1. 什么是爬虫?

爬虫是请求⽹网站并提取数据的⾃自动化程序

2. 爬虫的基本流程

  1. 发起请求 通过HTTP库向目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器器响应。
  2. 解析内容 如果服务器能正常响应,会得到一个Response,Response的内容便是所要获取的页面内容,类型可能有HTML,Json字符串,二进制数据(如图片视频)等类型。
  3. 获取响应内容 得到的内容可能是HTML,可以用正则表达式、网页解析库进行解析。可能是Json,可以直接转为Json对象解析,可能是二进制数据,可以做保存或者进一步的处理。
  4. 保存数据 保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件。

3. 什么是Request和Response?

Request和Response

  • 浏览器就发送消息给该网址所在的服务器,这个过程叫做HTTP Request。
  • 服务器收到浏览器发送的消息后,能够根据浏览器发送消息的内容,做相应处理,然后把消息回传给浏览器。这个过程叫做HTTP Response。
  • 浏览器收到服务器的Response信息后,会对信息进行相应处理,然后展示。

3.1 Request中包含什么?

  • 请求方式:主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。
  • 请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息。
  • 请求URL:URL全称统一资源定位符,如一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。
  • 请求体:请求时额外携带的数据如表单提交时的表单数据

3.2 Response中包含什么?

  • 响应状态:有多种响应状态,如200代表成功、301跳转、404找不到页面、502服务器错误
  • 响应头:如内容类型、内容长度、服务器信息、设置Cookie等等。
  • 响应体:最主要的部分,包含了请求资源的内容,如网页HTML、图片二进制数据等。

4. 爬虫可以抓取怎样的数据?

  • 网页文本:如HTML文档、Json格式文本等。
  • 图片:获取到的是二进制文件,保存为图片格式。
  • 视频:同为二进制文件,保存为视频格式即可。
  • 其它:只要是能请求到的,都能获取。

5. 怎样来解析?

  • 直接处理
  • Json解析
  • 正则表达式
  • BeautifulSoup
  • PyQuery
  • Xpath

6. 怎样保存数据?

  • 文本:纯文本、Json、Xml等。
  • 关系型数据库:如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
  • 非关系型数据库:如MongoDB、Redis等Key-Value形式存储。
  • 二进制文件:如图片、视频、音频等直接保存成特定格式即可。

爬虫爬取网易新闻排行榜。


1. 确定目标

经过讨论,分析,对比各个新闻门户网站的排行榜,最终选取了内容正规、不良信息少、广告少的网易新闻排行榜。每个整点爬取一次,选取点击率最高的前20条热门新闻。即红框所选内容。 网易新闻排行榜

2. 分析目标网页

目标网页:http://news.163.com/special/0001386F/rank_news.html 通过分析网页源代码得知,这个网页排行榜并不是通过JavaScript动态加载生成。所以网页爬取后可以直接处理,简单利用BeautifulSoup + requests库即可实现。

3. 实现过程

3.1 请求目标网页并存储网页源文件

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
# 导入相应的包
from bs4 import BeautifulSoup
import requests
import re
import datetime
from connect_mysql import *
# 获取当前时间并指定格式为2018041018
time = datetime.datetime.now().strftime("%Y%m%d%H")
url = r'http://news.163.com/special/0001386F/rank_news.html'
# 模拟真实浏览器进行访问
headers = {'User-Agent':
               'Mozilla/5.0 (Windows NT 10.0; WOW64) '
               'AppleWebKit/537.36 (KHTML, like Gecko) '
               'Chrome/55.0.2883.87 Safari/537.36'}
response = requests.get(url, headers=headers)
page_html = response.text

###3.2 将获取到的内容转换成BeautifulSoup格式,并将html.parser作为解析器

1
soup = BeautifulSoup(page_html, 'html.parser')

###3.3 对soup进行分析处理 首先通过分析网站结构得知,我们需要的数据在class = tabContents active的div下的所有a标签中,而这个div又嵌套在class = area-half left的div中。所以我们写如下代码,从网页源代码中找到所有符合要求的标题,限制20条。

1
titles = soup.find('div', 'area-half left').find('div', 'tabContents active').find_all('a', limit=20)

仅需一行代码,我们就已经获取到了我们需要的部分数据。接下来继续获取新的对我们有用的数据,并存放到数据库。

通过开发者调试工具分析网页源代码

3.4 对3.3的结果进一步处理

由于网页标题显示不全,所以上一步爬取的标题,部分不完整。所以我们需要进一步爬取,步骤和上述几个操作类似,爬取新闻链接,新闻内容,新闻完整标题。这三个内容,并调用自己写的方法,将数据存放到数据库。并用re库对内容进行简单处理(去除\n\t\r ),具体实现如下。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
for title in titles:
    '''
    news_url:新闻链接
    news_html:新闻页网页源代码 
    '''
    news_url = (str(title.get('href')))
    news_response = requests.get(news_url, headers=headers)
    news_html = news_response.text
    # 将获取到的内容转换成BeautifulSoup格式,并将html.parser作为解析器
    news_soup = BeautifulSoup(news_html, 'html.parser')
    # 从网页源代码中找到属于post_text类的div,并将所有p标签内容存入列表news_contents
    if news_soup.find('div', 'post_text') is None:  # 如果网页丢失,跳出本次循环
        continue
    news_title = news_soup.find('h1')
    contents = news_soup.find('div', 'post_text').find_all('p')
    news_contents = []
    for content in contents:
        if content.string is not None:
            #去掉特殊字符
            news_contents.append(re.sub('[\r\n\t ]', '', str(content.string)))
    #字符串拼接
    news_contents = ''.join(news_contents)
    # 将爬取到的数据存入数据库
    insert_wangyinews_into_mysql(wangyi_news, str(news_title.string), news_url, news_contents, time)

这样,一个简单的爬虫就完成了,不要小看这几十行代码,它们在本项目中发挥了巨大的作用。

本文所用开发环境: anaconda 5.1 pycharm

本文第一部分是崔庆才老师的python3网络爬虫视频教程的笔记: 课程链接:https://cuiqingcai.com/4320.html 崔老师的课程对我有很大的帮助,再次感谢。