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被封锁，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
