Python爬虫介绍及实战入门
文章图片
一、什么是爬虫
【Python爬虫介绍及实战入门】????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:
文章图片
三、实战爬取小说
????1.爬取某小说中其中一章内容:
文章图片
文章图片
????输出结果中存在乱码。
文章图片
文章图片
????解析网页中部分内容,在网页中右键,点击检查。
文章图片
????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。
文章图片
????Pycharm中导入parsel包,进行解析并输出h1标签内容。
文章图片
文章图片
????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)
文章图片
文章图片
????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)
?????
文章图片
文章图片
????输出结果为列表格式,我们需将其合并为字符串格式。
????????????
文章图片
文章图片
????第二种方法,使用for循环打印文本。
????????????
文章图片
文章图片
????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。
?????????????
文章图片
文章图片
????保存文本数据,输出文本文档。
文章图片
????????????
文章图片
文章图片
????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。
文章图片
????调用函数download_one_chapter,输入小说网址即可下载对应文本内容。
文章图片
????????????????
文章图片
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。
文章图片
????????
文章图片
????????爬取整本小说并输出
文章图片
????????
文章图片
????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:
文章图片
????修改后:
文章图片
????????????????
文章图片
文章图片
????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。
????????????
文章图片
文章图片
????我们便可直接调用函数进行整本小说下载。
文章图片
文章图片
文章图片
推荐阅读
- python学习之|python学习之 实现QQ自动发送消息
- 逻辑回归的理解与python示例
- python自定义封装带颜色的logging模块
- 【Leetcode/Python】001-Two|【Leetcode/Python】001-Two Sum
- Python基础|Python基础 - 练习1
- Python爬虫|Python爬虫 --- 1.4 正则表达式(re库)
- Python(pathlib模块)
- Apache多路复用模块(MPMs)介绍
- python青少年编程比赛_第十一届蓝桥杯大赛青少年创意编程组比赛细则
- Python数据分析(一)(Matplotlib使用)