Python网络爬虫初探

   <p>Python语言是由Guido van Rossum大牛在1989年发明，它是当今世界最受欢迎的计算机编程语言之一，也是一门“学了有用、学了能用、学会能久用”的计算生态语言。</p>    <p>为此，CSDN作为国内最大的IT中文社区，特向广大Python爱好者开设了Python学习班，帮助大家在学习的道路上少走弯路，事半功倍。在昨天的女神节，我们继续邀请知名的CSDN博客专家杨秀璋老师，在班级里举行博客专家会客厅活动。</p>    <p>引用</p>    <p>杨秀璋：Web数据挖掘/软件工程。研究生阶段从事Web数据挖掘和知识图谱相关的研究，结合Python写了一些Selenium爬虫和数据挖掘的算法。从2013年开始在CSDN写博客，每个月都坚持分享些技术，已完成8个专栏。</p>    <p>下面是杨老师在Python学习班的分享：</p>    <p>非常开心能够认识大家，和大家简单交流些Python相关的基础知识。群里面也有很多大神，我主要结合自己做过的东西，讲解一些Python知识，这节课主要是Python爬虫相关的知识，通过一些实际的简单应用，提升同学们学习Python的兴趣。</p>    <p>因为是微信授课，讲得不好的地方，还请大家海涵~</p>    <p>前面我讲过：学习Python最重要的地方是通过Python做一些自己喜欢的事情，来提升自己的兴趣，从而学好它，包括Python爬虫、数据分析、自动化测试、网站、GUI游戏等。</p>    <p><strong>网络爬虫</strong></p>    <p>网络爬虫（Web Spider），又被称为网页蜘蛛、网络机器人，它是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。</p>    <p>网络爬虫根据Web数据挖掘的任务可以划分为三类：</p>    <ul>     <li>Web结构挖掘，主要通过超链及HTML网页结构进行分析爬取；</li>     <li>Web内容挖掘，主要爬取网页内容及知识；</li>     <li>Web使用挖掘，主要爬取使用日志，包括按钮或链接点击的次数等。</li>    </ul>    <p>常见的Python爬虫工具包括：正则表达式、XPath技术、Selenium、BeautifulSoup、Scrapy等。这节课讲课内容主要是Python安装Selenium并自动爬取相关信息。</p>    <p><strong>Selenium</strong></p>    <p>Selenium也是一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样。通常用于自动化测试，这里我们是用来作为简单的爬虫。</p>    <p>第一步：安装selenium</p>    <p>通过cd去到Scripts路径下，调用pip install selenium进行安装</p>    <p>注意：调用pip或easy_install安装第三方库函数，是常见的Python安装用法。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/9e68f6afd5eb8a4012dc964205d3f0db.png"></p>    <p>第二步：安装Firefox浏览器</p>    <p>第三步：简单访问百度页面</p>    <pre>  <code class="language-python">from selenium import webdriver  driver = webdriver.Firefox()  driver.get("http://www.baidu.com")  data = driver.title  print data</code></pre>    <p style="text-align:center"><img src="https://simg.open-open.com/show/53cd88ea249b871389580eb326d1a4ca.png"></p>    <p>其中：webdriver.Firefox()是调用Firefox浏览器，这句话会自动弹出火狐浏览器</p>    <p>driver.get(url)是调用浏览器后访问某个url页面</p>    <p>driver中包含一些属性和方法，这里只是输出标题“百度一下，你就知道”</p>    <p>注意：Python导入包的常见语法就是 from xxxx import xxxx</p>    <p>例如：from sklearn.cluster import Kmeans</p>    <p>从机器学习sklearn包的聚类cluster中导入Kmeans聚类的方法</p>    <p>其中Kmeans在cluster中，当然还有其他聚类的方法</p>    <pre>  <code class="language-python">from selenium import webdriver  driver = webdriver.Firefox()  driver.get("http://www.baidu.com")  data = driver.title  print data  driver.save_screenshot('baidu.png')</code></pre>    <p style="text-align:center"><img src="https://simg.open-open.com/show/892eef6d0e3c53c94bd1f462f471df15.png"></p>    <p>添加一句代码，复制下载整个页面到本地。