python爬蟲1

《1》什么是爬蟲網(wǎng)絡爬蟲？
網(wǎng)絡爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡機器人）, 是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。

《2》爬蟲的基本原理：
我們把互聯(lián)網(wǎng)比喻為一張大網(wǎng)，網(wǎng)絡爬蟲我們想象為網(wǎng)上的蜘蛛，網(wǎng)頁與網(wǎng)頁之間的連接我們理解為節(jié)點，爬蟲就相當于是訪問網(wǎng)頁，獲取網(wǎng)頁的信息，又通過節(jié)點可以爬取另一個網(wǎng)站，然后不停的通過一個個節(jié)點即訪問一個個網(wǎng)頁，這樣網(wǎng)站的數(shù)據(jù)就可以被我們獲取下來了。

《3》爬蟲的分類：網(wǎng)絡爬蟲可分為 通用爬蟲 和 聚焦爬蟲 兩種

1 通用爬蟲 ：通用網(wǎng)絡爬蟲 是 捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
2 聚焦爬蟲 ：聚焦爬蟲，是"面向特定主題需求"的一種網(wǎng)絡爬蟲程序，它與通用搜索引擎爬蟲的區(qū)別在于：聚焦爬蟲在實施網(wǎng)頁抓取時會對內(nèi)容進行處理篩選，盡量保證只抓取與需求相關(guān)的網(wǎng)頁信息。

urllib庫

三個方面：

request: 它是最基本的HTTP請求模塊，可以用來模擬發(fā)送請求，就像在瀏覽器中輸入網(wǎng)址，然后敲擊回車鍵一樣，使用的時候只需要給庫方法傳入相關(guān)的URL和相關(guān)的參數(shù)即可．

error: 異常處理模塊，如果出現(xiàn)請求錯誤，我們可以使用這個模塊來捕獲異常，然后進行重試或者其他操作，保證程序不會意外終止．

parse: 這是一個工具模塊，提供了許多url的處理方法，比如拆分,解析,合并等等.

參數(shù)序列化：

1 parse_qs() 將url編碼格式的參數(shù)反序列化為字典類型
2 quote() 可以將中文轉(zhuǎn)換為URL編碼格式
3 unquote: 可以將URL編碼進行解碼
4 urljoin() 傳遞一個基礎鏈接,根據(jù)基礎鏈接可以將某一個不完整的鏈接拼接為一個完整鏈接
5 urlparse() 實現(xiàn)URL的識別和分段
6 urlunparse() 可以實現(xiàn)URL的構(gòu)造

正則表達式

實際上爬蟲一共就四個主要步驟：

            
              * 明確目標 (要知道你準備在哪個范圍或者網(wǎng)站去搜索)
* 爬 (將所有的網(wǎng)站的內(nèi)容全部爬下來)
* 取 (去掉對我們沒用處的數(shù)據(jù))
* 處理數(shù)據(jù)（按照我們想要的方式存儲和使用）

            
          

常用的正則匹配規(guī)則：
單字符撇匹配

            
              * \d : 匹配數(shù)字0-9
* \D: 匹配非數(shù)字 [^\d] [^0-9]
* \w: 匹配單詞字符[a-zA-Z0-9_]
* \W: 匹配非單詞字符 [^\w]
* \s: 匹配空白字符 （空格、\t....）
* \S: 匹配非空白字符 [^\s]
* . 匹配除了換行符'\n'之外的任意字符

            
          

多字符匹配（貪婪：盡可能多的匹配）
* 匹配*前的正則表達式,任意次數(shù)
? 匹配？前的正則表達式,0次或1次
+ 匹配+前的正則表達式,至少一次
{n,m} 匹配{n,m}前的正則表達式, n到m次
{n} 匹配{n}前的正則表達式, n次

非貪婪匹配 (非貪婪匹配：盡可能少的匹配)
*?
??
+?

其他：
== | 或：匹配左邊和右邊的正則表達式之一==
== () 分組==
^ 匹配字符串開頭
== $ 匹配字符串結(jié)尾==

re 模塊

            
              1. compile 方法： 將正則表達式的字符串形式編譯為一個 Pattern 對象
2. match 方法：從起始位置開始匹配符合規(guī)則的字符串，單次匹配，匹配成功，立即返回Match對象，未匹配成功則返回None
3. search 方法：從整個字符串中匹配符合規(guī)則的字符串，單次匹配，匹配成功，立即返回Match對象，未匹配成功則返回None
4. findall 方法：匹配所有合規(guī)則的字符串，匹配到的字符串放到一個列表中，未匹配成功返回空列表
5. finditer 方法：匹配所有合規(guī)則的字符串，匹配到的字符串放到一個列表中，匹配成功返回
6. split 方法：根據(jù)正則匹配規(guī)則分割字符串，返回分割后的一個列表
7. sub 方法：替換匹配成功的指定位置字符串

            
          

XPath選擇器

<1>什么是XPath？

• XPath (XML Path Language) 是一門在 XML 文檔中查找信息的語言，可用來在 XML 文檔中對元素和屬性進行遍歷。

<2>XPath最常用的路徑表達式：

• /從根節(jié)點選取。
• //從匹配選擇的當前節(jié)點選擇文檔中的節(jié)點，而不考慮它們的位置。
• .選取當前節(jié)點。
• …選取當前節(jié)點的父節(jié)點。
• @選取屬性。
• bookstore選取 bookstore 元素的所有子節(jié)點。
• /bookstore選取根元素 bookstore。注釋：假如路徑起始于正斜杠( / )，則此路徑始終代表到某元素的絕對路徑！
• bookstore/book選取屬于 bookstore 的子元素的所有 book 元素。
• //book選取所有 book 子元素，而不管它們在文檔中的位置。
• bookstore//book選擇屬于 bookstore 元素的后代的所有 book 元素，而不管它們位于 bookstore 之下的什么位置。
• //@lang選取名為 lang 的所有屬性。
• /bookstore/*選取 bookstore 元素的所有子元素。
• //*選取文檔中的所有元素。html/node()/meta/@*選擇html下面任意節(jié)點下的meta節(jié)點的所有屬性
• //title[@*]選取所有帶有屬性的 title 元素。

CSS 選擇器：BeautifulSoup4

• 注：和 lxml 一樣，Beautiful Soup 也是python的一個HTML/XML的解析器，用它可以方便的從網(wǎng)頁中提取數(shù)據(jù)。
• BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支持CSS選擇器、Python標準庫中的HTML解析器，也支持 lxml 的 XML解析器。

官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0