1）首先你要明白爬蟲怎樣工作。
成都創(chuàng)新互聯(lián)公司主要從事網(wǎng)站制作、成都網(wǎng)站設(shè)計(jì)、網(wǎng)頁設(shè)計(jì)、企業(yè)做網(wǎng)站、公司建網(wǎng)站等業(yè)務(wù)。立足成都服務(wù)黎川,十年網(wǎng)站建設(shè)經(jīng)驗(yàn),價(jià)格優(yōu)惠、服務(wù)專業(yè),歡迎來電咨詢建站服務(wù):13518219792
想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁都看一遍。怎么辦呢？沒問題呀，你就隨便從某個地方開始，比如說人民日報(bào)的首頁，這個叫initial pages，用$表示吧。
在人民日報(bào)的首頁，你看到那個頁面引向的各種鏈接。于是你很開心地從爬到了“國內(nèi)新聞”那個頁面。太好了，這樣你就已經(jīng)爬完了倆頁面（首頁和國內(nèi)新聞）！暫且不用管爬下來的頁面怎么處理的，你就想象你把這個頁面完完整整抄成了個html放到了你身上。
突然你發(fā)現(xiàn)， 在國內(nèi)新聞這個頁面上，有一個鏈接鏈回“首頁”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因?yàn)槟阋呀?jīng)看過了啊。所以，你需要用你的腦子，存下你已經(jīng)看過的頁面地址。這樣，每次看到一個可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過這個頁面地址。如果去過，那就別去了。
好的，理論上如果所有的頁面可以從initial page達(dá)到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁。
那么在python里怎么實(shí)現(xiàn)呢？
很簡單
import Queue
initial_page = "初始化頁"
url_queue = Queue.Queue()
seen = set()
seen.insert(initial_page)
url_queue.put(initial_page)
while(True): #一直進(jìn)行直到?？菔癄€
if url_queue.size()0:
current_url = url_queue.get() #拿出隊(duì)例中第一個的url
store(current_url) #把這個url代表的網(wǎng)頁存儲好
for next_url in extract_urls(current_url): #提取把這個url里鏈向的url
if next_url not in seen:
seen.put(next_url)
url_queue.put(next_url)
else:
break
寫得已經(jīng)很偽代碼了。
所有的爬蟲的backbone都在這里，下面分析一下為什么爬蟲事實(shí)上是個非常復(fù)雜的東西——搜索引擎公司通常有一整個團(tuán)隊(duì)來維護(hù)和開發(fā)。
2）效率
如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個豆瓣的內(nèi)容。更別說Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。
問題出在哪呢？需要爬的網(wǎng)頁實(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)現(xiàn)是hash——不過這樣還是太慢了，至少內(nèi)存使用效率不高。
通常的判重做法是怎樣呢？Bloom Filter. 簡單講它仍然是一種hash的方法，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長）以O(shè)(1)的效率判定url是否已經(jīng)在set中。可惜天下沒有白吃的午餐，它的唯一問題在于，如果這個url不在set中，BF可以100%確定這個url沒有看過。但是如果這個url在set中，它會告訴你：這個url應(yīng)該已經(jīng)出現(xiàn)過，不過我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少。一個簡單的教程:Bloom Filters by Example
注意到這個特點(diǎn)，url如果被看過，那么可能以小概率重復(fù)看一看（沒關(guān)系，多看看不會累死）。但是如果沒被看過，一定會被看一下（這個很重要，不然我們就要漏掉一些網(wǎng)頁了?。?。 [IMPORTANT: 此段有問題，請暫時(shí)略過]
好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個瓶頸——你只有一臺機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁的速度是瓶頸的話，那么你只有加快這個速度。用一臺機(jī)子不夠的話——用很多臺吧！當(dāng)然，我們假設(shè)每臺機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話，多進(jìn)程吧）。
3）集群化抓取
爬取豆瓣的時(shí)候，我總共用了100多臺機(jī)器晝夜不停地運(yùn)行了一個月。想象如果只用一臺機(jī)子你就得運(yùn)行100個月了...
那么，假設(shè)你現(xiàn)在有100臺機(jī)器可以用，怎么用python實(shí)現(xiàn)一個分布式的爬取算法呢？
我們把這100臺中的99臺運(yùn)算能力較小的機(jī)器叫作slave，另外一臺較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個queue放到這臺master機(jī)器上，所有的slave都可以通過網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個slave完成下載一個網(wǎng)頁，就向master請求一個新的網(wǎng)頁來抓取。而每次slave新抓到一個網(wǎng)頁，就把這個網(wǎng)頁上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒有被訪問過的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問過的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)
考慮如何用python實(shí)現(xiàn)：
在各臺slave上裝好scrapy，那么各臺機(jī)子就變成了一臺有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)列。
代碼于是寫成
#slave.py
current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
to_send.append(next_url)
store(current_url);
send_to_master(to_send)
#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()
initial_pages = ""
while(True):
if request == 'GET':
if distributed_queue.size()0:
send(distributed_queue.get())
else:
break
elif request == 'POST':
bf.put(request.url)
好的，其實(shí)你能想到，有人已經(jīng)給你寫好了你需要的：darkrho/scrapy-redis · GitHub
4）展望及后處理
雖然上面用很多“簡單”，但是真正要實(shí)現(xiàn)一個商業(yè)規(guī)?？捎玫呐老x并不是一件容易的事。上面的代碼用來爬一個整體的網(wǎng)站幾乎沒有太大的問題。
但是如果附加上你需要這些后續(xù)處理，比如
有效地存儲（數(shù)據(jù)庫應(yīng)該怎樣安排）
有效地判重（這里指網(wǎng)頁判重，咱可不想把人民日報(bào)和抄襲它的大民日報(bào)都爬一遍）
有效地信息抽?。ū热缭趺礃映槿〕鼍W(wǎng)頁上所有的地址抽取出來，“朝陽區(qū)奮進(jìn)路中華道”），搜索引擎通常不需要存儲所有的信息，比如圖片我存來干嘛...
