淺析Python網(wǎng)絡(luò)爬蟲

陳超

網(wǎng)絡(luò)爬蟲（Web Spider）又稱網(wǎng)絡(luò)蜘蛛、網(wǎng)絡(luò)機(jī)器人，是一段用來自動(dòng)化采集網(wǎng)站數(shù)據(jù)的程序。如果把互聯(lián)網(wǎng)比喻成一個(gè)蜘蛛網(wǎng)，那么Spider就是在網(wǎng)上爬來爬去的蜘蛛。Python適用于網(wǎng)站、桌面應(yīng)用開發(fā)，自動(dòng)化腳本，復(fù)雜計(jì)算系統(tǒng)，科學(xué)計(jì)算，生命支持管理系統(tǒng)，物聯(lián)網(wǎng)，游戲，機(jī)器人，自然語言處理等很多方面。本文簡(jiǎn)要介紹對(duì)于定向信息采集所需了解基本知識(shí)和相關(guān)技術(shù)，以及python中與此相關(guān)的庫，同時(shí)提供對(duì)與數(shù)據(jù)抓取有關(guān)庫的封裝實(shí)現(xiàn)。

一、應(yīng)用場(chǎng)景

爬蟲技術(shù)在科學(xué)研究、Web安全、產(chǎn)品研發(fā)、輿情監(jiān)控等領(lǐng)域可以做很多事情。如：在數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、圖像處理等科學(xué)研究領(lǐng)域，如果沒有數(shù)據(jù)，則可以通過爬蟲從網(wǎng)上抓取;在Web安全方面，使用爬蟲可以對(duì)網(wǎng)站是否存在某一漏洞進(jìn)行批量驗(yàn)證、利用;在產(chǎn)品研發(fā)方面，可以采集各個(gè)商城物品價(jià)格，為用戶提供市場(chǎng)最低價(jià);在輿情監(jiān)控方面，可以抓取、分析微博的數(shù)據(jù)，從而識(shí)別出某用戶是否為水軍。

二、運(yùn)行流程

對(duì)于定向信息的爬取，爬蟲主要包括數(shù)據(jù)抓取、數(shù)據(jù)解析、數(shù)據(jù)入庫等操作流程。其中：（1）數(shù)據(jù)抓?。喊l(fā)送構(gòu)造的HTTP請(qǐng)求，獲得包含所需數(shù)據(jù)的HTTP響應(yīng);

（2）數(shù)據(jù)解析：對(duì)HTTP響應(yīng)的原始數(shù)據(jù)進(jìn)行分析、清洗以提取出需要的數(shù)據(jù);

（3）數(shù)據(jù)入庫：將數(shù)據(jù)進(jìn)一步保存到數(shù)據(jù)庫（或文本文件），構(gòu)建知識(shí)庫。

三、相關(guān)技術(shù)

爬蟲的相關(guān)技術(shù)包括：

（1）數(shù)據(jù)抓取：了解HTTP請(qǐng)求和響應(yīng)中各字段的含義;了解相關(guān)的網(wǎng)絡(luò)分析工具，主要用于分析網(wǎng)絡(luò)流量，如：burpsuit等。一般情況，使用瀏覽器的開發(fā)者模式即可;

（2）數(shù)據(jù)解析：了解HTML結(jié)構(gòu)、JSON和XML數(shù)據(jù)格式，CSS選擇器、Xpath路徑表達(dá)式、正則表達(dá)式等，目的是從響應(yīng)中提取出所需的數(shù)據(jù);

（3）數(shù)據(jù)入庫：MySQL，SQLite、Redis等數(shù)據(jù)庫，便于數(shù)據(jù)的存儲(chǔ);

以上是學(xué)習(xí)爬蟲的基本要求，在實(shí)際的應(yīng)用中，也應(yīng)考慮如何使用多線程提高效率、如何做任務(wù)調(diào)度、如何應(yīng)對(duì)反爬蟲，如何實(shí)現(xiàn)分布式爬蟲等等。

四、python相關(guān)庫

在爬蟲實(shí)現(xiàn)上，除了scrapy框架之外，python有許多與此相關(guān)的庫可供使用。其中，在數(shù)據(jù)抓取方面包括：urllib2（urllib3）、requests、mechanize、selenium、splinter;在數(shù)據(jù)解析方包括：lxml、beautifulsoup4、re、pyquery。