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/67b9bcb33268c0a7cbe21fb33d362bdb.png"></p>    <p><strong>Selenium常见元素定位方法和操作</strong></p>    <p>注意driver下包括很多方法和属性，常见的包括：</p>    <p>这里有各种策略用于定位网页中的元素(locate elements)，你可以选择最适合的方案，Selenium提供了一下方法来定义一个页面中的元素：</p>    <pre>  <code class="language-python">•find_element_by_id  •find_element_by_name  •find_element_by_xpath  •find_element_by_link_text  •find_element_by_partial_link_text  •find_element_by_tag_name  •find_element_by_class_name  •find_element_by_css_selector</code></pre>    <p>下面是查找多个元素（这些方法将返回一个列表）：</p>    <pre>  <code class="language-python">•find_elements_by_name  •find_elements_by_xpath  •find_elements_by_link_text   •find_elements_by_partial_link_text  •find_elements_by_tag_name  •find_elements_by_class_name  •find_elements_by_css_selector</code></pre>    <p>除了上面给出的公共方法，这里也有两个在页面对象定位器有用的私有方法。这两个私有方法是find_element和find_elements。</p>    <p>例如：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/7a8dc08c45c2975d2a157975d1fc0483.png"></p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/f60b3c9bc66722449edea7cfe934faef.jpg"></p>    <p>对应的文字：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/ad3e919d4b40d7b651cb54af5aa95a2b.png"></p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/53cd88ea249b871389580eb326d1a4ca.png"></p>    <pre>  <code class="language-python">from selenium import webdriver  driver = webdriver.Firefox()  driver.get("http://www.baidu.com")  data = driver.title  print data  driver.save_screenshot('baidu.png')</code></pre>    <p><strong>通过id定位元素</strong></p>    <pre>  <code class="language-python">word = driver.find_element_by_id('u1')  print word.text</code></pre>    <p>重点方法是分析网站DOM树结构：</p>    <p>这里需要注意，网页通常都是采用树形的形式进行存储的，比如：</p>    <p>我们需要学会右键审查元素，分析对应的界面：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/c773271449e42a7905d361a2481118ff.png"></p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/ac9160d1bf2bc6d7e67a8898388fcbb6.png"></p>    <p>这个比较基础的知识，给大家普及下</p>    <p>题目：</p>    <ul>     <li>1.学会pip方法安装各种库函数，Anaconda调用pip操作。</li>     <li>2.学会Python调用Selenium方法简单爬取百度首页。</li>     <li>3.学会Python调用Selenium定位元素，尝试写个需要翻页的爬虫。</li>     <li>4.学会Python调用Selenium自动登录操作。</li>     <li>5.(难) 如果实现防止403 Forbidden错误，ip地址转换，模拟登陆等操作。</li>    </ul>    <p>同时，对讲课内容存在什么意见，也欢迎大家反馈给我，相互学习，相互提高。</p>    <p>希望这门课程对你们有所帮助，感觉讲得不是很好，希望给多知识来和我交流，谢谢~</p>    <p>感谢CSDN这个平台。</p>    <p><strong>Python爬虫</strong></p>    <ul>     <li>urllib等包简单下载数据</li>     <li>Selenium爬虫=》自动化工具</li>     <li>Beautifulsoup爬虫</li>     <li>Dom树分析</li>     <li>分布式爬虫，线程</li>    </ul>    <p><strong>Python数据分析</strong></p>    <ul>     <li>常见Python数据分析包</li>     <li>Sklearn、numpy、scipy、Matplotlib</li>     <li>数据挖掘基础知识</li>    </ul>    <p><strong>基本流程</strong></p>    <ul>     <li>Python网站设计</li>     <li>Odoo ERP框架</li>    </ul>    <p><strong>课堂花絮</strong></p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/c7bb51881e07a4880037785042a3c75b.png"></p>    <p>欢迎希望学习Python语言，热爱交流技术的同学加入我们的CSDN Python学习班。入群请扫下方群二维码。</p>    <p> </p>    <p> </p>    <p>来自：http://www.iteye.com/news/32206</p>    <p> </p>