python爬虫 – 哈呜.王

好像从python开始流行起，他就与爬虫扯上关系了。一提起python就想到爬虫程序，可能是因为python提供的库（模块）比较方便吧，不管是自带的urllib，还是各种第三方库。总结一下我所了解的关于python爬虫的知识，我觉得可以将这些库分为下面四大类：http协议库，文档解析库，模拟浏览器，爬虫框架。

1. urllib、urllib2、urllib3、requests

urllib、urllib2是python 2自带的http库，它们负责请求url链接并返回结果。urllib2并不完全是对urllib的升级，有时候得urllib跟urllib2一起用，比如当你想在POST请求中带上参数的话，就得用urllib.urlencode()来格式化参数，就是这么蛋疼。不过在python 3后，urllib跟urllib2就合并了。

自带的urllib、urllib2有很多局限，比如说链接不可重用（http请求头的connection值总是close）。

urllib3、requests都是针对urllib、urllib2改进的第三方库。requests的底层是用urllib3来实现的，并且比urllib3提供了更强大的接口。

so，可以说，现在最方便的http库应该就是requests了。

2. beautiful soup

beautiful soup是用来解析html、xml文档的第三方库，它支持多种解析引擎（包括原生的html引擎、lxml引擎、html5lib引擎）。

通常的工作流程是先使用urllib库请求某个url，然后将返回的html数据传递给beautiful soup进行解析。

通过urllib(requests)+beautiful soup结合可以很好地爬取静态网页的内容。但现在的web技术，Ajax跟node.js大行其道，很多网页内容是通过javascript动态生成的，简单地html爬虫对此根本就无能为力，除非你能破译出javascript动态加载的目标url，然后再访问该地址并解析数据。或者，可以考虑使用“模拟”浏览器来解析页面的dom模型，并进行操作。

3. ghost、selenium

ghost 是一个基于QtWebKit的无窗口浏览器。但文档超寒酸，而且实现的功能也少，与其琢磨它的源代码，还不如自己学习下PyQt或者PySide，然后直接调用QtWebKit来的简单粗暴。

selenium 是一个可支持多款本地浏览器的“驱动器”，它同时提供多种程序语言接口。我们可以通过【python + selenium webdriver】来驱动Firefox或者PhantomJS来访问网页、搜索dom元素并进行各种操作。特别的，对于通过Ajax来进行动态加载的网页内容，selenium简直就是人们的大救星。

关于selenium的基本用法我前两天也写过一篇文章《python的浏览器“驱动”库：selenium》

4. scrapy

scrapy是一款最负盛名的python爬虫框架，不过我个人还没用到过。而且据我所知，scrapy只能爬取静态页面内容，对于javascript动态生成的内容，可以尝试scrapy+ScrapyJS的结合。

关于scrapy可以参考如下两个文档：

http://doc.scrapy.org/en/1.0/topics/architecture.html

http://scrapy-chs.readthedocs.org/zh_CN/latest/topics/item-pipeline.html

5. Examples

我们来用花瓣网首页(http://huaban.com)做几个例子

1. requests + beautiful soup

先简单地使用requests库来请求花瓣网的首页，并交给beautiful soup解析。

# -*- coding: utf-8 -*-
__author__ = 'funway'

import sys
import requests
from bs4 import BeautifulSoup

reload(sys)
sys.setdefaultencoding('utf-8')

def main():
    #向http://huaban.com地址发出http请求
    r = requests.get('http://huaban.com')
    #打印请求结果
    print '状态码: %s\n'%r.status_code
    print '请求头: %s\n'%r.request.headers
    print '响应头: %s\n'%r.headers
    #print '响应内容: %s\n'%r.text

    #将响应内容传递给beautiful soup，并使用lxml解析引擎来解析该文本
    soup = BeautifulSoup(r.text, 'lxml')
    #打印解析出来的html <title>标签
    print soup.title

if __name__ == '__main__':
    main()

从输出的结果，可以发现，requests库请求返回的响应内容，跟使用右键“查看页面源代码”是一样的。这对于大部分简单地页面来说足够了。但对于页面中那些通过javascript动态加载内容，requests这种单纯的http库就无能为力了。以花瓣网首页搜索框下面的热门搜索为例：这一行在dom模型中是这样的，包围在一个class=”hot-words”的div标签里面：如果在首页源代码中存在这个标签，那么我们可以直接通过beautiful soup的find函数找到该元素：

soup.find('div', class_='hot-words')

但实际上，在花瓣首页的源代码中，根本没有这个div标签，而是将热门搜索的数据存放在如下javascript变量中，然后通过javascript来动态生成dom元素。

对于这种javascript动态生成的情况，我们有两种方法可以解决：

阅读页面源代码，找出其中动态加载内容的规律，破译出他们的url，然后再对该url发起请求。就像上面的花瓣热门搜索这样，我们已经发现他的热门搜索是放在app.page[“hot-words”]这一行代码中，包括热门搜索的关键字以及url。
使用“模拟浏览器”来加载页面，然后直接操作其dom元素。

2.selenium

现在来测试一下使用python+selenium来定位花瓣首页的“热门搜索”：

# PhantomJS - huaban

from selenium import webdriver
from selenium.webdriver.remote.command import Command

driver = webdriver.Firefox()
# driver.set_window_size(800,600)
driver.get('http://huaban.com')
element = driver.find_element_by_class_name('hot-words')
print element.text
hotwords = element.find_elements_by_tag_name('a')
for hotword in hotwords:
    print hotword.text, hotword.get_attribute('href')
driver.quit()

输出结果如下：