如何用Python做爬蟲(chóng)

1）首先你要明白爬蟲(chóng)怎樣工作。

烏拉特后網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)！從網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開(kāi)發(fā)、APP開(kāi)發(fā)、成都響應(yīng)式網(wǎng)站建設(shè)公司等網(wǎng)站項(xiàng)目制作，到程序開(kāi)發(fā)，運(yùn)營(yíng)維護(hù)。創(chuàng)新互聯(lián)于2013年開(kāi)始到現(xiàn)在10年的時(shí)間，我們擁有了豐富的建站經(jīng)驗(yàn)和運(yùn)維經(jīng)驗(yàn)，來(lái)保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)。

想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁(yè)都看一遍。怎么辦呢？沒(méi)問(wèn)題呀，你就隨便從某個(gè)地方開(kāi)始，比如說(shuō)人民日?qǐng)?bào)的首頁(yè)，這個(gè)叫initial pages，用$表示吧。

在人民日?qǐng)?bào)的首頁(yè)，你看到那個(gè)頁(yè)面引向的各種鏈接。于是你很開(kāi)心地從爬到了“國(guó)內(nèi)新聞”那個(gè)頁(yè)面。太好了，這樣你就已經(jīng)爬完了倆頁(yè)面（首頁(yè)和國(guó)內(nèi)新聞）！暫且不用管爬下來(lái)的頁(yè)面怎么處理的，你就想象你把這個(gè)頁(yè)面完完整整抄成了個(gè)html放到了你身上。

突然你發(fā)現(xiàn)， 在國(guó)內(nèi)新聞這個(gè)頁(yè)面上，有一個(gè)鏈接鏈回“首頁(yè)”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因?yàn)槟阋呀?jīng)看過(guò)了啊。所以，你需要用你的腦子，存下你已經(jīng)看過(guò)的頁(yè)面地址。這樣，每次看到一個(gè)可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過(guò)這個(gè)頁(yè)面地址。如果去過(guò)，那就別去了。

好的，理論上如果所有的頁(yè)面可以從initial page達(dá)到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁(yè)。

那么在python里怎么實(shí)現(xiàn)呢？

很簡(jiǎn)單

import Queue

initial_page = "初始化頁(yè)"

url_queue = Queue.Queue()

seen = set()

seen.insert(initial_page)

url_queue.put(initial_page)

while(True): #一直進(jìn)行直到海枯石爛

if url_queue.size()0:

current_url = url_queue.get() #拿出隊(duì)例中第一個(gè)的url

store(current_url) #把這個(gè)url代表的網(wǎng)頁(yè)存儲(chǔ)好

for next_url in extract_urls(current_url): #提取把這個(gè)url里鏈向的url

if next_url not in seen:

seen.put(next_url)

url_queue.put(next_url)

else:

break

寫(xiě)得已經(jīng)很偽代碼了。

所有的爬蟲(chóng)的backbone都在這里，下面分析一下為什么爬蟲(chóng)事實(shí)上是個(gè)非常復(fù)雜的東西——搜索引擎公司通常有一整個(gè)團(tuán)隊(duì)來(lái)維護(hù)和開(kāi)發(fā)。

2）效率

如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個(gè)豆瓣的內(nèi)容。更別說(shuō)Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。

問(wèn)題出在哪呢？需要爬的網(wǎng)頁(yè)實(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁(yè)要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)現(xiàn)是hash——不過(guò)這樣還是太慢了，至少內(nèi)存使用效率不高。

通常的判重做法是怎樣呢？Bloom Filter. 簡(jiǎn)單講它仍然是一種hash的方法，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長(zhǎng)）以O(shè)(1)的效率判定url是否已經(jīng)在set中。可惜天下沒(méi)有白吃的午餐，它的唯一問(wèn)題在于，如果這個(gè)url不在set中，BF可以100%確定這個(gè)url沒(méi)有看過(guò)。但是如果這個(gè)url在set中，它會(huì)告訴你：這個(gè)url應(yīng)該已經(jīng)出現(xiàn)過(guò)，不過(guò)我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少。一個(gè)簡(jiǎn)單的教程:Bloom Filters by Example

注意到這個(gè)特點(diǎn)，url如果被看過(guò)，那么可能以小概率重復(fù)看一看（沒(méi)關(guān)系，多看看不會(huì)累死）。但是如果沒(méi)被看過(guò)，一定會(huì)被看一下（這個(gè)很重要，不然我們就要漏掉一些網(wǎng)頁(yè)了！）。 [IMPORTANT: 此段有問(wèn)題，請(qǐng)暫時(shí)略過(guò)]

好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺(tái)機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁(yè)的速度是瓶頸的話，那么你只有加快這個(gè)速度。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話，多進(jìn)程吧）。

3）集群化抓取

爬取豆瓣的時(shí)候，我總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...

