首页下载资源后端Python入门网络爬虫之精华版

ZIPPython入门网络爬虫之精华版

2301_804882142.03MB需要积分:1

资源文件列表:

88.zip 大约有98个文件
  1. 88/
  2. 88/Captcha1/
  3. 88/Captcha1/!Test.bat 50B
  4. 88/Captcha1/ReadMe.md 1.31KB
  5. 88/Captcha1/convert.exe 198KB
  6. 88/Captcha1/pic/
  7. 88/Captcha1/pic/fnord.tif 1.38KB
  8. 88/Captcha1/pic/get_price_img.png 2.76KB
  9. 88/Captcha1/pic/get_price_img1.png 2.9KB
  10. 88/Captcha1/pic/get_price_img1_binary.png 352B
  11. 88/Captcha1/pic/get_price_img2.png 2.8KB
  12. 88/Captcha1/pic/get_price_img2_binary.png 352B
  13. 88/Captcha1/pic/get_price_img_binary.png 355B
  14. 88/Captcha1/pic/get_random.jpg 17.23KB
  15. 88/Captcha1/pic/get_random1.jpg 17.23KB
  16. 88/Captcha1/pic/get_random1_binary.png 684B
  17. 88/Captcha1/pic/get_random1_binary_midu.png 408B
  18. 88/Captcha1/pic/get_random1_binary_midu_pro1.png 371B
  19. 88/Captcha1/pic/get_random2.jpg 17.23KB
  20. 88/Captcha1/pic/get_random2_binary.png 675B
  21. 88/Captcha1/pic/get_random2_binary_midu.png 429B
  22. 88/Captcha1/pic/get_random2_binary_midu_pro1.png 377B
  23. 88/Captcha1/pic/get_random_binary.png 701B
  24. 88/Captcha1/pic/get_random_binary_midu.png 396B
  25. 88/Captcha1/pic/get_random_binary_midu_pro1.png 351B
  26. 88/Captcha1/pytesser_pro/
  27. 88/Captcha1/pytesser_pro/__init__.py
  28. 88/Captcha1/pytesser_pro/errors.py 424B
  29. 88/Captcha1/pytesser_pro/pytesser_pro.py 2.69KB
  30. 88/Captcha1/pytesser_pro/util.py 669B
  31. 88/Captcha1/tess_test.py 6.99KB
  32. 88/Captcha1/tesseract.exe 1.9MB
  33. 88/NewsSpider/
  34. 88/NewsSpider/NewsSpider.py 2.08KB
  35. 88/NewsSpider/ReadMe.md 316B
  36. 88/QunarSpider/
  37. 88/QunarSpider/QunarSpider.py 4.78KB
  38. 88/QunarSpider/ReadMe.md 279B
  39. 88/ReadMe.md 12.19KB
  40. 88/Spider_Java/
  41. 88/Spider_Java/README.md 141B
  42. 88/Spider_Java/Spider_Java1/
  43. 88/Spider_Java/Spider_Java1/.classpath 300B
  44. 88/Spider_Java/Spider_Java1/.project 365B
  45. 88/Spider_Java/Spider_Java1/bin/
  46. 88/Spider_Java/Spider_Java1/bin/synchronizetest/
  47. 88/Spider_Java/Spider_Java1/bin/synchronizetest/Booth.class 1.58KB
  48. 88/Spider_Java/Spider_Java1/bin/synchronizetest/Reservoir.class 476B
  49. 88/Spider_Java/Spider_Java1/bin/synchronizetest/Test.class 674B
  50. 88/Spider_Java/Spider_Java1/bin/wallstreetcnsave/
  51. 88/Spider_Java/Spider_Java1/bin/wallstreetcnsave/WallstreetcnSaveTest.class 9.31KB
  52. 88/Spider_Java/Spider_Java1/lib/
  53. 88/Spider_Java/Spider_Java1/lib/mongo-java-driver-2.13.0-rc1.jar 590.21KB
  54. 88/Spider_Java/Spider_Java1/src/
