python爬虫总计+案例+常用工具

举报
倪平宇 发表于 2019/12/12 11:04:19 2019/12/12
【摘要】 使用pyqt5爬个数据试试~

用Python开发爬虫是一件很轻松愉悦的事情，因为其相关库较多，而且使用方便，短短十几行代码就可以完成一个爬虫的开发；
但是，在应对具有反爬措施的网站，使用js动态加载的网站，App采集的时候就得动动脑子了；并且在开发分布式爬虫，高性能爬虫的时候更得用心设计。

Python开发爬虫常用的工具总结

  1. reqeusts：Python HTTP网络请求库；

  2. pyquery： Python HTML DOM结构解析库，采用类似JQuery的语法；

  3. BeautifulSoup：python HTML以及XML结构解析；

  4. selenium：Python自动化测试框架，可以用于爬虫；

  5. phantomjs：无头浏览器，可以配合selenium获取js动态加载的内容；

  6. re：python内建正则表达式模块；

  7. fiddler：抓包工具，原理就是是一个代理服务器，可以抓取手机包；

  8. anyproxy：代理服务器，可以自己撰写rule截取request或者response，通常用于客户端采集；

  9. celery：Python分布式计算框架，可用于开发分布式爬虫；

  10. gevent：Python基于协程的网络库，可用于开发高性能爬虫

  11. grequests：异步requests

  12. aiohttp:异步http client/server框架

  13. asyncio：python内建异步io，事件循环库

  14. uvloop：一个非常快速的事件循环库，配合asyncio效率极高

  15. concurrent：Python内建用于并发任务执行的扩展

  16. scrapy：python 爬虫框架；

  17. Splash：一个JavaScript渲染服务，相当于一个轻量级的浏览器，配合lua脚本通过他的http API 解析页面；

  18. Splinter：开源自动化Python web测试工具

  19. pyspider：Python爬虫系统

网页抓取思路

    1. 数据是否可以直接从HTML中获取？数据直接嵌套在页面的HTML结构中；

    2. 数据是否使用JS动态渲染到页面中的？数据嵌套在js代码中，然后采用js加载到页面或者采用ajax渲染；

    3. 获取的页面使用是否需要认证？需要登录后页面才可以访问；

    4. 数据是否直接可以通过API得到？有些数据是可以直接通过api获取到，省去解析HTML的麻烦，大多数API都是以JSON格式返回数据；

    5. 来自客户端的数据如何采集？例如：微信APP和微信客户端

如何应对反爬

  1. 不要太过分，控制爬虫的速率，别把人家整垮了，那就两败俱伤了；

  2. 使用代理隐藏真实IP，并且实现反爬；

  3. 让爬虫看起来像人类用户，选择性滴设置以下HTTP头部：Host：https://www.baidu.comConnection：keep-aliveAccept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8UserAgent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.104 Safari/537.36Referer: http://s.weibo.com/user/gamelife1314&Refer=indexAccept-Encoding: gzip, deflateAccept-Language: zh-CN,zh;q=0.8

  4. 查看网站的cookie，在某些情况下，请求需要添加cookie用于通过服务端的一些校验；

案例说明

静态页面解析（获取微信公众号文章）
import pyquery
import re


def weixin_article_html_parser(html):
 """
 解析微信文章，返回包含文章主体的字典信息
 :param html: 文章HTML源代码
 :return:
 """

 pq = pyquery.PyQuery(html)

 article = {
 "weixin_id": pq.find("#js_profile_qrcode "
 ".profile_inner .profile_meta").eq(0).find("span").text().strip(),
 "weixin_name": pq.find("#js_profile_qrcode .profile_inner strong").text().strip(),
 "account_desc": pq.find("#js_profile_qrcode .profile_inner "
 ".profile_meta").eq(1).find("span").text().strip(),
 "article_title": pq.find("title").text().strip(),
 "article_content": pq("#js_content").remove('script').text().replace(r"\r\n", ""),
 "is_orig": 1 if pq("#copyright_logo").length > 0 else 0,
 "article_source_url": pq("#js_sg_bar .meta_primary").attr('href') if pq(
 "#js_sg_bar .meta_primary").length > 0 else '',

