Python爬虫-使用Python开发的爬虫示例demo.zip

## 大话爬虫的基本套路 --- ### 什么是爬虫？ `网络爬虫`也叫`网络蜘蛛`，如果把互联网比喻成一个蜘蛛网，那么蜘蛛就是在网上爬来爬去的蜘蛛，爬虫程序通过请求url地址，根据响应的内容进行解析采集数据， 比如：如果响应内容是html，分析dom结构，进行dom解析、或者正则匹配，如果响应内容是xml/json数据，就可以转数据对象，然后对数据进行解析。 --- ### 有什么作用？ 通过有效的爬虫手段批量采集数据，可以降低人工成本，提高有效数据量，给予运营/销售的数据支撑，加快产品发展。 --- ### 业界的情况 目前互联网产品竞争激烈，业界大部分都会使用爬虫技术对竞品产品的数据进行挖掘、采集、大数据分析，这是必备手段，并且很多公司都设立了`爬虫工程师`的岗位 --- ### 合法性 爬虫是利用程序进行批量爬取网页上的公开信息，也就是前端显示的数据信息。因为信息是完全公开的，所以是合法的。其实就像浏览器一样，浏览器解析响应内容并渲染为页面，而爬虫解析响应内容采集想要的数据进行存储。 --- ### 反爬虫 爬虫很难完全的制止，道高一尺魔高一丈，这是一场没有硝烟的战争，码农VS码农 反爬虫一些手段： * 合法检测：请求校验(useragent，referer，接口加签名，等) * 小黑屋：IP/用户限制请求频率，或者直接拦截 * 投毒：反爬虫高境界可以不用拦截，拦截是一时的，投毒返回虚假数据，可以误导竞品决策 * ... ... --- ### 爬虫基本套路 * 基本流程 * 目标数据 * 来源地址 * 结构分析 * 实现构思 * 操刀编码 * 基本手段 * 破解请求限制 * 请求头设置，如：useragant为有效客户端 * 控制请求频率(根据实际情景) * IP代理 * 签名/加密参数从html/cookie/js分析 * 破解登录授权 * 请求带上用户cookie信息 * 破解验证码 * 简单的验证码可以使用识图读验证码第三方库 * 解析数据 * HTML Dom解析 * 正则匹配，通过的正则表达式来匹配想要爬取的数据，如：有些数据不是在html 标签里，而是在html的script 标签的js变量中 * 使用第三方库解析html dom，比较喜欢类jquery的库 * 数据字符串 * 正则匹配(根据情景使用) * 转 JSON/XML 对象进行解析 --- ### python爬虫 * python写爬虫的优势 * python语法易学，容易上手 * 社区活跃，实现方案多可参考 * 各种功能包丰富 * 少量代码即可完成强大功能 * 涉及模块包 * 请求 * `urllib` * `urllib2` * `cookielib` * 多线程 * `threading` * 正则 * `re` * json解析 * `json` * html dom解析 * `pyquery` * `beautiful soup` * 操作浏览器 * `selenium` --- ### 实例解析 **斗鱼主播排行** * 目标数据 * 获取排行榜主播信息 * 来源地址 * **[排行榜地址]** * https://www.douyu.com/directory/rank_list/game * **[主播房间地址]** * https://www.douyu.com/xxx * xxx=房间号 * 结构分析 * 通过抓包 **[排行榜地址]**，**[主播房间地址]** （谷歌调试network/charles/fiddler） * 获得排行数据接口：https://www.douyu.com/directory/rank_list/game * 参数确认(去掉不必要参数) * cookie确认(去掉不必要cookie) * 模拟请求(charles/fiddler/postman) * 获得主播房间信息数据 * 发现$ROOM是主播房间信息，在页面的script标签的js变量中，可使用正则工具写表达式去匹配 * 实现构思 * 通过请求 **[主播排行接口]** 获取 **[排行榜数据]** * **[排行榜数据]** 中有主播房间号，可以通过拼接获得 **[主播房间地址]** * 请求 **[主播房间地址]** 可以获得 **[$ROOM信息]** ，解析可以获得主播房间信息 * 操刀编码 > 申明：此例子仅作为爬虫学习DEMO，并无其他利用 --- 基于python实现爬虫学习基础demo ```python def douyu_rank(rankName, statType): ''' 斗鱼主播排行数据抓取 [数据地址](https://www.douyu.com/directory/rank_list/game) * `rankName` anchor(巨星主播榜),fans(主播粉丝榜),haoyou(土豪实力榜),user(主播壕友榜) * `statType` day(日),week(周),month(月) ''' if