test

Author: lining0806

ReadMe.md

@@ -0,0 +1,164 @@
+# Python入门网络爬虫之精华版
+
+Python学习网络爬虫主要分3个大的版块：**抓取**，**分析**，**存储**
+另外，比较常用的爬虫框架[Scrapy](http://scrapy.org/)，这里最后也介绍一下。
+先列举一下相关参考：[宁哥的小站-网络爬虫](http://www.lining0806.com/category/spider/)
+***
+
+## 抓取
+这一步，你要明确要得到的内容是是什么？是HTML源码，还是Json格式的字符串等等。  
+
+#### 1. 最基本的抓取  
+一般属于get请求情况，直接从服务器上获取数据。
+首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，[requests](https://github.com/kennethreitz/requests)也是非常有用的包，与此类似的，还有[httplib2](https://github.com/jcgregorio/httplib2)等等。  
+```
+Requests：
+	import requests
+	response = requests.get(url)
+	content = requests.get(url).content # string
+	print "response headers:", response.headers # dict
+	print "content:", content
+Urllib2：
+	import urllib2
+	response = urllib2.urlopen(url)
+	content = urllib2.urlopen(url).read() # string
+	print "response headers:", response.headers # not dict
+	print "content:", content
+Httplib2：
+	import httplib2
+	http = httplib2.Http()
+	response_headers, content = http.request(url, 'GET')
+	print "response headers:", response_headers # dict
+	print "content:", content
+```
+此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。
+```
+data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
+Requests：data为dict，json
+	import requests
+	response = requests.get(url=url, params=data) # GET请求发送 
+Urllib2：data为string
+	import urllib, urllib2    
+	data = urllib.urlencode(data) # 编码工作，由dict转为string
+	full_url = url+'?'+data # GET请求发送
+	response = urllib2.urlopen(full_url)
+```
+
+### 2. 对于反爬虫机制的处理  
+** 2.1 模拟登陆情况 ** 
+这种属于post请求情况，先向服务器发送表单数据，服务器再将返回的cookie存入本地
+```
+data = {'data1':'XXXXX', 'data2':'XXXXX'} # dict类型
+Requests：data为dict，json
+	import requests
+	response = requests.post(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
+Urllib2：data为string
+	import urllib, urllib2    
+	data = urllib.urlencode(data) # 编码工作，由dict转为string
+	req = urllib2.Request(url=url, data=data) # POST请求发送，可用于用户名密码登陆情况
+	response = urllib2.urlopen(req)
+```
+** 2.2 使用cookie登陆情况 **
+使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。
+```
+import requests			
+requests_session = requests.session() # 创建会话对象requests.session()，可以记录cookie
+response = requests_session.post(url=url_login, data=data) # requests_session的POST请求发送，可用于用户名密码登陆情况。必须要有这一步！拿到Response Cookie！
+```
+若存在验证码，此时采用response = requests_session.post(url=url_login, data=data)是不行的，做法应该如下：
+```
+response_captcha = requests_session.get(url=url_login, cookies=cookies)
+response1 = requests.get(url_login) # 未登陆
+response2 = requests_session.get(url_login) # 已登陆，因为之前拿到了Response Cookie！
+response3 = requests_session.get(url_results) # 已登陆，因为之前拿到了Response Cookie！
+```
+相关参考：[网络爬虫-验证码登陆](http://www.lining0806.com/6-%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB-%E9%AA%8C%E8%AF%81%E7%A0%81%E7%99%BB%E9%99%86/)
+参考项目：[爬取知乎网站](https://github.com/lining0806/ZhihuSpider)
