【Python3網路爬蟲開發實戰】2.3-爬蟲的基本原理

02-26

我們可以把互聯網比作一張大網，而爬蟲（即網路爬蟲）便是在網上爬行的蜘蛛。把網的節點比作一個個網頁，爬蟲爬到這就相當於訪問了該頁面，獲取了其信息。可以把節點間的連線比作網頁與網頁之間的鏈接關係，這樣蜘蛛通過一個節點後，可以順著節點連線繼續爬行到達下一個節點，即通過一個網頁繼續獲取後續的網頁，這樣整個網的節點便可以被蜘蛛全部爬行到，網站的數據就可以被抓取下來了。

1. 爬蟲概述

簡單來說，爬蟲就是獲取網頁並提取和保存信息的自動化程序，下面概要介紹一下。

(1) 獲取網頁

爬蟲首先要做的工作就是獲取網頁，這裡就是獲取網頁的源代碼。源代碼里包含了網頁的部分有用信息，所以只要把源代碼獲取下來，就可以從中提取想要的信息了。

前面講了請求和響應的概念，向網站的伺服器發送一個請求，返回的響應體便是網頁源代碼。所以，最關鍵的部分就是構造一個請求並發送給伺服器，然後接收到響應並將其解析出來，那麼這個流程怎樣實現呢？總不能手工去截取網頁源碼吧？

不用擔心，Python提供了許多庫來幫助我們實現這個操作，如urllib、requests等。我們可以用這些庫來幫助我們實現HTTP請求操作，請求和響應都可以用類庫提供的數據結構來表示，得到響應之後只需要解析數據結構中的Body部分即可，即得到網頁的源代碼，這樣我們可以用程序來實現獲取網頁的過程了。

(2) 提取信息

獲取網頁源代碼後，接下來就是分析網頁源代碼，從中提取我們想要的數據。首先，最通用的方法便是採用正則表達式提取，這是一個萬能的方法，但是在構造正則表達式時比較複雜且容易出錯。

另外，由於網頁的結構有一定的規則，所以還有一些根據網頁節點屬性、CSS選擇器或XPath來提取網頁信息的庫，如Beautiful Soup、pyquery、lxml等。使用這些庫，我們可以高效快速地從中提取網頁信息，如節點的屬性、文本值等。

提取信息是爬蟲非常重要的部分，它可以使雜亂的數據變得條理清晰，以便我們後續處理和分析數據。

(3) 保存數據

提取信息後，我們一般會將提取到的數據保存到某處以便後續使用。這裡保存形式有多種多樣，如可以簡單保存為TXT文本或JSON文本，也可以保存到資料庫，如MySQL和MongoDB等，也可保存至遠程伺服器，如藉助SFTP進行操作等。

(4) 自動化程序

說到自動化程序，意思是說爬蟲可以代替人來完成這些操作。首先，我們手工當然可以提取這些信息，但是當量特別大或者想快速獲取大量數據的話，肯定還是要藉助程序。爬蟲就是代替我們來完成這份爬取工作的自動化程序，它可以在抓取過程中進行各種異常處理、錯誤重試等操作，確保爬取持續高效地運行。

2. 能抓怎樣的數據

在網頁中我們能看到各種各樣的信息，最常見的便是常規網頁，它們對應著HTML代碼，而最常抓取的便是HTML源代碼。

另外，可能有些網頁返回的不是HTML代碼，而是一個JSON字元串（其中API介面大多採用這樣的形式），這種格式的數據方便傳輸和解析，它們同樣可以抓取，而且數據提取更加方便。

此外，我們還可以看到各種二進位數據，如圖片、視頻和音頻等。利用爬蟲，我們可以將這些二進位數據抓取下來，然後保存成對應的文件名。

另外，還可以看到各種擴展名的文件，如CSS、JavaScript和配置文件等，這些其實也是最普通的文件，只要在瀏覽器裡面可以訪問到，就可以將其抓取下來。

上述內容其實都對應各自的URL，是基於HTTP或HTTPS協議的，只要是這種數據，爬蟲都可以抓取。

3. JavaScript渲染頁面

有時候，我們在用urllib或requests抓取網頁時，得到的源代碼實際和瀏覽器中看到的不一樣。

這是一個非常常見的問題。現在網頁越來越多地採用Ajax、前端模塊化工具來構建，整個網頁可能都是由JavaScript渲染出來的，也就是說原始的HTML代碼就是一個空殼，例如：

<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title>This is a Demo</title> </head> <body> <div id="container"> </div> </body> <script src="app.js"></script></html>

body節點裡面只有一個id為container的節點，但是需要注意在body節點後引入了app.js，它便負責整個網站的渲染。

在瀏覽器中打開這個頁面時，首先會載入這個HTML內容，接著瀏覽器會發現其中引入了一個app.js文件，然後便會接著去請求這個文件，獲取到該文件後，便會執行其中的JavaScript代碼，而JavaScript則會改變HTML中的節點，向其添加內容，最後得到完整的頁面。

但是在用urllib或requests等庫請求當前頁面時，我們得到的只是這個HTML代碼，它不會幫助我們去繼續載入這個JavaScript文件，這樣也就看不到瀏覽器中的內容了。

這也解釋了為什麼有時我們得到的源代碼和瀏覽器中看到的不一樣。

因此，使用基本HTTP請求庫得到的源代碼可能跟瀏覽器中的頁面源代碼不太一樣。對於這樣的情況，我們可以分析其後台Ajax介面，也可使用Selenium、Splash這樣的庫來實現模擬JavaScript渲染。

後面，我們會詳細介紹如何採集JavaScript渲染的網頁。

本節介紹了爬蟲的一些基本原理，這可以幫助我們在後面編寫爬蟲時更加得心應手。

本資源首發於崔慶才的個人博客靜覓： Python3網路爬蟲開發實戰教程 | 靜覓

如想了解更多爬蟲資訊，請關注我的個人微信公眾號：進擊的Coder

http://weixin.qq.com/r/5zsjOyvEZXYarW9Y9271 (二維碼自動識別)