谈谈对Python爬虫的理解

爬虫也可以称为Python爬虫

不知从何时起，Python这门语言和爬虫就像一对恋人，二者如胶似漆，形影不离，你中有我、我中有你，一提起爬虫，就会想到Python，一说起Python，就会想到人工智能……和爬虫

所以，一般说爬虫的时候，大部分程序员潜意识里都会联想为Python爬虫，为什么会这样，我觉得有两个原因：

Python生态极其丰富，诸如Request、Beautiful Soup、Scrapy、PySpider等第三方库实在强大
Python语法简洁易上手，分分钟就能写出一个爬虫（有人吐槽Python慢，但是爬虫的瓶颈和语言关系不大）

任何一个学习Python的程序员，应该都或多或少地见过甚至研究过爬虫，我当时写Python的目的就非常纯粹——为了写爬虫。所以本文的目的很简单，就是说说我个人对Python爬虫的理解与实践，作为一名程序员，我觉得了解一下爬虫的相关知识对你只有好处，所以读完这篇文章后，如果能对你有帮助，那便再好不过

什么是爬虫

爬虫是一个程序，这个程序的目的就是为了抓取万维网信息资源，比如你日常使用的谷歌等搜索引擎，搜索结果就全都依赖爬虫来定时获取

CzlHyF

看上述搜索结果，除了wiki相关介绍外，爬虫有关的搜索结果全都带上了Python，前人说Python爬虫，现在看来果然诚不欺我～

爬虫的目标对象也很丰富，不论是文字、图片、视频，任何结构化非结构化的数据爬虫都可以爬取，爬虫经过发展，也衍生出了各种爬虫类型：

通用网络爬虫：爬取对象从一些种子 URL 扩充到整个 Web，搜索引擎干的就是这些事
垂直网络爬虫：针对特定领域主题进行爬取，比如专门爬取小说目录以及章节的垂直爬虫
增量网络爬虫：对已经抓取的网页进行实时更新
深层网络爬虫：爬取一些需要用户提交关键词才能获得的 Web 页面

不想说这些大方向的概念，让我们以一个获取网页内容为例，从爬虫技术本身出发，来说说网页爬虫，步骤如下：

模拟请求网页资源
从HTML提取目标元素
数据持久化

什么是爬虫，这就是爬虫：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


"""让我们根据上面说的步骤来完成一个简单的爬虫程序"""
import requests

from bs4 import BeautifulSoup

target_url = 'http://www.baidu.com/s?wd=爬虫'

# 第一步 发起一个GET请求
res = requests.get(target_url)

# 第二步 提取HTML并解析想获取的数据 比如获取 title
soup = BeautifulSoup(res.text, "lxml")
# 输出 soup.title.text
title = soup.title.text

# 第三步 持久化 比如保存到本地
with open('title.txt', 'w') as fp:
    fp.write(title)

加上注释不到20行代码，你就完成了一个爬虫，简单吧

怎么写爬虫

网页世界多姿多彩、亿万网页资源供你选择，面对不同的页面，怎么使自己编写的爬虫程序够稳健、持久，这是一个值得讨论的问题

俗话说，磨刀不误砍柴工，在开始编写爬虫之前，很有必要掌握一些基本知识：

网页的结构是HTML，爬虫的目标就是解析HTML，获取目标字段并保存
客户端展现的网页由浏览器渲染，客户端和服务端的信息交互依靠HTTP协议

这两句描述体现了一名爬虫开发人员需要掌握的基本知识，不过一名基本的后端或者前端工程师都会这些哈哈，这也说明了爬虫的入门难度极低，从这两句话，你能思考出哪些爬虫必备的知识点呢？

基本的HTML知识，了解HTML才方便目标信息提取
基本的JS知识，JS可以异步加载HTML
了解CSS Selector、XPath以及正则，目的是为了提取数据
了解HTTP协议，为后面的反爬虫斗争打下基础
了解基本的数据库操作，为了数据持久化

有了这些知识储备，接下来就可以选择一门语言，开始编写自己的爬虫程序了，还是按照上一节说的三个步骤，然后以Python为例，说一说要在编程语言方面做那些准备：

网页请求：内置有urllib库，第三方库的话，同步请求可以使用requests，异步请求使用aiohttp
分析HTML结构并提取目标元素：CSS Selector和XPath是目前主流的提取方式，第三方库可以使用Beautiful Soup或者PyQuery
数据持久化：目标数据提取之后，可以将数据保存到数据库中进行持久化，MySQL、MongoDB等，这些都有对应的库支持，当然你也可以保存在硬盘，谁硬盘没点东西对吧（滑稽脸）

掌握了上面这些，你大可放开手脚大干一场，万维网就是你的名利场，去吧～

我觉得对于一个目标网站的网页，可以分下面四个类型：

单页面单目标
单页面多目标
多页面单目标
多页面多目标

具体是什么意思呢，可能看起来有点绕，但明白这些，你之后写爬虫，只要在脑子里面过一遍着网页对应什么类型，然后套上对应类型的程序（写多了都应该有一套自己的常用代码库），那写爬虫的速度，自然不会慢

单页面单目标

通俗来说，就是在这个网页里面，我们的目标就只有一个，假设我们的需求是抓取这部电影-肖申克的救赎的名称，首先打开网页右键审查元素，找到电影名称对应的元素位置，如下图所示：