那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢？

我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過(guò)網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁(yè)，就向master請(qǐng)求一個(gè)新的網(wǎng)頁(yè)來(lái)抓取。而每次slave新抓到一個(gè)網(wǎng)頁(yè)，就把這個(gè)網(wǎng)頁(yè)上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒(méi)有被訪問(wèn)過(guò)的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問(wèn)過(guò)的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問(wèn)效率見(jiàn):LINSERT – Redis)

考慮如何用python實(shí)現(xiàn)：

在各臺(tái)slave上裝好scrapy，那么各臺(tái)機(jī)子就變成了一臺(tái)有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)列。

代碼于是寫(xiě)成

#slave.py

current_url = request_from_master()

to_send = []

for next_url in extract_urls(current_url):

to_send.append(next_url)

store(current_url);

send_to_master(to_send)

#master.py

distributed_queue = DistributedQueue()

bf = BloomFilter()

initial_pages = ""

while(True):

if request == 'GET':

if distributed_queue.size()0:

send(distributed_queue.get())

else:

break

elif request == 'POST':

bf.put(request.url)

好的，其實(shí)你能想到，有人已經(jīng)給你寫(xiě)好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及后處理

雖然上面用很多“簡(jiǎn)單”，但是真正要實(shí)現(xiàn)一個(gè)商業(yè)規(guī)模可用的爬蟲(chóng)并不是一件容易的事。上面的代碼用來(lái)爬一個(gè)整體的網(wǎng)站幾乎沒(méi)有太大的問(wèn)題。

但是如果附加上你需要這些后續(xù)處理，比如

有效地存儲(chǔ)（數(shù)據(jù)庫(kù)應(yīng)該怎樣安排）

有效地判重（這里指網(wǎng)頁(yè)判重，咱可不想把人民日?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)都爬一遍）

有效地信息抽取（比如怎么樣抽取出網(wǎng)頁(yè)上所有的地址抽取出來(lái)，“朝陽(yáng)區(qū)奮進(jìn)路中華道”），搜索引擎通常不需要存儲(chǔ)所有的信息，比如圖片我存來(lái)干嘛...

及時(shí)更新（預(yù)測(cè)這個(gè)網(wǎng)頁(yè)多久會(huì)更新一次）

如你所想，這里每一個(gè)點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，

“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。

所以，不要問(wèn)怎么入門(mén)，直接上路就好了：）

python爬蟲(chóng)---爬取LOL云頂之弈數(shù)據(jù)

本來(lái)是想爬取之后作最佳羈絆組合推算，但是遇到知識(shí)點(diǎn)無(wú)法消化（知識(shí)圖譜），所以暫時(shí)先不組合了，實(shí)力有限

庫(kù)的安裝

1.requests? #爬取棋子數(shù)據(jù)

2.json? #棋子數(shù)據(jù)為js動(dòng)態(tài)，需使用json解析

3.BeautifulSoup

實(shí)戰(zhàn)前先新建個(gè)lol文件夾作為工作目錄，并創(chuàng)建子目錄data，用于存放數(shù)據(jù)。

1.爬取數(shù)據(jù)，新建個(gè)py文件，用于爬取云頂數(shù)據(jù)，命名為data.py

1.1定義個(gè)req函數(shù)，方便讀取。//需設(shè)定編碼格式，否則會(huì)出現(xiàn)亂碼

def Re_data(url):

re = requests.get(url)

re.encoding = 'gbk'

data = json.loads(re.text)

return data['data']

1.2定義個(gè)Get函數(shù)，用于讀取數(shù)據(jù)并使用保存函數(shù)進(jìn)行保存數(shù)據(jù)，保存格式為json。

def Get_data():

# 獲取數(shù)據(jù)并保存至data目錄

base_url = ''

chess = Re_data(base_url + 'chess.js')

race = Re_data(base_url + 'race.js')

job = Re_data(base_url + 'job.js')

equip = Re_data(base_url + 'equip.js')

Save_data(chess,race,job,equip)

1.3定義save函數(shù)實(shí)現(xiàn)讀取的數(shù)據(jù)進(jìn)行文件保存，保存目錄為工作目錄下的data文件夾。

def Save_data(t_chess,t_race,t_job,t_equip):

with open('./data/chess.json','w') as f:

json.dump(t_chess,f,indent='\t')

with open('./data/race.json','w') as f:

json.dump(t_race,f,indent='\t')

with open('./data/job.json','w') as f:

json.dump(t_job,f,indent='\t')

with open('./data/equip.json','w') as f:

json.dump(t_equip,f,indent='\t')

1.4定義主函數(shù)main跑起來(lái)

if __name__ == '__main__':

start = time.time()

Get_data()

print('運(yùn)行時(shí)間：' + str(time.time() - start) + '秒')

至此，數(shù)據(jù)爬取完成。

2.種族和職業(yè)進(jìn)行組合。

2.1未完成 //未完成，使用窮舉方法進(jìn)行組合會(huì)出現(xiàn)內(nèi)存不夠?qū)е陆M合失敗（for循環(huán)嵌套導(dǎo)致數(shù)組內(nèi)存超限）

//待學(xué)習(xí)，使用知識(shí)圖譜建立組合優(yōu)選，可參考：

期間遇到的問(wèn)題：

1.爬取棋子數(shù)據(jù)時(shí)為動(dòng)態(tài)js加載，需通過(guò)json模塊的loads方法獲取

2.3層for循環(huán)嵌套數(shù)據(jù)量大，導(dǎo)致計(jì)算失敗，需優(yōu)化計(jì)算方法。

python爬蟲(chóng)入門(mén)需要哪些基礎(chǔ)