 }

 # 使用正则表达式匹配页面中js脚本中的内容
 match = {
 "msg_cdn_url": {"regexp": "(?<=\").*(?=\")", "value": ""}, # 匹配文章封面图
 "var ct": {"regexp": "(?<=\")\d{10}(?=\")", "value": ""}, # 匹配文章发布时间
 "publish_time": {"regexp": "(?<=\")\d{4}-\d{2}-\d{2}(?=\")", "value": ""}, # 匹配文章发布日期
 "msg_desc": {"regexp": "(?<=\").*(?=\")", "value": ""}, # 匹配文章简介
 "msg_link": {"regexp": "(?<=\").*(?=\")", "value": ""}, # 匹配文章链接
 "msg_source_url": {"regexp": "(?<=').*(?=')", "value": ""}, # 获取原文链接
 "var biz": {"regexp": "(?<=\")\w{1}.+?(?=\")", "value": ""},
 "var idx": {"regexp": "(?<=\")\d{1}(?=\")", "value": ""},
 "var mid": {"regexp": "(?<=\")\d{10,}(?=\")", "value": ""},
 "var sn": {"regexp": "(?<=\")\w{1}.+?(?=\")", "value": ""},
 }
 count = 0
 for line in html.split("\n"):
 for item, value in match.items():
 if item in line:
 m = re.search(value["regexp"], line)
 if m is not None:
 count += 1
 match[item]["value"] = m.group(0)
 break
 if count >= len(match):
 break

 article["article_short_desc"] = match["msg_desc"]["value"]
 article["article_pos"] = int(match["var idx"]["value"])
 article["article_post_time"] = int(match["var ct"]["value"])
 article["article_post_date"] = match["publish_time"]["value"]
 article["article_cover_img"] = match["msg_cdn_url"]["value"]
 article["article_source_url"] = match["msg_source_url"]["value"]
 article["article_url"] = "https://mp.weixin.qq.com/s?__biz={biz}&mid={mid}&idx={idx}&sn={sn}".format(
 biz=match["var biz"]["value"],
 mid=match["var mid"]["value"],
 idx=match["var idx"]["value"],
 sn=match["var sn"]["value"],
 )

 return article


if __name__ == '__main__':

 from pprint import pprint
 import requests
 url = ("https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1"
 "&sn=39419542de39a821bb5d1570ac50a313&scene=0#wechat_redirect")
 pprint(weixin_article_html_parser(requests.get(url).text))

# {'account_desc': '夜听，让更多的家庭越来越幸福。',
# 'article_content': '文字：安梦 \\xa0 \\xa0 声音：刘筱 得到了什么？又失去了什么？',
# 'article_cover_img': 'http://mmbiz.qpic.cn/mmbiz_jpg/4iaBNpgEXstYhQEnbiaD0AwbKhmCVWSeCPBQKgvnSSj9usO4q997wzoicNzl52K1sYSDHBicFGL7WdrmeS0K8niaiaaA/0?wx_fmt=jpeg',
# 'article_pos': 1,
# 'article_post_date': '2017-07-02',
# 'article_post_time': 1499002202,
# 'article_short_desc': '周日 来自刘筱的晚安问候。',
# 'article_source_url': '',
# 'article_title': '【夜听】走到这里',
# 'article_url': 'https://mp.weixin.qq.com/s?__biz=MzI1NjA0MDg2Mw==&mid=2650682990&idx=1&sn=39419542de39a821bb5d1570ac50a313',
# 'is_orig': 0,
# 'weixin_id': 'yetingfm',
# 'weixin_name': '夜听'}

使用phantomjs解析js渲染的页面–微博搜索

有些页面采用复杂的js逻辑处理，包含各种Ajax请求，请求之间还包含一些加密操作，通过分析js逻辑重新渲染页面拿到
想要的数据可谓比登天还难，没有坚实的js基础，不熟悉各种js框架，搞明白这种页面就别想了；
采取类似浏览器的方式渲染页面，直接获取页面HTML方便多了。

例如：http://s.weibo.com/ 搜索出来的结果是使用js动态渲染的，直接获取HTML并不会得到搜索的结果，所以我们要运行
页面中的js，将页面渲染成功以后，再获取它的HTML进行解析；


