點(diǎn)后引入了一個(gè) app.js，這個(gè)便負(fù)責(zé)了整個(gè)網(wǎng)站的渲染。
在瀏覽器打開這個(gè)頁面時(shí)，首先會加載這個(gè) HTML 內(nèi)容，接著瀏覽器會發(fā)現(xiàn)其中里面引入了一個(gè) app.js 文件，然后瀏覽器便會接著去請求這個(gè)文件，獲取到該文件之后便會執(zhí)行其中的 JavaScript 代碼，而 JavaScript 則會改變 HTML 中的節(jié)點(diǎn)，向內(nèi)添加內(nèi)容，最后得到完整的頁面。
但是在用 Urllib 或 Requests 等庫來請求當(dāng)前頁面時(shí)，我們得到的只是這個(gè) HTML 代碼，它不會幫助我們?nèi)ダ^續(xù)加載這個(gè) JavaScript 文件，這樣也就看不到瀏覽器中看到的內(nèi)容了。
這也解釋了為什么有時(shí)我們得到的源代碼和瀏覽器中看到的是不一樣的。
所以使用基本 HTTP 請求庫得到的結(jié)果源代碼可能跟瀏覽器中的頁面源代碼不太一樣。對于這樣的情況，我們可以分析其后臺 Ajax 接口，也可使用 Selenium、Splash 這樣的庫來實(shí)現(xiàn)模擬 JavaScript 渲染，這樣我們便可以爬取 JavaScript 渲染的網(wǎng)頁的內(nèi)容了。
在后文我們會詳細(xì)介紹對于 JavaScript 渲染的網(wǎng)頁的采集方法。
本節(jié)介紹了爬蟲的一些基本原理，了解了如上內(nèi)容可以幫助我們在后面編寫爬蟲的時(shí)候更加得心應(yīng)手。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