對(duì)于數(shù)據(jù)抓取，涉及的過程主要是模擬瀏覽器向服務(wù)器發(fā)送構(gòu)造好的http請(qǐng)求，常見類型有：get/post。其中，urllib2（urllib3）、requests、mechanize用來獲取URL對(duì)應(yīng)的原始響應(yīng)內(nèi)容;而selenium、splinter通過加載瀏覽器驅(qū)動(dòng)，獲取瀏覽器渲染之后的響應(yīng)內(nèi)容，模擬程度更高。

具體選擇哪種類庫，應(yīng)根據(jù)實(shí)際需求決定，如考慮效率、對(duì)方的反爬蟲手段等。通常，能使用urllib2（urllib3）、requests、mechanize等解決的盡量不用selenium、splinter，因?yàn)楹笳咭蛐枰虞d瀏覽器而導(dǎo)致效率較低。

對(duì)于數(shù)據(jù)解析，主要是從響應(yīng)頁面里提取所需的數(shù)據(jù)，常用方法有：xpath路徑表達(dá)式、CSS選擇器、正則表達(dá)式等。其中，xpath路徑表達(dá)式、CSS選擇器主要用于提取結(jié)構(gòu)化的數(shù)據(jù)，而正則表達(dá)式主要用于提取非結(jié)構(gòu)化的數(shù)據(jù)。相應(yīng)的庫有l(wèi)xml、beautifulsoup4、re、pyquery。

五、反爬蟲

1. 基本的反爬蟲手段，主要是檢測(cè)請(qǐng)求頭中的字段，比如：User-Agent、referer等。針對(duì)這種情況，只要在請(qǐng)求中帶上對(duì)應(yīng)的字段即可。所構(gòu)造http請(qǐng)求的各個(gè)字段最好跟在瀏覽器中發(fā)送的完全一樣，但也不是必須。

2. 基于用戶行為的反爬蟲手段，主要是在后臺(tái)對(duì)訪問的IP（或User-Agent）進(jìn)行統(tǒng)計(jì)，當(dāng)超過某一設(shè)定的閾值，給予封鎖。針對(duì)這種情況，可通過使用代理服務(wù)器解決，每隔幾次請(qǐng)求，切換一下所用代理的IP地址（或通過使用User-Agent列表解決，每次從列表里隨機(jī)選擇一個(gè)使用）。這樣的反爬蟲方法可能會(huì)誤傷用戶。

3. 希望抓取的數(shù)據(jù)是如果通過ajax請(qǐng)求得到的，假如通過網(wǎng)絡(luò)分析能夠找到該ajax請(qǐng)求，也能分析出請(qǐng)求所需的具體參數(shù)，則直接模擬相應(yīng)的http請(qǐng)求，即可從響應(yīng)中得到對(duì)應(yīng)的數(shù)據(jù)。這種情況，跟普通的請(qǐng)求沒有什么區(qū)別。

4. 基于JavaScript的反爬蟲手段，主要是在響應(yīng)數(shù)據(jù)頁面之前，先返回一段帶有JavaScript代碼的頁面，用于驗(yàn)證訪問者有無JavaScript的執(zhí)行環(huán)境，以確定使用的是不是瀏覽器。

六、結(jié)論

網(wǎng)絡(luò)爬蟲不僅能夠?yàn)樗阉饕娌杉W(wǎng)絡(luò)信息，而且還可以作為定向信息采集器，定向采集某些網(wǎng)站下的特定信息。而隨著近幾年來的發(fā)展，python的受歡迎度也越來越高，而它的運(yùn)用的領(lǐng)域也是越來越多，比如人工智能和大數(shù)據(jù)等領(lǐng)域，python都是在其中扮演者重要的角色。

[1] 《Python程序設(shè)計(jì)與算法基礎(chǔ)教程》. 江紅，余青松 主編. 清華大學(xué)出版社. 2018

[2] 《Python成型設(shè)計(jì)案例教程——從入門到機(jī)器學(xué)習(xí)》. 張思民 編著. 清華大學(xué)出版社. 2018

[3] 基于Python的網(wǎng)絡(luò)爬蟲技術(shù)[J]. 錢程，陽小蘭.黑龍江科技信息. 2016，36：273