使用Python模拟登陆获取cookie

有些网站比较蛋疼，通常需要登录之后才可以获取数据，下面展示一个简单的例子：用于登录网站吗，获取cookie，然后可以用于其他请求

但是，这里仅仅在没有验证码的情况下，如果要有短信验证，图片验证，邮箱验证那就要另行设计了；

目标网站：http://www.newrank.cn，日期：2017-07-03，如果网站结构更改，就需要修改代以下码了；

#!/usr/bin/env python3
# encoding: utf-8
import time
from urllib import parse

from selenium import webdriver
from selenium.common.exceptions import TimeoutException, WebDriverException
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from pyquery import PyQuery


def weibo_user_search(url: str):
 """通过phantomjs获取搜索的页面html"""

 desired_capabilities = DesiredCapabilities.CHROME.copy()
 desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
 "AppleWebKit/537.36 (KHTML, like Gecko) "
 "Chrome/59.0.3071.104 Safari/537.36")
 desired_capabilities["phantomjs.page.settings.loadImages"] = True
 # 自定义头部
 desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
 desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
 desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"

 driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs", # 设置phantomjs路径
 desired_capabilities=desired_capabilities,
 service_log_path="ghostdriver.log",)
 # 设置对象的超时时间
 driver.implicitly_wait(1)
 # 设置页面完全加载的超时时间，包括页面全部渲染，异步同步脚本都执行完成
 driver.set_page_load_timeout(60)
 # 设置异步脚本的超时时间
 driver.set_script_timeout(60)

 driver.maximize_window()
 try:
 driver.get(url=url)
 time.sleep(1)
 try:
 # 打开页面之后做一些操作
 company = driver.find_element_by_css_selector("p.company")
 ActionChains(driver).move_to_element(company)
 except WebDriverException:
 pass
 html = driver.page_source
 pq = PyQuery(html)
 person_lists = pq.find("div.list_person")
 if person_lists.length > 0:
 for index in range(person_lists.length):
 person_ele = person_lists.eq(index)
 print(person_ele.find(".person_name > a.W_texta").attr("title"))
 return html
 except (TimeoutException, Exception) as e:
 print(e)
 finally:
 driver.quit()

if __name__ == '__main__':
 weibo_user_search(url="http://s.weibo.com/user/%s" % parse.quote("新闻"))
# 央视新闻
# 新浪新闻
# 新闻
# 新浪新闻客户端
# 中国新闻周刊
# 中国新闻网
# 每日经济新闻
# 澎湃新闻
# 网易新闻客户端
# 凤凰新闻客户端
# 皇马新闻
# 网络新闻联播
# CCTV5体育新闻
# 曼联新闻
# 搜狐新闻客户端
# 巴萨新闻
# 新闻日日睇
# 新垣结衣新闻社
# 看看新闻KNEWS
# 央视新闻评论

使用Python模拟登陆获取cookie

有些网站比较蛋疼，通常需要登录之后才可以获取数据，下面展示一个简单的例子：用于登录网站吗，获取cookie，然后可以用于其他请求

但是，这里仅仅在没有验证码的情况下，如果要有短信验证，图片验证，邮箱验证那就要另行设计了；

目标网站：http://www.newrank.cn，日期：2017-07-03，如果网站结构更改，就需要修改代以下码了；

#!/usr/bin/env python3
# encoding: utf-8

from time import sleep
from pprint import pprint

from selenium.common.exceptions import TimeoutException, WebDriverException
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
from selenium import webdriver


def login_newrank():
 """登录新榜，获取他的cookie信息"""

 desired_capabilities = DesiredCapabilities.CHROME.copy()
 desired_capabilities["phantomjs.page.settings.userAgent"] = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
 "AppleWebKit/537.36 (KHTML, like Gecko) "
 "Chrome/59.0.3071.104 Safari/537.36")
 desired_capabilities["phantomjs.page.settings.loadImages"] = True

 # 自定义头部
 desired_capabilities["phantomjs.page.customHeaders.Upgrade-Insecure-Requests"] = 1
 desired_capabilities["phantomjs.page.customHeaders.Cache-Control"] = "max-age=0"
 desired_capabilities["phantomjs.page.customHeaders.Connection"] = "keep-alive"

