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
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：
"""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：
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：
import asyncio
from ruia import Item, TextField
class DoubanItem(Item):
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.title)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，因此目标需要循环获取，这就是所谓的单页面多目标了：
import asyncio
from ruia import Item, TextField
class DoubanItem(Item):
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])
async_func = DoubanItem.get_items(url="https://movie.douban.com/top250")
items = asyncio.get_event_loop().run_until_complete(async_func)
for item in items:
print(item)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
from ruia import TextField, Item, Request, Spider
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
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):
items_data = await DoubanItem.get_items(html=res.html)
res_list = []
for item in items_data:
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
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