+** 2.3 伪装成浏览器，或者反“反盗链” **
+```
+headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站
+headers = {'Referer':'XXXXX'} # 反“反盗链”，适用于有“反盗链”的网站
+headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
+Requests：
+	response = requests.get(url=url, headers=headers)
+Urllib2：
+	import urllib, urllib2   
+	req = urllib2.Request(url=url, headers=headers)
+	response = urllib2.urlopen(req)
+```
+
+### 3. 使用代理
+适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。
+```
+proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
+Requests：
+	import requests
+	response = requests.get(url=url, proxies=proxies)
+Urllib2：
+	import urllib2
+	proxy_support = urllib2.ProxyHandler(proxies)
+	opener = urllib2.build_opener(proxy_support, urllib2.HTTPHandler)
+	urllib2.install_opener(opener) # 安装opener，此后调用urlopen()时都会使用安装过的opener对象
+	response = urllib2.urlopen(url)
+```
+
+### 4. 对于断线重连  
+```
+def multi_session(session, *arg):
+	while True:
+		retryTimes = 20
+	while retryTimes>0:
+		try:
+			return session.post(*arg)
+		except:
+			print '.',
+			retryTimes -= 1
+```
+或者
+```
+def multi_open(opener, *arg):
+	while True:
+		retryTimes = 20
+	while retryTimes>0:
+		try:
+			return opener.open(*arg)
+		except:
+			print '.',
+			retryTimes -= 1
+```
+这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。
+
+### 5. 多进程抓取  
+这里针对[华尔街见闻](http://live.wallstreetcn.com/ )进行多进程的实验对比：[Python多进程抓取](https://github.com/lining0806/Spider_Python) 与 [Java多进程抓取](https://github.com/lining0806/Spider)
+相关参考：[关于Python和Java的多进程多线程计算方法对比](http://www.lining0806.com/%E5%85%B3%E4%BA%8Epython%E5%92%8Cjava%E7%9A%84%E5%A4%9A%E8%BF%9B%E7%A8%8B%E5%A4%9A%E7%BA%BF%E7%A8%8B%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95%E5%AF%B9%E6%AF%94/)
+
+### 6. 对于Ajax请求的处理  
+对于“加载更多”情况，使用Ajax来传输很多数据。它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。
+这里，若使用Google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程
+* 如果“请求”之前有页面，依据上一步的网址进行分析推导第1页。以此类推，抓取抓Ajax地址的数据。
+* 对返回的json格式数据(str)进行正则匹配。json格式数据中，需从'\\uxxxx'形式的unicode_escape编码转换成u'\uxxxx'的unicode编码
+参考项目：[Python多进程抓取](https://github.com/lining0806/Spider_Python)
+
+### 7. 验证码识别
+对于网站有验证码的情况，我们有三种办法：
+
+1. 使用代理，更新IP。
+2. 使用cookie登陆。
+3. 验证码识别。
+
+使用代理和使用cookie登陆之前已经讲过，下面讲一下验证码识别。
+可以利用开源的Tesseract-OCR系统进行验证码图片的下载及识别，将识别的字符传到爬虫系统进行模拟登陆。如果不成功，可以再次更新验证码识别，直到成功为止。
+参考项目：[Captcha1](https://github.com/lining0806/Captcha1)
+
+
+## 分析
+抓取之后就是对抓取的内容进行分析，你需要什么内容，就从中提炼出相关的内容来。
+常见的分析工具有[正则表达式](http://deerchao.net/tutorials/regex/regex.htm)，[BeautifulSoup](http://www.crummy.com/software/BeautifulSoup/)，[lxml](http://lxml.de/)等等。
+
+## 存储
+分析出我们需要的内容之后，接下来就是存储了。
+我们可以选择存入文本文件，也可以选择存入MySQL或MongoDB数据库等。
+
+## Scrapy
+Scrapy是一个基于Twisted的开源的Python爬虫框架，在工业中应用非常广泛。
+相关内容可以参考[基于Scrapy网络爬虫的搭建](http://www.lining0806.com/%E5%9F%BA%E4%BA%8Escrapy%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB%E7%9A%84%E6%90%AD%E5%BB%BA/)