爬虫入门之轻量级爬虫

1、爬虫简介

爬虫：一段自动抓取互联网信息的程序

价值：互联网数据，为我所用！

新闻聚合阅读器、最爆笑故事APP、图书价格对比网、Python技术文章大全

2、简单爬虫架构

简单爬虫架构-运行流程

调度器->URL管理器->下载器->解析器->应用

3、URL管理器

URL管理器：管理待抓取URL集合和已抓取URL集合

防止重复抓取、防止循环抓取

实现方式

1、内存

Python内存  
待爬取URL集合：set()  
已爬取URL集合：set()

2、关系数据库

MySQL  
urls(url, is_crawled)

3、缓存数据库

redis
待爬取URL集合：set
已爬取URL集合：set

其中，内存适合个人，缓存数据库适合大型公司。 ### 4、网页下载器（urllib2）[核心组件]() - 网页下载器：将互联网上URL对应的网页下载到本地的工具。 - Python有那几种网页下载器？ -

1、Python官方基础模块：urllib2

2、第三方包更强大：requests

网页下载器-urllib2

urllib2下载网页方法1：最简洁方法

url->urllib2.urlopen(url)

对应代码：

import urllib2

#直接请求
response = urllib2.urlopen('http://www.baidu.com')

#获取状态码，如果是200表示获取成功

print response、getcode()

#读取内容
cont = response、read()

urllib2下载网页方法2：添加data、http header
url&data&header->urllib2.Request->urllib2.urlopen(request)

对应代码：

import urllib2

#创建Request对象
request = urllib2.Request(url)

#添加数据，向服务器提交用户数据，比如提交a这个数据的值为1
request、add_data('a','1')

#添加http的header，http头信息。这里将爬虫伪装成一个Mozilla的浏览器。
request、add_header('User-Agent','Mozilla/5、0')

#发送请求获取结果
response = urllib2.urlopen(request)

- urllib2下载网页方法3：添加特殊情景的处理器

例如：

- 某些需要登录信息的网页，可以用 HTTPCookieProcessor

- 某些需要代理才能访问的网页，可以用ProxyHandler

- 某些使用了加密协议，可以用HTTPSHandler

- 网页URL相互自动跳转关系，使用HTTPRedirectHandler

将这些Handler传送给opener = urllib2.build_opener(handler),再传送给urllib2.install_opener(opener),最后->urllib2.urlopen(url) urllib2.urlopen(request)

对应代码：

import urllib2, cookielib

#创建cookie容器,存储cookie数据
cj = cookielib、CookieJar()

#创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

#给urllib2安装opener
urllib2.install_opener(opener)

#使用带有cookie的urllib2访问网页
response = urllib2.urlopen("http://www.baidu.com/")