什么是爬蟲

爬蟲：一段自動抓取互聯(lián)網(wǎng)信息的程序，從互聯(lián)網(wǎng)上抓取對于我們有價值的信息。

Python爬蟲架構(gòu)

Python 爬蟲架構(gòu)主要由五個部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序(爬取的有價值數(shù)據(jù))。調(diào)度器：相當(dāng)于一臺電腦的CPU，主要負(fù)責(zé)調(diào)度URL管理器、下載器、解析器之間的協(xié)調(diào)工作。

URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重復(fù)抓取URL和循環(huán)抓取URL，實(shí)現(xiàn)URL管理器主要用三種方式，通過內(nèi)存、數(shù)據(jù)庫、緩存數(shù)據(jù)庫來實(shí)現(xiàn)。

網(wǎng)頁下載器：通過傳入一個URL地址來下載網(wǎng)頁，將網(wǎng)頁轉(zhuǎn)換成一個字符串，網(wǎng)頁下載器有urllib2(Python官方基礎(chǔ)模塊)包括需要登錄、代理、和cookie，requests(第三方包)

網(wǎng)頁解析器：將一個網(wǎng)頁字符串進(jìn)行解析，可以按照我們的要求來提取出我們有用的信息，也可以根據(jù)DOM樹的解析方式來解析。網(wǎng)頁解析器有正則表達(dá)式(直觀，將網(wǎng)頁轉(zhuǎn)成字符串通過模糊匹配的方式來提取有價值的信息，當(dāng)文檔比較復(fù)雜的時候，該方法提取數(shù)據(jù)的時候就會非常的困難)、html.parser(Python自帶的)、beautifulsoup(第三方插件，可以使用Python自帶的html.parser進(jìn)行解析，也可以使用lxml進(jìn)行解析，相對于其他幾種來說要強(qiáng)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 樹的方式進(jìn)行解析的。

應(yīng)用程序：就是從網(wǎng)頁中提取的有用數(shù)據(jù)組成的一個應(yīng)用。

使用urllib2 實(shí)現(xiàn)下載網(wǎng)頁的方式#!/usr/bin/python

# -*- coding: UTF-8 -*-

import cookielib

import urllib2

url = "http://www.baidu.com"

response1 = urllib2.urlopen(url)

print "第一種方法"

#獲取狀態(tài)碼，200表示成功

print response1.getcode()

#獲取網(wǎng)頁內(nèi)容的長度

print len(response1.read())

print "第二種方法"

request = urllib2.Request(url)

#模擬Mozilla瀏覽器進(jìn)行爬蟲

request.add_header("user-agent","Mozilla/5.0")

response2 = urllib2.urlopen(request)

print response2.getcode()

print len(response2.read())

print "第三種方法"

cookie = cookielib.CookieJar()

#加入urllib2處理cookie的能力

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

urllib2.install_opener(opener)

response3 = urllib2.urlopen(url)

print response3.getcode()

print len(response3.read())

print cookie

使用 Beautiful Soup 解析 html 文件#!/usr/bin/python

# -*- coding: UTF-8 -*-

import re

from bs4 import BeautifulSoup

html_doc = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

Elsie,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

#創(chuàng)建一個BeautifulSoup解析對象

soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")

#獲取所有的鏈接

links = soup.find_all('a')

print "所有的鏈接"

for link in links:

print link.name,link['href'],link.get_text()

print "獲取特定的URL地址"

link_node = soup.find('a',href="http://example.com/elsie")

print link_node.name,link_node['href'],link_node['class'],link_node.get_text()

print "正則表達(dá)式匹配"

link_node = soup.find('a',href=re.compile(r"ti"))

print link_node.name,link_node['href'],link_node['class'],link_node.get_text()

print "獲取P段落的文字"

p_node = soup.find('p',class_='story')

print p_node.name,p_node['class'],p_node.get_text()shsh

python是不是挺厲害的呢

總結(jié)

以上是生活随笔為你收集整理的python爬虫从网页下载文件_用 Python爬虫下载网页文件教程-ie缓存文件提取器的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。