转载:网络爬虫精要
网络爬虫是一种按照一定的规则,自动地抓取网站信息的程序或者脚本。
本文以Python语言为例简要谈谈爬虫是如何编写的。
如何爬取网站信息
写爬虫之前,我们必须确保能够爬取目标网站的信息。
不过在此之前必须弄清以下三个问题:
- 网站是否已经提供了api
- 网站是静态的还是动态的
- 网站是否有反爬的对策
情形1:开放api的网站
一个网站倘若开放了api,那你就可以直接GET到它的json数据。
比如xkcd的about页就提供了api供你下载
import requests
requests.get('https://xkcd.com/614/info.0.json').json()
那么如何判断一个网站是否开放api呢?有3种方法:
- 在站内寻找api入口
- 用搜索引擎搜索“某网站 api”
- 抓包。有的网站虽然用到了ajax(比如果壳网的瀑布流文章,亦或是unsplash的瀑布流图片),但是通过抓包还是能够获取XHR里的json数据的,不要傻乎乎地去用selenium,反而会降低效率。
怎么抓包:F12 – Network – F5刷新
实际上,app的数据也可以通过抓包来获取。
app抓包
安装fiddler并启动,打开Tools-Options-Connections,将Allow remote computers to connect打上勾并重启fiddler。
命令行上输入ipconfig,查看自己网络的ipv4地址,在手机的网络上设置HTTP代理,端口为8888。
这时虽说能抓到数据,但都是HTTP的,而app的大部分数据都是HTTPS的。
在Options-HTTPS中将Decrypt HTTPS traffic打上勾。
以ios系统为例,在Safari浏览器中输入http://ipv4:8888,下载证书并安装。
这样就能抓到HTTPS数据啦!
情形2:不开放api的网站
如果此网站是静态页面,那么你就可以解析它的HTML。
解析库强烈推荐parsel,不仅语法和css选择器类似,而且速度也挺快,Scrapy用的就是它。
比如获取konachan的所有原图链接
from parsel import Selector
res = requests.get('https://konachan.com/post')
tree = Selector(text=res.text)
imgs = tree.css('a.directlink::attr(href)').extract()
如果此网站是动态页面,先用selenium来渲染JS,再用HTML解析库来解析driver的page_source。
比如获取hitomi.la的数据(这里把chrome设置成了无头模式)
from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('--headless')
driver = webdriver.Chrome(options=options)
driver.get('https://hitomi.la/type/gamecg-all-1.html')
tree = Selector(text=driver.page_source)
gallery_content = tree.css('.gallery-content > div')
情形3:反爬的网站
目前的反爬策略常见的有:验证码、登录、封ip等。
验证码:利用打码平台破解(如果硬上的话用opencv或keras训练图)
登录:利用requests的post或者selenium模拟用户进行模拟登陆
封ip:买些代理ip(免费ip一般都不管用),requests中传入proxies参数即可
其他防反爬方法:伪装User-Agent,禁用cookies等
如何编写结构化的爬虫
爬虫的结构很简单,无非就是创造出一个tasklist,对tasklist里的每一个task调用crawl函数。
大多数网页的url构造都是有规律的,你只需根据它用列表推倒式来构造出tasklist对于那些url不变的动态网页,先考虑抓包,不行再用selenium点击下一页
如果追求速度的话,可以考虑用concurrent.futures或者asyncio等库。
import requests
from parsel import Selector
from concurrent import futures
domain = 'https://www.doutula.com'
def crawl(url):
res = requests.get(url)
tree = Selector(text=res.text)
imgs = tree.css('img.lazy::attr(data-original)').extract()
# save the imgs ...
if __name__ == '__main__':
tasklist = [f'{domain}/article/list/?page={i}' for i in range(1, 551)]
with futures.ThreadPoolExecutor(50) as executor:
executor.map(crawl, tasklist)
数据存储的话,看需求,存到数据库中的话只需熟悉对应的驱动即可。