  55. 88/Spider_Java/Spider_Java1/src/synchronizetest/
  56. 88/Spider_Java/Spider_Java1/src/synchronizetest/Test.java 1.7KB
  57. 88/Spider_Java/Spider_Java1/src/wallstreetcnsave/
  58. 88/Spider_Java/Spider_Java1/src/wallstreetcnsave/WallstreetcnSaveTest.java 7.2KB
  59. 88/Spider_Java/Spider_Java2/
  60. 88/Spider_Java/Spider_Java2/.classpath 300B
  61. 88/Spider_Java/Spider_Java2/.project 382B
  62. 88/Spider_Java/Spider_Java2/bin/
  63. 88/Spider_Java/Spider_Java2/bin/synchronizetest/
  64. 88/Spider_Java/Spider_Java2/bin/synchronizetest/Booth.class 1.58KB
  65. 88/Spider_Java/Spider_Java2/bin/synchronizetest/Reservoir.class 476B
  66. 88/Spider_Java/Spider_Java2/bin/synchronizetest/Test.class 674B
  67. 88/Spider_Java/Spider_Java2/bin/wallstreetcnsave/
  68. 88/Spider_Java/Spider_Java2/bin/wallstreetcnsave/GetrequestUrl.class 1.04KB
  69. 88/Spider_Java/Spider_Java2/bin/wallstreetcnsave/WallstreetcnSave.class 9.95KB
  70. 88/Spider_Java/Spider_Java2/bin/wallstreetcnsave/WallstreetcnSaveTest.class 893B
  71. 88/Spider_Java/Spider_Java2/lib/
  72. 88/Spider_Java/Spider_Java2/lib/mongo-java-driver-2.13.0-rc1.jar 590.21KB
  73. 88/Spider_Java/Spider_Java2/src/
  74. 88/Spider_Java/Spider_Java2/src/synchronizetest/
  75. 88/Spider_Java/Spider_Java2/src/synchronizetest/Test.java 1.78KB
  76. 88/Spider_Java/Spider_Java2/src/wallstreetcnsave/
  77. 88/Spider_Java/Spider_Java2/src/wallstreetcnsave/WallstreetcnSaveTest.java 10.38KB
  78. 88/Spider_Python/
  79. 88/Spider_Python/README.md 100B
  80. 88/Spider_Python/WallstreetcnSaveTest.py 5.53KB
  81. 88/WechatSearchProjects/
  82. 88/WechatSearchProjects/README.md 326B
  83. 88/WechatSearchProjects/Spider_Main.py 775B
  84. 88/WechatSearchProjects/WechatSearchTest.py 3.72KB
  85. 88/WechatSearchProjects/Wechatproject/
  86. 88/WechatSearchProjects/Wechatproject/Wechatproject/
  87. 88/WechatSearchProjects/Wechatproject/Wechatproject/__init__.py
  88. 88/WechatSearchProjects/Wechatproject/Wechatproject/items.py 335B
  89. 88/WechatSearchProjects/Wechatproject/Wechatproject/pipelines.py 3.55KB
  90. 88/WechatSearchProjects/Wechatproject/Wechatproject/settings.py 868B
  91. 88/WechatSearchProjects/Wechatproject/Wechatproject/spiders/
  92. 88/WechatSearchProjects/Wechatproject/Wechatproject/spiders/__init__.py 161B
  93. 88/WechatSearchProjects/Wechatproject/Wechatproject/spiders/spider.py 3.07KB
  94. 88/WechatSearchProjects/Wechatproject/scrapy.cfg 268B
  95. 88/ZhihuSpider/
  96. 88/ZhihuSpider/ReadMe.md 481B
  97. 88/ZhihuSpider/ZhihuSpider.py 2.1KB
  98. 88/ZhihuSpider/config.ini 153B