 # 填写自己的账户进行测试
 user = {
 "mobile": "user",
 "password": "password"
 }

 print("login account: %s" % user["mobile"])

 driver = webdriver.PhantomJS(executable_path="/usr/bin/phantomjs",
 desired_capabilities=desired_capabilities,
 service_log_path="ghostdriver.log", )

 # 设置对象的超时时间
 driver.implicitly_wait(1)
 # 设置页面完全加载的超时时间，包括页面全部渲染，异步同步脚本都执行完成
 driver.set_page_load_timeout(60)
 # 设置异步脚本的超时时间
 driver.set_script_timeout(60)

 driver.maximize_window()

 try:
 driver.get(url="http://www.newrank.cn/public/login/login.html?back=http%3A//www.newrank.cn/")
 driver.find_element_by_css_selector(".login-normal-tap:nth-of-type(2)").click()
 sleep(0.2)
 driver.find_element_by_id("account_input").send_keys(user["mobile"])
 sleep(0.5)
 driver.find_element_by_id("password_input").send_keys(user["password"])
 sleep(0.5)
 driver.find_element_by_id("pwd_confirm").click()
 sleep(3)
 cookies = {user["name"]: user["value"] for user in driver.get_cookies()}
 pprint(cookies)

 except TimeoutException as exc:
 print(exc)
 except WebDriverException as exc:
 print(exc)
 finally:
 driver.quit()

if __name__ == '__main__':
 login_newrank()
# login account: 15395100590
# {'CNZZDATA1253878005': '1487200824-1499071649-%7C1499071649',
# 'Hm_lpvt_a19fd7224d30e3c8a6558dcb38c4beed': '1499074715',
# 'Hm_lvt_a19fd7224d30e3c8a6558dcb38c4beed': '1499074685,1499074713',
# 'UM_distinctid': '15d07d0d4dd82b-054b56417-9383666-c0000-15d07d0d4deace',
# 'name': '15395100590',
# 'rmbuser': 'true',
# 'token': 'A7437A03346B47A9F768730BAC81C514',
# 'useLoginAccount': 'true'}

在获取cookie之后就可以将获得的cookie添加到后续的请求中了，但是因为cookie是具有有效期的，因此需要定时更新；
可以通过设计一个cookie池来实现，动态定时登录一批账号，获取cookie之后存放在数据库中（redis，MySQL等等），
请求的时候从数据库中获取一条可用cookie，并且添加在请求中访问；

使用pyqt5爬个数据试试（PyQt 5.9.2）
import sys
import csv

import pyquery

from PyQt5.QtCore import QUrl
from PyQt5.QtWidgets import QApplication
from PyQt5.QtWebEngineWidgets import QWebEngineView


class Browser(QWebEngineView):

 def __init__(self):
 super(Browser, self).__init__()
 self.__results = []
 self.loadFinished.connect(self.__result_available)

 @property
 def results(self):
 return self.__results

 def __result_available(self):
 self.page().toHtml(self.__parse_html)

 def __parse_html(self, html):
 pq = pyquery.PyQuery(html)
 for rows in [pq.find("#table_list tr"), pq.find("#more_list tr")]:
 for row in rows.items():
 columns = row.find("td")
 d = {
 "avatar": columns.eq(1).find("img").attr("src"),
 "url": columns.eq(1).find("a").attr("href"),
 "name": columns.eq(1).find("a").attr("title"),
 "fans_number": columns.eq(2).text(),
 "view_num": columns.eq(3).text(),
 "comment_num": columns.eq(4).text(),
 "post_count": columns.eq(5).text(),
 "newrank_index": columns.eq(6).text(),
 }
 self.__results.append(d)

 with open("results.csv", "a+", encoding="utf-8") as f:
 writer = csv.DictWriter(f, fieldnames=["name", "fans_number", "view_num", "comment_num", "post_count",
 "newrank_index", "url", "avatar"])
 writer.writerows(self.results)

 def open(self, url: str):
 self.load(QUrl(url))


if __name__ == '__main__':
 app = QApplication(sys.argv)
 browser = Browser()
 browser.open("https://www.newrank.cn/public/info/list.html?period=toutiao_day&type=data")
 browser.show()
 app.exec_()


【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
网站 Python
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入