小白学python爬虫

一.前期调研

1.网页有静态网页和动态网页之分：

爬取静态网页，只要仔细去分析网页结构，爬取我们所需内容，基本没什么问题。

爬取动态网页，有的可能涉及到JS，目前的项目还遇到过。JavaScript最常用于图片操作、表单验证以及内容动态更新。

2.常见爬虫框架：

（1）.“scapy爬虫框架”，辅助Xpath等。

大概了解下就行，个人还是不太习惯这种框架，所以不推荐，如果想了解，参考网址（不看也罢）：

http://www.icodelogic.com/?p=441

http://www.icodelogic.com/?p=459

http://blog.csdn.net/pleasecallmewhy/article/details/19354723

http://blog.csdn.net/pleasecallmewhy/article/details/19642329

（2）.“urllib或者request爬虫框架”，辅助beautiful，正则表达式等。

个人比较习惯用“urllib+beautiful+正则表达式”的写法。所以后面主要介绍下这种方法的流程。

二.学习准备

本人一开始也是小白一个，python和爬虫都不熟悉。为了项目需要，一步步学习准备，最后成功爬取特定网站中自己所需的内容。

所需知识：

1.强力推荐去看看这个网站，可以了解爬取网页的一般过程，这个网站的链接比较大，可能看着容易头晕，不过多花点时间学习下，还是会有收获的。剩下的2,3,4都可以再爬取过程中去学习就行。

http://www.crifan.com/summary_about_flow_process_of_fetch_webpage_simulate_login_website_and_some_notice/

2.python基本语法。

3.正则表达式。我分析网页内容用的最多的方法。这部分可以参考我的另外一篇博客，关于正则表达式使用过程中的一些笔记。

4.BeautifulSoup。这部分我目前为止也没有用到多少，不过要是掌握倒是可以比正则表达式可以省心多了。如果想学习，参考网站（不看也罢）：

http://www.crifan.com/python_third_party_lib_html_parser_beautifulsoup/

http://blog.chinaunix.net/uid-26722078-id-3519422.html

http://blog.csdn.net/watsy/article/details/14161201

这里简单说下关于BeautifulSoup：

（1）Beautiful Soup相比其他的html解析有个非常重要的优势：html会被拆解为对象处理，全篇转化为字典和数组。相比于使用正则表达式和xpath去解析内容的爬虫，省略了学习正则表达式的高成本。

（2）不同的编码格式对urlib获取网页结果是有影响的：百度是gbk格式，其他的一般网站比如google就是utf-8,此时可以用下列语句实现：

htmlCharset="gbk"

soup=BeautifulSoup(html,fromEncoding=htmlCharset)

（3）my=soup.findAll('link',attrs={'rel':"dns-prefetch",'href':"//ns0.bdstatic.com"})

注意加引号和冒号

三.编写爬虫

1.流程：

（1）辅助IE9或chrome的开发工具分析如何模拟登陆(参考上面强力推荐的那个网站，有一部分是教怎么去分析的)

（2）编写代码模拟登陆网站（这一部分是比较关键和比较困难的，主要是对网络协议不是很熟悉，得结合上面的工具分析）

（3）利用urllib等工具获取网页内容

（4）分析网页结构，利用正则表达式提取所需内容；或者分析内容提取下一层的url链接，进一步获取所需的内容。（这一部分个人花费时间最长）

2.代码示例。以爬取coursera视频为例子。 第一步，登陆网站：这一步按照之前参考网站的登陆百度首页的例子去做吧。注意有时候POST一直失败跟header的cookie有关。

第二步：urllib非常好用的一个库，获取url响应内容的。

第三步：根据获得的响应，找到我们需要的资源下载链接，然后下载。

一些注意问题：

（1）很多时候我们需要处理中文字符，为了避免解码出错或者字体显示出错：“UnicodeEncodeError: 'ascii' codec can'tencodecharacters in position 0-3”，需要在文件前加上：

reload(sys)

sys.setdefaultencoding("utf-8" )

但是加上reload(sys)这句话之后，有时Python IDLE无法正常执行命令和print，所以需要加上下面的完整语句：

（2）print >>f,soup  直接将soupprint到文件f,并且末尾自动换行

（3）在保存中文名字的文件时，需要对名字做下decode转换

video_name=video_name.decode('utf-8')

#下载视频

if video_id<3:

f1=open(video_name,'wb')

print>>f1,"hello"

#video=get_content(video_url);

#f.write(video);

f1.close()

#print>>f_log,"download ",video_name,"OK. ---",video_url

video_id=video_id+1;