资源介绍:

Python学习网络爬虫主要分3个大的版块:抓取,分析,存储 简单来说这段过程发生了以下四个步骤: 查找域名对应的IP地址。 向IP对应的服务器发送请求。 服务器响应请求,发回网页内容。 浏览器解析网页内容。 网络爬虫要做的,简单来说,就是实现浏览器的功能。通过指定url,直接返回给用户所需要的数据,而不需要一步步人工去操纵浏览器获取。
# [Python入门网络爬虫之精华版](https://github.com/lining0806/PythonSpiderNotes) *** Python学习网络爬虫主要分3个大的版块:**抓取**,**分析**,**存储** 另外,比较常用的爬虫框架[Scrapy](http://scrapy.org/),这里最后也详细介绍一下。 首先列举一下本人总结的相关文章,这些覆盖了入门网络爬虫需要的基本概念和技巧:[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/) *** 当我们在浏览器中输入一个url后回车,后台会发生什么?比如说你输入[http://www.lining0806.com/](http://www.lining0806.com/),你就会看到宁哥的小站首页。 简单来说这段过程发生了以下四个步骤: * 查找域名对应的IP地址。 * 向IP对应的服务器发送请求。 * 服务器响应请求,发回网页内容。 * 浏览器解析网页内容。 网络爬虫要做的,简单来说,就是实现浏览器的功能。通过指定url,直接返回给用户所需要的数据,而不需要一步步人工去操纵浏览器获取。 ## 抓取 这一步,你要明确要得到的内容是什么?是HTML源码,还是Json格式的字符串等。 #### 1. 最基本的抓取 抓取大多数情况属于get请求,即直接从对方服务器上获取数据。 首先,Python中自带urllib及urllib2这两个模块,基本上能满足一般的页面抓取。另外,[requests](https://github.com/kennethreitz/requests)也是非常有用的包,与此类似的,还有[httplib2](https://github.com/jcgregorio/httplib2)等等。 ``` Requests: import requests response = requests.get(url) content = requests.get(url).content print "response headers:", response.headers print "content:", content Urllib2: import urllib2 response = urllib2.urlopen(url) content = urllib2.urlopen(url).read() print "response headers:", response.headers print "content:", content Httplib2: import httplib2 http = httplib2.Http() response_headers, content = http.request(url, 'GET') print "response headers:", response_headers print "content:", content ``` 此外,对于带有查询字段的url,get请求一般会将来请求的数据附在url之后,以?分割url和传输数据,多个参数用&连接。 ``` data = {'data1':'XXXXX', 'data2':'XXXXX'} Requests:data为dict,json import requests response = requests.get(url=url, params=data) Urllib2:data为string import urllib, urllib2 data = urllib.urlencode(data) full_url = url+'?'+data response = urllib2.urlopen(full_url) ``` 相关参考:[网易新闻排行榜抓取回顾](http://www.lining0806.com/%E7%BD%91%E6%98%93%E6%96%B0%E9%97%BB%E6%8E%92%E8%A1%8C%E6%A6%9C%E6%8A%93%E5%8F%96%E5%9B%9E%E9%A1%BE/) 参考项目:[网络爬虫之最基本的爬虫:爬取网易新闻排行榜](https://github.com/lining0806/PythonSpiderNotes/blob/master/NewsSpider) ### 2. 对于登陆情况的处理 **2.1 使用表单登陆** 这种情况属于post请求,即先向服务器发送表单数据,服务器再将返回的cookie存入本地。 ``` data = {'data1':'XXXXX', 'data2':'XXXXX'} Requests:data为dict,json import requests response = requests.post(url=url, data=data) Urllib2:data为string import urllib, urllib2 data = urllib.urlencode(data) req = urllib2.Request(url=url, data=data) response = urllib2.urlopen(req) ``` **2.2 使用cookie登陆** 使用cookie登陆,服务器会认为你是一个已登陆的用户,所以就会返回给你一个已登陆的内容。因此,需要验证码的情况可以使用带验证码登陆的cookie解决。 ``` import requests requests_session = requests.session() response = requests_session.post(url=url_login, data=data) ``` 若存在验证码,此时采用response = requests_session.post(url=url_login, data=data)是不行的,做法应该如下: ``` response_captcha = requests_session.get(url=url_login, cookies=cookies) response1 = requests.get(url_login) # 未登陆 response2 = requests_session.get(url_login) # 已登陆,因为之前拿到了Response Cookie! response3 = requests_session.get(url_results) # 已登陆,因为之前拿到了Response Cookie! ``` 相关参考:[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/) 参考项目:[网络爬虫之用户名密码及验证码登陆:爬取知乎网站](https://github.com/lining0806/PythonSpiderNotes/blob/master/ZhihuSpider) ### 3. 对于反爬虫机制的处理 **3.1 使用代理** 适用情况:限制IP地址情况,也可解决由于“频繁点击”而需要输入验证码登陆的情况。 这种情况最好的办法就是维护一个代理IP池,网上有很多免费的代理IP,良莠不齐,可以通过筛选找到能用的。对于“频繁点击”的情况,我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。 ``` proxies = {'http':'http://XX.XX.XX.XX:XXXX'} Requests: import requests response = requests.get(url=url, proxies=proxies) Urllib2: import urllib2 proxy_support = urllib2.ProxyHandler(proxies) opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler) urllib2.install_opener(opener) # 安装opener,此后调用urlopen()时都会使用安装过的opener对象 response = urllib2.urlopen(url) ``` **3.2 时间设置** 适用情况:限制频率情况。 Requests,Urllib2都可以使用time库的sleep()函数: ``` import time time.sleep(1) ``` **3.3 伪装成浏览器,或者反“反盗链”** 有些网站会检查你是不是真的浏览器访问,还是机器自动访问的。这种情况,加上User-Agent,表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法,一般再加上Referer。 ``` headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问,适用于拒绝爬虫的网站 headers = {'Referer':'XXXXX'} headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'} Requests: response = requests.get(url=url, headers=headers) Urllib2: import urllib, urllib2 req = urllib2.Request(url=url, headers=headers) response = urllib2.urlopen(req) ``` ### 4. 对于断线重连 不多说。 ``` def multi_session(session, *arg): retryTimes = 20 while retryTimes>0: try: return session.post(*arg) except: print '.', retryTimes -= 1 ``` 或者 ``` def multi_open(opener, *arg): retryTimes = 20 while retryTimes>0: try: return opener.open(*arg) except: print '.', retryTimes -= 1 ``` 这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。 ### 5. 多进程抓取 这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行并行抓取的实验对比:[Python多进程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Python) 与 [Java单线程和多线程抓取](https://github.com/lining0806/PythonSpiderNotes/blob/master/Spider_Java) 相关参考:[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/) ### 6. 对于Ajax请求的处理 对于“加载更多”情况,使用Ajax来传输很多数据。 它的工作原理是:从网页的url加载网页的源代码之后,会在浏览器里执行JavaScript程序。这些程序会加载更多的内容,“填充”到网页里。这就是为什么如果你直接去爬网页本身的url,你会找不到页面的实际内容。 这里,若使用Google Chrome分析”请求“对应的链接(方法:右键→审查元素→Network→清空,点击”加载更多“,出现对应的GET链接寻找Type为text/html的,点击,查看get参数或者复制Request URL),循环过程。 * �
100+评论
captcha