快速指南:如何创建基于 Python 的爬虫

Web 抓取的使用正在积极增加,特别是在大型电子商务公司中,Web 抓取是一种收集数据以竞争,分析竞争对手和研究新产品的方式。Web 抓取是一种从网站提取信息的方法。在本篇文章中,学习如何创建基于 Python 的刮板。深入研究代码,看看它是如何工作的。

在当今的大数据世界中,很难跟踪正在发生的一切。对于需要大量信息才能取得成功的企业来说,情况变得更加复杂。但是首先,他们需要以某种方式收集此数据,这意味着他们必须处理数千个资源。

有两种收集数据的方法。您可以使用 API 媒体网站提供的服务,这是获取所有新闻的最佳方法。而且,API 非常易于使用。不幸的是,并非每个网站都提供此服务。然后剩下第二种方法 - 网页抓取。

什么是网页抓取?

这是一种从网站提取信息的方法。HTML 页面不过是嵌套标记的集合。标签形成某种树,其根在标签中,并将页面分成不同的逻辑部分。每个标签可以有其自己的后代(子级)和父级。

例如,HTML 页面树可以如下所示:

要处理此 HTML,您可以使用文本或树。绕过这棵树是网页抓取。我们只会在所有这些多样性中找到我们需要的节点,并从中获取信息!这种方法主要集中在将非结构化的 HTML 数据转换成易于使用的结构化信息到数据库或工作表中。数据抓取需要一个机器人来收集信息,并通过 HTTP 或 Web 浏览器连接到 Internet。在本指南中,我们将使用 Python 创建刮板。

我们需要做什么:

  • 获取我们要从中抓取数据的页面的 URL
  • 复制或下载此页面的 HTML 内容
  • 处理此 HTML 内容并获取所需的数据

此序列使我们可以弹出所需的 URL,获取 HTML 数据,然后对其进行处理以接收所需的数据。但是有时我们需要先进入网站,然后再转到特定的网址以接收数据。然后,我们必须再增加一个步骤 - 登录该网站。

配套

我们将使用Beautiful Soup库来分析 HTML 内容并获取所有必需的数据。这是抓取 HTML 和 XML 文档的绝佳 Python 包。

Selenium 库将帮助我们在一个会话中使抓取器进入网站并转到所需的 URL 地址。Selenium Python 可以帮助您执行诸如单击按钮,输入内容等操作。

让我们深入研究代码

首先,让我们导入将要使用的库。

|

1

2

3

4

|

导入库

from selenium import webdriver

from bs4 import BeautifulSoup

|

然后,我们需要向浏览器的驱动程序展示 Selenium 启动网络浏览器的方式(我们将在这里使用 Google Chrome)。如果我们不希望机器人显示 Web 浏览器的图形界面,则将在 Selenium 中添加“ headless”选项。

没有图形界面(无头)的 Web 浏览器可以在与所有流行的 Web 浏览器非常相似的环境中自动管理网页。但是在这种情况下,所有活动都通过命令行界面或使用网络通信进行。

|

1

2

3

4

5

6

7

|

chrome 驱动程序的路径

chromedriver = ‘/usr/local/bin/chromedriver’

options = webdriver.ChromeOptions()

options.add_argument(‘headless’) #open a headless browser

browser = webdriver.Chrome(executable_path=chromedriver,

chrome_options=options)

|

设置浏览器,安装库并创建环境之后,我们便开始使用 HTML。让我们进入输入页面,找到用户必须在其中输入电子邮件地址和密码的标识符,类别或字段名称。

|

1

2

3

4

5

6

7

8

9

10

11

|

进入登录页面

browser.get(‘http://playsports365.com/default.aspx’)

按姓名搜索标签

email =

browser.find_element_by_name(‘ctl00$MainContent$ctlLogin$_UserName’)

password =

browser.find_element_by_name(‘ctl00$MainContent$ctlLogin$_Password’)

login =

browser.find_element_by_name(‘ctl00$MainContent$ctlLogin$BtnSubmit’)

|

然后,我们会将登录数据发送到这些 HTML 标签中。为此,我们需要按下操作按钮以将数据发送到服务器。

|

1

2

3

4

5

6

7

8

9

|

添加登录凭证

email.send_keys(‘********’)

password.send_keys(‘*******’)

点击提交按钮

login.click()

email.send_keys(‘********’)

password.send_keys(‘*******’)

login.click()

|

成功进入系统后,我们将转到所需的页面并收集 HTML 内容。

|

1

2

3

4

5

|

成功登录后,转到“ OpenBets”页面

browser.get(‘http://playsports365.com/wager/OpenBets.aspx’)

获取 HTML 内容

requiredHtml = browser.page_source

|

现在,当我们有了 HTML 内容时,剩下的唯一事情就是处理这些数据。我们将在 Beautiful Soup 和 html5lib 库的帮助下做到这一点。

html5lib是一个 Python 软件包,实现了受现代 Web 浏览器影响的 HTML5 抓取算法。一旦获得了内容的标准化结构,就可以在 HTML 标记的任何子元素中搜索数据。我们正在寻找的信息在表格标签中,因此我们正在寻找它。

|

1

2

3

4

|

soup = BeautifulSoup(requiredHtml, ‘html5lib’)

table = soup.findChildren(‘table’)

my_table = table[0]

|

我们将找到父标记一次,然后递归地遍历子标记并打印出值。

|

1

2

3

4

5

6

7

8

|

接收标签和打印值

rows = my_table.findChildren([‘th’, ‘tr’])

for row in rows:

cells = row.findChildren(‘td’)

for cell in cells:

value = cell.text

print (value)

|

要执行此程序,您将需要使用 pip 安装 Selenium,Beautiful Soup 和 html5lib。安装库之后,命令如下:

|

1

2

|

python

|

将把这些值打印到控制台中,这就是您抓取任何网站的方式。

如果我们抓取经常更新内容的网站(例如,运动成绩表),则应创建 cron 任务以在特定时间间隔启动该程序。

非常好,一切正常,内容被抓取,数据被填充,除了这之外,其他一切都很好,这就是我们要获取数据的请求数。

有时,服务器会厌倦同一个人发出一堆请求,而服务器禁止它。不幸的是,人们的耐心有限。

在这种情况下,您必须掩饰自己。禁止的最常见原因是 403 错误,以及在 IP 被阻止时向服务器发送的频繁请求。服务器可用并能够处理请求时,服务器会抛出 403 错误,但出于某些个人原因,拒绝这样做。第一个问题已经解决了–我们可以通过使用 html5lib 生成伪造的用户代理来伪装成人类,并将操作系统,规范和浏览器的随机组合传递给我们的请求。在大多数情况下,这样可以很好地准确地收集您感兴趣的信息。

但是有时仅将time.sleep()放在正确的位置并填写请求标头是不够的。因此,您需要寻找功能强大的方法来更改此 IP。要抓取大量数据,您可以:

– 开发自己的 IP 地址基础架构;

– 使用 Tor –该主题可以专门讨论几篇大型文章,而实际上已经完成了;

– 使用商业代理网络;

对于网络抓取的初学者来说,最好的选择是与代理提供商联系,例如 Infatica 等,他们可以帮助您设置代理并解决代理服务器管理中的所有困难。收集大量数据需要大量资源,因此无需通过开发自己的内部基础结构来进行代理来“重新发明轮子”。甚至许多最大的电子商务公司都使用代理网络服务将代理管理外包,因为大多数公司的第一要务是数据,而不是代理管理。