現(xiàn)在之所以有這么多的小伙伴熱衷于爬蟲(chóng)技術(shù)，無(wú)外乎是因?yàn)榕老x(chóng)可以幫我們做很多事情，比如搜索引擎、采集數(shù)據(jù)、廣告過(guò)濾等，以Python為例，Python爬蟲(chóng)可以用于數(shù)據(jù)分析，在數(shù)據(jù)抓取方面發(fā)揮巨大的作用。

但是這并不意味著單純掌握一門(mén)Python語(yǔ)言，就對(duì)爬蟲(chóng)技術(shù)觸類旁通，要學(xué)習(xí)的知識(shí)和規(guī)范還有喜很多，包括但不僅限于HTML 知識(shí)、HTTP/HTTPS 協(xié)議的基本知識(shí)、正則表達(dá)式、數(shù)據(jù)庫(kù)知識(shí)，常用抓包工具的使用、爬蟲(chóng)框架的使用等。而且涉及到大規(guī)模爬蟲(chóng)，還需要了解分布式的概念、消息隊(duì)列、常用的數(shù)據(jù)結(jié)構(gòu)和算法、緩存，甚至還包括機(jī)器學(xué)習(xí)的應(yīng)用，大規(guī)模的系統(tǒng)背后都是靠很多技術(shù)來(lái)支撐的。

零基礎(chǔ)如何學(xué)爬蟲(chóng)技術(shù)？對(duì)于迷茫的初學(xué)者來(lái)說(shuō)，爬蟲(chóng)技術(shù)起步學(xué)習(xí)階段，最重要的就是明確學(xué)習(xí)路徑，找準(zhǔn)學(xué)習(xí)方法，唯有如此，在良好的學(xué)習(xí)習(xí)慣督促下，后期的系統(tǒng)學(xué)習(xí)才會(huì)事半功倍，游刃有余。

用Python寫(xiě)爬蟲(chóng)，首先需要會(huì)Python，把基礎(chǔ)語(yǔ)法搞懂，知道怎么使用函數(shù)、類和常用的數(shù)據(jù)結(jié)構(gòu)如list、dict中的常用方法就算基本入門(mén)。作為入門(mén)爬蟲(chóng)來(lái)說(shuō)，需要了解 HTTP協(xié)議的基本原理，雖然 HTTP 規(guī)范用一本書(shū)都寫(xiě)不完，但深入的內(nèi)容可以放以后慢慢去看，理論與實(shí)踐相結(jié)合后期學(xué)習(xí)才會(huì)越來(lái)越輕松。關(guān)于爬蟲(chóng)學(xué)習(xí)的具體步驟，我大概羅列了以下幾大部分，大家可以參考：

網(wǎng)絡(luò)爬蟲(chóng)基礎(chǔ)知識(shí):

爬蟲(chóng)的定義

爬蟲(chóng)的作用

Http協(xié)議

基本抓包工具(Fiddler)使用

Python模塊實(shí)現(xiàn)爬蟲(chóng)：

urllib3、requests、lxml、bs4 模塊大體作用講解

使用requests模塊 get 方式獲取靜態(tài)頁(yè)面數(shù)據(jù)

使用requests模塊 post 方式獲取靜態(tài)頁(yè)面數(shù)據(jù)

使用requests模塊獲取 ajax 動(dòng)態(tài)頁(yè)面數(shù)據(jù)

使用requests模塊模擬登錄網(wǎng)站

使用Tesseract進(jìn)行驗(yàn)證碼識(shí)別

Scrapy框架與Scrapy-Redis：

Scrapy 爬蟲(chóng)框架大體說(shuō)明

Scrapy spider 類

Scrapy item 及 pipeline

Scrapy CrawlSpider 類

通過(guò)Scrapy-Redis 實(shí)現(xiàn)分布式爬蟲(chóng)

借助自動(dòng)化測(cè)試工具和瀏覽器爬取數(shù)據(jù)：

Selenium + PhantomJS 說(shuō)明及簡(jiǎn)單實(shí)例

Selenium + PhantomJS 實(shí)現(xiàn)網(wǎng)站登錄

Selenium + PhantomJS 實(shí)現(xiàn)動(dòng)態(tài)頁(yè)面數(shù)據(jù)爬取

爬蟲(chóng)項(xiàng)目實(shí)戰(zhàn)：

分布式爬蟲(chóng)+ Elasticsearch 打造搜索引擎

網(wǎng)頁(yè)名稱：python爬蟲(chóng)有關(guān)函數(shù) python爬蟲(chóng)語(yǔ)法
網(wǎng)址分享：http://chinadenli.net/article8/hgojop.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供企業(yè)建站、企業(yè)網(wǎng)站制作、網(wǎng)站設(shè)計(jì)、用戶體驗(yàn)、網(wǎng)站建設(shè)、云服務(wù)器

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)