爬虫——综合案例流程版

爬虫综合案例

开发步骤：

• 导入类库
• 创建爬虫通用类
• 初始化init方法
• 类中编写重试下载模块
• 类中编写真正下载模块
• 类外编写保存函数
• 类外编写获取robots.txt函数
• 类外编写抽取网址函数
• 类中编写网址正常化函数
• 创建下载限流类
• 爬虫通用类封装run方法
• 创建爬虫对象运行

导入类库

• requests：爬虫请求类库
• hashlib：哈希加密类库
• queue：队列
• re：正则
• time：时间
• threading>thread：多线程
• datetime>datetime：日期时间
• urllib>parse>urlparse,urljoin,urldefrag：网址解析、拼接、截#取
• urllib>robotparser：robot.txt解析
• 目录名>文件名>mongocache：存储到mongodb

创建爬虫通用类

功能：从初始网址爬取并抽取内层网址继续爬取
技术：随机user-agent生成，队列，多线程，robots解析，下载限流，mongodb存储，爬取深度限制，重试下载，抽取特定路由，真正下载，网址正常化，功能封装
规范：用到类属性和类方法的方法在类里编写，用不到的在类外面编写，可以建个助手目录utils存放这些助手函数

初始化init方法

通常在开发过程中不可能一下子就把init写得完整，先把最易用到的，已经想到的初始化，后面的在编写其他函数想到时再来init里编写

• 生成useragent对象，随机生成headers
• 保存初始网址
• 创建队列并放入初始网址

使用不同的队列会造成bfs和dfs的效果 使用先进先出队列产生广度优先搜索，使用先进后出(栈)产生深度优先搜索

• 创建robots解析对象传入初始网址
• 设置指定路由
• 创建限流器对象并初始化间隔时间
• 创建mongodb存储对象
• 设置网址访问深度，在类外设置最大深度定量

类中编写重试下载模块

• 调用retry装饰器装饰该函数并设置最多重试次数
• 设置函数参数：网址，数据，请求方式，代理
• 编写post和get爬取方式
• 插入断言：状态码不为200则抛出异常
• 返回爬取结果content

text：返回的是unicode 型的数据，一般是在网页的header中定义的编码形式，如果想要提取文本就用text；
content：返回的是bytes，二级制型的数据；想要提取图片、文件，就要用到content；
.text是现成的字符串，.content还要编码，但是.text不是所有时候显示都正常，这是就需要用.content进行手动编码。

类中编写真正下载模块

将重试下载模块封装在此，不对用户展示重试下载接口

 

• 函数参数：网址，数据(默认none)，请求方式(默认get)，代理(默认为空)
• 输出一句下载信息
• try~except 捕获重试下载模块的异常
• 返回结果

类外编写保存函数

保存函数：将爬取内容md5加密存储到文件中，注：使用mongodb保存结果则无需次函数

 

• 创建md5加密对象
• 加密update结果
• 拼接保存文件路径
• 写入文件

类外编写获取robots.txt函数

• 创建robot文件解析对象
• 拼接robots.txt所在完整地址
• 获取robots.txt文件
• 将robot.txt文件读取到rp对象中
• 返回该解析对象

类外编写抽取网址函数

方式：lxml、beautifulsoup、正则

lxml

1 html = lxml.html.fromstring(html_content)
2 html_data = html.xpath('//a/@href')

beautifulsoup

1 soup = beautifulsoup('lxml')
2 a_list = soup.find_all('a')
3 for a in a_list:
4 print(a['href'])

正则

1 url_regex = re.compile('<a[^>]+href=["\'](.*?)["\']', re.ignorecase)
2 return url_regex.findall(html_content.decode("utf-8"))

decode解码问题：不同网站所使用的编码方式有所不同—— utf-8 , gbk, gb2312, iso-8859-1

类中编写网址正常化函数

实现一个类方法的时候，要注意类方法是否使用了当前类的属性或其他方法，如果未使用就说明和当前类没有直接关系，最好独立出来，当做工具方法

 

• 以网址中的#进行分割(urldefrag)，提取出网址部分和#后的转发部分
• 将下载地址拼接上网址部分(urljoin)

 1 urljoin：拼接网址，若参数2网址是正确格式，那么拼接的结果只是参数2网址，参数1网址忽略；若参数2网址是错误格式或是后缀path，那么和参数1网址进行拼接
 2 urljoin('http://www.baidu.com','/ljb.html/index.html')
 3 'http://www.baidu.com/ljb.html/index.html'
 4 
 5 urljoin('http://www.baidu.com','http://ljb.html/index.html')
 6 'http://ljb.html/index.html'
 7 
 8 urljoin('/www.baidu.com','http://ljb.html/index.html')
 9 'http://ljb.html/index.html'
10 
11 urljoin('/test.html','http://ljb.html/index.html')
12 'http://ljb.html/index.html'
13 
14 urljoin('http://www.baidu.com/test.html','http://ljb.html/index.html')
15 'http://ljb.html/index.html'
16 
17 urljoin('http://www.baidu.com/test.html','http://www.sina.com/ljb.html/index.html')
18 'http://www.sina.com/ljb.html/index.html'

创建下载限流类

限流：设置爬取的间隔时间是为了避免ip被*，随机间隔时间更可靠

初始化方法

• 创建domains字典，网址为键，访问时间为值
• 传参delay，自行设置两次下载间隔时间

间隔方法

• 原理：以delay作为时间间隔或超过delay才可进行访问(爬取)

• 第一次访问：获取不到网址对应的访问时间(不执行if-else语句)，以网址地址为键，访问时间为值存入字典

• 第二次访问：获取上次访问对应网址的访问时间，进行if-else判断，计算时间差

• 注：若delay>(这次访问时间-上次访问时间),说明还没等够，还需要继续等待，还需等待的时间是——总等待时间delay减去已经等待的时间(就是当前时间减去本次访问的时间)

• 注：若delay<(这次访问时间-上次访问时间),说明已经等够了，可以直接访问

• 得到键(域名)：urlparse().netloc

  1 urlparse('http://www.baidu.com/index.html?x=123&y=789#13579')
  2 parseresult(scheme='http', netloc='www.baidu.com', path='/index.html', params='', query='x=123&y=789', fragment='13579')

• 从domains字典中get获取上次访问时间
• 通过ifelse计算还需等待的时间并睡眠(time.sleep) -一次访问后保存本次访问到domains字典中

爬虫通用类封装run方法

执行流程

• 判断队列中是否存在待爬取的网址
• 判断爬取网址是否遵守robots约定，不遵守则跳出禁止下载
• 对当前爬取网址限流
• 获取当前的访问深度
• 判断当前访问深度是否在规定范围内
• 下载爬取网址得到爬取结果
• 判断爬取结果是否为空
• 爬取结果不为空则保存
• 获取出爬取结果里的所有链接
• 使用过滤器筛选出指点关键字的链接
• for循环补全每个链接
• 补全同时判断链接是否访问过
• 未被访问过则深度加1
• 并加入队列