not isinstance(rankName, ERankName): raise Exception("rankName 类型错误，必须是ERankName枚举") if not isinstance(statType, EStatType): raise Exception("statType 类型错误，必须是EStatType枚举") rankName = '%sListData' % rankName.name statType = '%sListData' % statType.name # 请求获取html源码 rs = rq.get( "https://www.douyu.com/directory/rank_list/game", headers={'User-Agent': 'Mozilla/5.0'}) # 正则解析出数据 mt = re.search(r'rankListData\s+?=(.*?);', rs, re.S) if (not mt): print u"无法解析rankListData数据" return grps = mt.groups() # 数据转json rankListDataStr = grps[0] rankListData = json.loads(rankListDataStr) dayList = rankListData[rankName][statType] # 修改排序 dayList.sort(key=lambda k: (k.get('id', 0)), reverse=False) return dayList def douyu_room(romm_id): ''' 主播房间信息解析 [数据地址](https://www.douyu.com/xxx) 'romm_id' 主播房号 ''' rs = rq.get( ("https://www.douyu.com/%s" % romm_id), headers={'User-Agent': 'Mozilla/5.0'}) mt = re.search(r'\$ROOM\s+?=\s+?({.*?});', rs, re.S) if (not mt): print u"无法解析ROOM数据" return grps = mt.groups() roomDataStr = grps[0] roomData = json.loads(roomDataStr) return roomData def run(): ''' 测试爬虫 ''' datas = douyu_rank(ERankName.anchor, EStatType.month) print '\r\n主播排行榜：' for item in datas: room_id = item['room_id'] roomData = douyu_room(room_id) rommName = None if roomData is not None: rommName = roomData['room_name'] roomInfo = (u'房间(%s):%s' % (item['room_id'], rommName)) print item['id'], item[ 'nickname'], roomInfo, '[' + item['catagory'] + ']' run() ``` --- ``` 运行结果： 主播排行榜： 无法解析ROOM数据 1 冯提莫 房间(71017):None [英雄联盟] 2 阿冷aleng丶 房间(2371789):又是我最喜欢的阿冷ktv时间～ [英雄联盟] 3 胜哥002 房间(414818):胜哥：南通的雨下的我好心累。 [DNF] 4 White55开解说 房间(138286):卢本伟五五开 每天都要很强 [英雄联盟] 5 东北大鹌鹑 房间(96291):东北大鹌鹑 宇宙第一寒冰 相声艺术家！ [英雄联盟] 6 老实敦厚的笑笑 房间(154537):德云色 给兄弟们赔个不是 [英雄联盟] 7 刘飞儿faye 房间(265438):刘飞儿 月底吃鸡 大吉大利 [绝地求生] 8 pigff 房间(24422):【PIGFF】借基地直播，没OW [守望先锋] 9 云彩上的翅膀 房间(28101):翅：还是抽天空套刺激！ [DNF] 10 yyfyyf 房间(58428):无尽的9月，杀 [DOTA2] # 冯提莫 房间做周年主题，解析会有问题 ``` --- ## 大话爬虫的实践技巧 --- #### **数据的重要性** 如今已然是大数据时代，数据正在驱动着业务开发，驱动着运营手段，有了数据的支撑可以对用户进行用户画像，个性化定制，数据可以指明方案设计和决策优化方向，所以互联网产品的开发都是离不开对数据的收集和分析，数据收集的一种是方式是通过上报API进行自身平台用户交互情况