O2l4f1

在某个单一页面内，看目标是不是只有一个，一眼就能看出标题的CSS Selector规则为：#content > h1 > span:nth-child(1)，然后用我自己写的常用库，我用不到十行代码就能写完抓取这个页面电影名称的爬虫：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


import asyncio

from ruia import Item, TextField


class DoubanItem(Item):
    """
    定义爬虫的目标字段
    """
    title = TextField(css_select='#content > h1 > span:nth-child(1)')


async_func = DoubanItem.get_item(url="https://movie.douban.com/subject/1292052/")
item = asyncio.get_event_loop().run_until_complete(async_func)
print(item)

多页面多目标就是此情况下多个url的衍生情况

单页面多目标

假设现在的需求是抓取豆瓣电影250 第一页中的所有电影名称，你需要提取25个电影名称，因为这个目标页的目标数据是多个item的，所以目标需要循环获取。

HdWKWD

对于这个情况，我在Item中限制了一点，当你定义的爬虫需要在某一页面循环获取你的目标时，则需要定义target_item属性（就是截图中的红框）

对于豆瓣250这个页面，我们的目标是25部电影信息，所以该这样定义：

field	css_select
target_item（必须）	div.item
title	span.title

代码实现如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33


import asyncio

from ruia import Item, TextField


class DoubanItem(Item):
    """
    定义爬虫的目标字段
    """

    target_item = TextField(css_select="div.item")
    title = TextField(css_select="span.title")

    async def clean_title(self, title):
        """
        对提取的目标数据进行清洗 可选
        :param title: 初步提取的目标数据
        :return:
        """
        if isinstance(title, str):
            return title
        else:
            return "".join([i.text.strip().replace("\xa0", "") for i in title])


async def run_item(url: str):
    async for item in DoubanItem.get_items(url=url):
        print(item)


items = asyncio.get_event_loop().run_until_complete(
    run_item("https://movie.douban.com/top250")
)

多页面多目标

多页面多目标是上述单页面多目标情况的衍生，在这个问题上来看，此时就是获取所有分页的电影名称

QrGkFX

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46


from ruia import Item, Request, Spider, TextField


class DoubanItem(Item):
    """
    定义爬虫的目标字段
    """

    target_item = TextField(css_select="div.item")
    title = TextField(css_select="span.title")

    async def clean_title(self, title):
        if isinstance(title, str):
            return title
        else:
            return "".join([i.text.strip().replace("\xa0", "") for i in title])


class DoubanSpider(Spider):
    start_urls = ["https://movie.douban.com/top250"]
    concurrency = 10

    async def parse(self, res):
        etree = res.html_etree(html=await res.text())
        pages = ["?start=0&filter="] + [
            i.get("href") for i in etree.cssselect(".paginator>a")
        ]

        for index, page in enumerate(pages):
            url = self.start_urls[0] + page
            yield Request(
                url,
                callback=self.parse_item,
                metadata={"index": index},
                request_config=self.request_config,
            )

    async def parse_item(self, res):
        res_list = []
        async for item in DoubanItem.get_items(html=await res.text()):
            res_list.append(item.title)
        return res_list


if __name__ == "__main__":
    DoubanSpider.start()

如果网络没问题的话，会得到如下输出：

注意爬虫运行时间，1s不到，这就是异步的魅力

用Python写爬虫，就是这么简单优雅，诸位，看着网页就思考下：

是什么类型的目标类型
用什么库模拟请求
怎么解析目标字段
怎么存储

一个爬虫程序就成型了，顺便一提，爬虫这东西，可以说是防君子不防小人，robots.txt大部分网站都有（它的目的是告诉爬虫什么可以爬取什么不可以爬取，比如：https://www.baidu.com/robots.txt），各位想怎么爬取，自己衡量

如何进阶

不要以为写好一个爬虫程序就可以出师了，此时还有更多的问题在前面等着你，你要含情脉脉地看着你的爬虫程序，问自己三个问题：

爬虫抓取数据后是正当用途么？
爬虫会把目标网站干掉么？
爬虫会被反爬虫干掉么？

前两个关于人性的问题在此不做过多叙述，因此跳过，但你们如果作为爬虫工程师的话，切不可跳过

会被反爬虫干掉么？

最后关于反爬虫的问题才是你爬虫程序强壮与否的关键因素，什么是反爬虫？

当越来越多的爬虫在互联网上横冲直撞后，网页资源维护者为了防止自身数据被抓取，开始进行一系列的措施来使得自身数据不易被别的程序爬取，这些措施就是反爬虫

比如检测IP访问频率、资源访问速度、链接是否带有关键参数、验证码检测机器人、ajax混淆、js加密等等

对于目前市场上的反爬虫，爬虫工程师常有的反反爬虫方案是下面这样的：

不断试探目标底线，试出单IP下最优的访问频率
构建自己的IP代理池
维护一份自己常用的UA库
针对目标网页的Cookie池
需要JS渲染的网页使用无头浏览器进行代码渲染再抓取
一套破解验证码程序
扎实的JS知识来破解混淆函数

爬虫工程师的进阶之路其实就是不断反反爬虫，可谓艰辛，但换个角度想也是乐趣所在

关于框架

爬虫有自己的编写流程和标准，有了标准，自然就有了框架，像Python这种生态强大的语言，框架自然是多不胜数，目前世面上用的比较多的有：

Scrapy
PySpider
Portia
Ruia：容我自荐一波

这里不过多介绍，框架只是工具，是一种提升效率的方式，看你选择

说明

任何事物都有两面性，爬虫自然也不例外，因此我送诸位一张图，关键时刻好好想想

最后，欢迎一起交流：

文章目录

谈谈对Python爬虫的理解

谈谈对Python爬虫的理解

什么是爬虫

怎么写爬虫

如何进阶

说明

See Also

❤️ 我的专栏

✍️ 最近文章

👏 分类

😼 标签

🔗 友情链接

👀 订阅