摘要：學習網絡爬蟲主要分個大的版塊抓取，分析，存儲另外，比較常用的爬蟲框架，這里最后也詳細介紹一下。網絡爬蟲要做的，簡單來說，就是實現瀏覽器的功能。

Python學習網絡爬蟲主要分3個大的版塊：抓取，分析，存儲
另外，比較常用的爬蟲框架Scrapy，這里最后也詳細介紹一下。
首先列舉一下本人總結的相關文章，這些覆蓋了入門網絡爬蟲需要的基本概念和技巧：寧哥的小站-網絡爬蟲,當我們在瀏覽器中輸入一個url后回車，后臺會發生什么？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生了以下四個步驟：
查找域名對應的IP地址。
向IP對應的服務器發送請求。
服務器響應請求，發回網頁內容。
瀏覽器解析網頁內容。
網絡爬蟲要做的，簡單來說，就是實現瀏覽器的功能。通過指定url，直接返回給用戶所需要的數據，而不需要一步步人工去操縱瀏覽器獲取。

**抓取**
這一步，你要明確要得到的內容是什么？是HTML源碼，還是Json格式的字符串等。

1. 最基本的抓取
抓取大多數情況屬于get請求，即直接從對方服務器上獲取數據。
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據附在url之后，以?分割url和傳輸數據，多個參數用&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)

相關參考：網易新聞排行榜抓取回顧
參考項目：網絡爬蟲之最基本的爬蟲：爬取網易新聞排行榜

2. 對于登陸情況的處理

2.1 使用表單登陸
這種情況屬于post請求，即先向服務器發送表單數據，服務器再將返回的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，服務器會認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容。因此，需要驗證碼的情況可以使用帶驗證碼登陸的cookie解決。

import requests            
requests_session = requests.session() 
response = requests_session.post(url=url_login, data=data)

若存在驗證碼，此時采用

response = requests_session.post(url=url_login, data=data)是不行的，做法應該如下：
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，因為之前拿到了Response Cookie！
response3 = requests_session.get(url_results) # 已登陸，因為之前拿到了Response Cookie！

相關參考：網絡爬蟲-驗證碼登陸
參考項目：網絡爬蟲之用戶名密碼及驗證碼登陸：爬取知乎網站

3. 對于反爬蟲機制的處理

3.1 使用代理
適用情況：限制IP地址情況，也可解決由于“頻繁點擊”而需要輸入驗證碼登陸的情況。
這種情況最好的辦法就是維護一個代理IP池，網上有很多免費的代理IP，良莠不齊，可以通過篩選找到能用的。對于“頻繁點擊”的情況，我們還可以通過限制爬蟲訪問網站的頻率來避免被網站禁掉。

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，此后調用urlopen()時都會使用安裝過的opener對象
response = urllib2.urlopen(url)

3.2 時間設置
適用情況：限制頻率情況。
Requests，Urllib2都可以使用time庫的sleep()函數：
import time
time.sleep(1)

3.3 偽裝成瀏覽器，或者反“反盜鏈”
有些網站會檢查你是不是真的瀏覽器訪問，還是機器自動訪問的。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)

4. 對于斷線重連不多說。
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進行保持。

5. 多進程抓取
這里針對華爾街見聞進行并行抓取的實驗對比：Python多進程抓取 與 Java單線程和多線程抓取
相關參考：關于Python和Java的多進程多線程計算方法對比

6. 對于Ajax請求的處理
對于“加載更多”情況，使用Ajax來傳輸很多數據。
它的工作原理是：從網頁的url加載網頁的源代碼之后，會在瀏覽器里執行JavaScript程序。這些程序會加載更多的內容，“填充”到網頁里。這就是為什么如果你直接去爬網頁本身的url，你會找不到頁面的實際內容。
這里，若使用Google Chrome分析”請求“對應的鏈接(方法：右鍵→審查元素→Network→清空，點擊”加載更多“，出現對應的GET鏈接尋找Type為text/html的，點擊，查看get參數或者復制Request URL)，循環過程。
如果“請求”之前有頁面，依據上一步的網址進行分析推導第1頁。以此類推，抓取抓Ajax地址的數據。
對返回的json格式數據(str)進行正則匹配。json格式數據中，需從’uxxxx’形式的unicode_escape編碼轉換成u’uxxxx’的unicode編碼。

7. 自動化測試工具Selenium
Selenium是一款自動化測試工具。它能實現操縱瀏覽器，包括字符填充、鼠標點擊、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來動態抓取去哪兒網的票價信息的代碼。
參考項目：網絡爬蟲之Selenium使用代理登陸：爬取去哪兒網站

8. 驗證碼識別
對于網站有驗證碼的情況，我們有三種辦法：
使用代理，更新IP。
使用cookie登陸。
驗證碼識別。
使用代理和使用cookie登陸之前已經講過，下面講一下驗證碼識別。
可以利用開源的Tesseract-OCR系統進行驗證碼圖片的下載及識別，將識別的字符傳到爬蟲系統進行模擬登陸。當然也可以將驗證碼圖片上傳到打碼平臺上進行識別。如果不成功，可以再次更新驗證碼識別，直到成功為止。
參考項目：驗證碼識別項目第一版：Captcha1
爬取有兩個需要注意的問題：
如何監控一系列網站的更新情況，也就是說，如何進行增量式爬?。?對于海量數據，如何實現分布式爬??？

**分析**
抓取之后就是對抓取的內容進行分析，你需要什么內容，就從中提煉出相關的內容來。
常見的分析工具有正則表達式，BeautifulSoup，lxml等等。

**存儲**
分析出我們需要的內容之后，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數據庫等。
存儲有兩個需要注意的問題：
如何進行網頁去重？
內容以什么形式存儲？

**Scrapy**
Scrapy是一個基于Twisted的開源的Python爬蟲框架，在工業中應用非常廣泛。
相關內容可以參考基于Scrapy網絡爬蟲的搭建，同時給出這篇文章介紹的微信搜索爬取的項目代碼，給大家作為學習參考。
參考項目：使用Scrapy或Requests遞歸抓取微信搜索結果

[楚江數據][1]是一家專業的互聯網數據技術服務商，為客戶提供網站APP數據采集和爬蟲軟件定制開發服務，服務范圍涵蓋社交網絡、電子商務、分類信息、學術研究等。
官方網站 http://www.chujiangdata.com

轉載請注明：寧哥的小站 ? Python入門網絡爬蟲之精華版