[TOC]
python爬虫
1、Python爬虫架构
Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。
调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。 URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。 网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包) 网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。 应用程序：就是从网页中提取的有用数据组成的一个应用。
2、简介
- urllib和正则+scrapy框架（适合所有，但是笨重）
- requests和BeautifulSoup（不适合复杂的网页页面）
- lxml（速度最快）
- selenium
推荐lxml
3、如何爬取网页表格数据
https://www.zhihu.com/question/26385408 爬山虎采集 直接用pandas啊，简单方便selenium
import pandas as pd data =pd.read_html(url)[0]
gooseeker.com
使用requests + BeautifulSoup 使用简单。
八爪鱼数据采集器
使用requests+re的路线
4、各种爬虫模板
字符串查找
字符串查找判断需要写明!=-1
保存图片
img_path = 'http://www.baidu.com/img.jpg'
img_name = './image/{}.jpg'.format(number)
img = requests.get(img_path, headers=header).content
with open(img_name, 'wb') as save_img:
save_img.write(img)
4-1、 requests和BeautifulSoup
4-2、Selenium WebDriver
强大如斯(速查)：https://www.jianshu.com/p/1b63c5f3c98e
准备工作
使用selenium，安装conda install selenium 下载chrome驱动文件：http://npm.taobao.org/mirrors/chromedriver
基础调用
chromedriver_path = r"C:/Program Files (x86)/Google/Chrome/Application/chromedriver.exe"
driver = webdriver.Chrome(chromedriver_path) #打开浏览器
driver.maximize_window() #最大化窗口
driver.get(url) #打开网页
time.sleep(2) #时刻需要睡眠等待一下
#### 模拟鼠标滑动
方法1：失败
from selenium import webdriver driver = webdriver.Firefox() driver.set_window_size(1000,30000) driver.get(url) time.sleep(5)
方法2：成功
from selenium import webdriver driver = webdriver.Firefox() driver.get(url) driver.execute_script("window.scrollBy(0,3000)") time.sleep(1) driver.execute_script("window.scrollBy(0,5000)") time.sleep(1) ```