python爬虫从0到1遇到问题及解决方向

一.环境介绍

1.由于使用惯了Eclipse，我直接在里面装了个pydev，当初装的时候遇到些版本兼容问题，请大家装的时候一定要根据自己python版本来装，我的是python2.7.X，注意在线安装有个小坑，如下图：

这是自动屏蔽旧版本，如果不注意会装错至最新，除了以上装法，还有就是自己下载，解压到Eclipse安装

文件的plugins文件下。

二.python扩展工具包的使用和爬虫整体思路

1.网页下载器

可以用py自带的urllib2，直接import使用即可，本文使用扩展的respects来充当下载器（因为功能比较强大，还有其他一些功能，如post），下载方式比较简单，可以用pip命令（本人的不知道怎么用不了，出现奇怪异常）不过可能会撞墙，推荐http://www.lfd.uci.edu/~gohlke/pythonlibs/找到相应的包，把后缀改为ZIP解压到py的Lib中即可。

2.网页解析器

主要用2种，都是扩展的（py不自带），beautifulsoup4和xpath，个人感觉后一种好用一点，后面会具体介绍。

3.URL管理器

这个是自己用2个Set实现的，一个存放即将使用的URL，一个存放使用过的URL（不然可能在一个网页循环爬取）。

三.实战爬取起点高质量小说

1.爬取前的准备

由于我爬取的是起点的玄幻小说为主，所以我的起始URL为:

http://book.qidian.com/info/1004608738

然后观察每个小说的URL 发现都是http://book.qidian.com/info/数字   格式，所以在每个页面URL可以正则匹配，看是否符合格式。

2.核心代码，主模块

 while self.urls.has_new_url():            try:                #从URL管理器取出URL                new_url = self.urls.get_new_url()                #输出当前爬取进度                print 'craw %d : %s ;success :%d '%(sumcount,new_url,count)                #网页下载器获取HTML页面                html_cont = self.downloader.download(new_url)                #网页解析器获取数据和URL                new_urls,new_data = self.parser.parse(new_url,html_cont.text,word_click_back[0])                #将URL添加进URL管理器                self.urls.add_new_urls(new_urls)                #将数据存放在output中                if new_data is not None:                   count = self.outputer.collect_data(new_data,count,basescore,basewordcount,basewordclick)                                if count > sum:                    break                sumcount+=1                            except:                print 'craw failed' 

3.网页解析器模块

（1）2种解析器

①beautifulsoup4可以把HTML文件解析成DOM树，可以像访问树一样，通过find方法一层层访问，如

title_node = soup.find('div',class_="book-info").find("h1").find("em")...

②Xpath定位神器，可以直接定位所需信息，结合chrome浏览器的copy Xpath简直不要太简单，下面写Xpath用法

如下图，匹配一个分数:

（2）.检查

（3）.找到所需标签，右键复制xpath，得到一串匹配字符串

（4）.得到字符串（//*[@id="score1"]），写代码

html_cont = requests.get(page_url,timeout=0.5)selector = etree.HTML(html_cont.text)word_count = selector.xpath('//*[@id="score1"]/text()')res_data['word_count']=word_count[0]

（5）.贴出解析器核心方法代码（前面使用bs4，后面使用Xpath）

def _get_new_data(self, page_url, soup,word_click_back):        res_data = {}        score = 0        res_data['url'] = page_url        #<dd class="lemmaWgt-lemmaTitle-title"> 小说名        title_node = soup.find('div',class_="book-info").find("h1").find("em")        res_data['title'] = title_node.get_text()        #小说简介        summary_node = soup.find('p',class_="intro")        res_data['summary'] = summary_node.get_text()        #获取getURL，获取预加载数据        score_url=self._get_score_url(page_url)        res_data['score']=0                if score_url is not None:                    score_cont = requests.get(score_url,timeout=0.5)                    try:                       score=re.search('rate":(.*?),', score_cont.text, re.S).group(1)                    except:                        score=0                   #以下使用Xpath        res_data['score']=score        #获取字数信息        html_cont = requests.get(page_url,timeout=0.5)        selector = etree.HTML(html_cont.text)        word_count = selector.xpath('/html/body/div[2]/div[6]/div[1]/div[2]/p[3]/em[1]/text()')        res_data['word_count']=word_count[0]        #获取"万总点击",将值赋给res_data['word_click_num']        word_click_back1= selector.xpath('/html/body/div[2]/div[6]/div[1]/div[2]/p[3]/cite[2]/text()')        word_click_num1= selector.xpath('/html/body/div[2]/div[6]/div[1]/div[2]/p[3]/em[2]/text()')        if word_click_back1[0]==word_click_back:            res_data['word_click_num']=word_click_num1[0]        else:            res_data['word_click_num']=None                         #获取小说类别        book_category = selector.xpath('/html/body/div[2]/div[6]/div[1]/div[2]/p[1]/a[1]/text()')        res_data['book_category']=book_category[0]               return res_data

4.成果展示，爬取10个符合条件的小说，条件可以自己设置，主要从字数，点击，评分来判定，

这里设置字数10W以上，分数9以上，总点击50W以上

控制台可以看到，这里爬取了超过238个页面才找到10本符合条件的小说

继续看成果

5.遇到的问题

（1）python中爬取的数据返回值类型是_ElementStringResult，和int String难匹配，只能强制转换

如:float() str()

（2）异步加载和简单反爬虫

有些网页是ajax异步加载，你要post一些数据之后，他才能返回你想要的一些数据，具体可以通过chrome的

Network来查看提交了什么数据

然后构造一个字典，通过requests.post提交上去，就可以得到想要的返回资源。

同理有些反爬虫要提交HTTP报头也是如此

（3）预加载

这个问题从一开始就存在，困扰了我好几天，爬虫也被迫中断，主要的表现是

爬取分数score 浏览器可以返回正常数据，但是我爬取到的数据一直是0！？

之后我在问题（2）中得到启发，发现它每次刷新都会发出一个根据uuid发出的

GET请求，然后数据才从那个response返回

http://book.qidian.com/ajax/comment/index?_csrfToken=hRMAi3nDUU6l7ZJo3hOcTeqXlFOcgJI8ZzGepfcq&bookId=1004608738&pageSize=15

然后response里面包含我想要的分数数据，如下:

之后我就每个URL都构造一个这样的请求来获取分数数据，如下

 url="http://book.qidian.com/ajax/comment/index?_csrfToken=hRMAi3nDUU6l7ZJo3hOcTeqXlFOcgJI8ZzGepfcq&bookId="            id=re.search('info/(\d+)', page_url, re.S).group(1)            url=url+id

好，问题解决

四.爬虫进阶展望

（1）速度，这次爬取10本小说，总共爬取238+页面，耗时2分钟，实在难以想象爬取大量页面的耗时，

可以用多线程Pool加以改进，虽然python的多线程不是真正的多线程，但是也会大大提高速度。

（2）反爬虫

主要是代理,IP什么的，不过我想一般的网站也不会考虑这么多吧，程序员本身够辛苦了，再考虑这些，真是累死猿了，想想自己也朝着这方面走。。。。

（3）账号密码提交，验证码

这个是以后主要方向，验证码最好爬取出来人工处理

本人小菜，欢迎指正交流，账号名即qq，有错别字下次再改，先将就着看

github源码:

https://github.com/bo07997/algorithm-