淺析Python網絡爬蟲

摘 要：網絡爬蟲（Web Spider）又稱網絡蜘蛛、網絡機器人，是一段用來自動化采集網站數據的程序。如果把互聯網比喻成一個蜘蛛網，那么Spider就是在網上爬來爬去的蜘蛛。Python適用于網站、桌面應用開發，自動化腳本，復雜計算系統，科學計算，生命支持管理系統，物聯網，游戲，機器人，自然語言處理等很多方面。本文簡要介紹對于定向信息采集所需了解基本知識和相關技術，以及python中與此相關的庫，同時提供對與數據抓取有關庫的封裝實現。

一、應用場景

爬蟲技術在科學研究、Web安全、產品研發、輿情監控等領域可以做很多事情。如：在數據挖掘、機器學習、圖像處理等科學研究領域，如果沒有數據，則可以通過爬蟲從網上抓取;在Web安全方面，使用爬蟲可以對網站是否存在某一漏洞進行批量驗證、利用;在產品研發方面，可以采集各個商城物品價格，為用戶提供市場最低價;在輿情監控方面，可以抓取、分析微博的數據，從而識別出某用戶是否為水軍。

二、運行流程

對于定向信息的爬取，爬蟲主要包括數據抓取、數據解析、數據入庫等操作流程。其中：（1）數據抓?。喊l送構造的HTTP請求，獲得包含所需數據的HTTP響應;

（2）數據解析：對HTTP響應的原始數據進行分析、清洗以提取出需要的數據;

（3）數據入庫：將數據進一步保存到數據庫（或文本文件），構建知識庫。

三、相關技術

爬蟲的相關技術包括：

（1）數據抓取：了解HTTP請求和響應中各字段的含義;了解相關的網絡分析工具，主要用于分析網絡流量，如：burpsuit等。一般情況，使用瀏覽器的開發者模式即可;

（2）數據解析：了解HTML結構、JSON和XML數據格式，CSS選擇器、Xpath路徑表達式、正則表達式等，目的是從響應中提取出所需的數據;

（3）數據入庫：MySQL，SQLite、Redis等數據庫，便于數據的存儲;

以上是學習爬蟲的基本要求，在實際的應用中，也應考慮如何使用多線程提高效率、如何做任務調度、如何應對反爬蟲，如何實現分布式爬蟲等等。

四、python相關庫

在爬蟲實現上，除了scrapy框架之外，python有許多與此相關的庫可供使用。其中，在數據抓取方面包括：urllib2（urllib3）、requests、mechanize、selenium、splinter;在數據解析方包括：lxml、beautifulsoup4、re、pyquery。

對于數據抓取，涉及的過程主要是模擬瀏覽器向服務器發送構造好的http請求，常見類型有：get/post。其中，urllib2（urllib3）、requests、mechanize用來獲取URL對應的原始響應內容;而selenium、splinter通過加載瀏覽器驅動，獲取瀏覽器渲染之后的響應內容，模擬程度更高。

具體選擇哪種類庫，應根據實際需求決定，如考慮效率、對方的反爬蟲手段等。通常，能使用urllib2（urllib3）、requests、mechanize等解決的盡量不用selenium、splinter，因為后者因需要加載瀏覽器而導致效率較低。

對于數據解析，主要是從響應頁面里提取所需的數據，常用方法有：xpath路徑表達式、CSS選擇器、正則表達式等。其中，xpath路徑表達式、CSS選擇器主要用于提取結構化的數據，而正則表達式主要用于提取非結構化的數據。相應的庫有lxml、beautifulsoup4、re、pyquery。

五、反爬蟲

1. 基本的反爬蟲手段，主要是檢測請求頭中的字段，比如：User-Agent、referer等。針對這種情況，只要在請求中帶上對應的字段即可。所構造http請求的各個字段最好跟在瀏覽器中發送的完全一樣，但也不是必須。

2. 基于用戶行為的反爬蟲手段，主要是在后臺對訪問的IP（或User-Agent）進行統計，當超過某一設定的閾值，給予封鎖。針對這種情況，可通過使用代理服務器解決，每隔幾次請求，切換一下所用代理的IP地址（或通過使用User-Agent列表解決，每次從列表里隨機選擇一個使用）。這樣的反爬蟲方法可能會誤傷用戶。

3. 希望抓取的數據是如果通過ajax請求得到的，假如通過網絡分析能夠找到該ajax請求，也能分析出請求所需的具體參數，則直接模擬相應的http請求，即可從響應中得到對應的數據。這種情況，跟普通的請求沒有什么區別。

4. 基于JavaScript的反爬蟲手段，主要是在響應數據頁面之前，先返回一段帶有JavaScript代碼的頁面，用于驗證訪問者有無JavaScript的執行環境，以確定使用的是不是瀏覽器。

六、結論

網絡爬蟲不僅能夠為搜索引擎采集網絡信息，而且還可以作為定向信息采集器，定向采集某些網站下的特定信息。而隨著近幾年來的發展，python的受歡迎度也越來越高，而它的運用的領域也是越來越多，比如人工智能和大數據等領域，python都是在其中扮演者重要的角色。

參考文獻：

[1] 《Python程序設計與算法基礎教程》. 江紅，余青松 主編. 清華大學出版社. 2018.

[2] 《Python成型設計案例教程——從入門到機器學習》. 張思民 編著. 清華大學出版社. 2018.

[3] 基于Python的網絡爬蟲技術[J]. 錢程，陽小蘭.黑龍江科技信息. 2016，36：273.

[4] 基于Python的專業網絡爬蟲的設計與實現[J].姜杉彪，黃凱林. 企業科技與發展. 2016，08.

[5] 基于Python的網絡爬蟲技術研究[J]. 王碧瑤. 數字技術與應用. 2018.05.

[6] 網絡爬蟲技術研究[J]. 于成龍. 東莞理工學院學報. 2011.06.

[7] 《網絡爬蟲-Python和數據分析》.王澎. 中國科技大學. 2018.06 .

作者簡介：

陳超，性別：男，出生年月：1981.07，籍貫：重慶，單位：攀枝花學院，職稱：講師，學歷：碩士，研究方向：數據分析和挖掘。