及時(shí)更新（預(yù)測這個網(wǎng)頁多久會更新一次）
如你所想，這里每一個點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，
“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。
所以，不要問怎么入門，直接上路就好了：）
所謂網(wǎng)頁抓取，就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來，保存到本地。?
類似于使用程序模擬IE瀏覽器的功能，把URL作為HTTP請求的內(nèi)容發(fā)送到服務(wù)器端， 然后讀取服務(wù)器端的響應(yīng)資源。
在Python中，我們使用urllib2這個組件來抓取網(wǎng)頁。
urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。
它以urlopen函數(shù)的形式提供了一個非常簡單的接口。
最簡單的urllib2的應(yīng)用代碼只需要四行。
我們新建一個文件urllib2_test01.py來感受一下urllib2的作用：
import urllib2
response = urllib2.urlopen('')
html = response.read()
print html
按下F5可以看到運(yùn)行的結(jié)果：
我們可以打開百度主頁，右擊，選擇查看源代碼（火狐OR谷歌瀏覽器均可），會發(fā)現(xiàn)也是完全一樣的內(nèi)容。
也就是說，上面這四行代碼將我們訪問百度時(shí)瀏覽器收到的代碼們?nèi)看蛴×顺鰜怼?/p>
這就是一個最簡單的urllib2的例子。
除了"http:"，URL同樣可以使用"ftp:"，"file:"等等來替代。
HTTP是基于請求和應(yīng)答機(jī)制的：
客戶端提出請求，服務(wù)端提供應(yīng)答。
urllib2用一個Request對象來映射你提出的HTTP請求。
在它最簡單的使用形式中你將用你要請求的地址創(chuàng)建一個Request對象，
通過調(diào)用urlopen并傳入Request對象，將返回一個相關(guān)請求response對象，
這個應(yīng)答對象如同一個文件對象，所以你可以在Response中調(diào)用.read()。
我們新建一個文件urllib2_test02.py來感受一下：
import urllib2?
req = urllib2.Request('')?
response = urllib2.urlopen(req)?
the_page = response.read()?
print the_page
可以看到輸出的內(nèi)容和test01是一樣的。
urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創(chuàng)建一個ftp請求。
req = urllib2.Request('')
在HTTP請求時(shí)，允許你做額外的兩件事。
1.發(fā)送data表單數(shù)據(jù)
這個內(nèi)容相信做過Web端的都不會陌生，
有時(shí)候你希望發(fā)送一些數(shù)據(jù)到URL(通常URL與CGI[通用網(wǎng)關(guān)接口]腳本，或其他WEB應(yīng)用程序掛接)。
在HTTP中,這個經(jīng)常使用熟知的POST請求發(fā)送。
這個通常在你提交一個HTML表單時(shí)由你的瀏覽器來做。
并不是所有的POSTs都來源于表單，你能夠使用POST提交任意的數(shù)據(jù)到你自己的程序。
一般的HTML表單，data需要編碼成標(biāo)準(zhǔn)形式。然后做為data參數(shù)傳到Request對象。
編碼工作使用urllib的函數(shù)而非urllib2。
我們新建一個文件urllib2_test03.py來感受一下：
import urllib?
import urllib2?
url = ''?
values = {'name' : 'WHY',?
'location' : 'SDU',?
'language' : 'Python' }?
data = urllib.urlencode(values) # 編碼工作
req = urllib2.Request(url, data)? # 發(fā)送請求同時(shí)傳data表單
response = urllib2.urlopen(req)? #接受反饋的信息
the_page = response.read()? #讀取反饋的內(nèi)容
如果沒有傳送data參數(shù)，urllib2使用GET方式的請求。
GET和POST請求的不同之處是POST請求通常有"副作用"，
它們會由于某種途徑改變系統(tǒng)狀態(tài)(例如提交成堆垃圾到你的門口)。
Data同樣可以通過在Get請求的URL本身上面編碼來傳送。
import urllib2?
import urllib
data = {}
data['name'] = 'WHY'?
data['location'] = 'SDU'?
data['language'] = 'Python'
url_values = urllib.urlencode(data)?
print url_values
name=Somebody+Herelanguage=Pythonlocation=Northampton?
url = ''?
full_url = url + '?' + url_values
data = urllib2.open(full_url)
這樣就實(shí)現(xiàn)了Data數(shù)據(jù)的Get傳送。
2.設(shè)置Headers到http請求
有一些站點(diǎn)不喜歡被程序（非人為訪問）訪問，或者發(fā)送不同版本的內(nèi)容到不同的瀏覽器。
默認(rèn)的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主版本和次版本號,例如Python-urllib/2.7)，
這個身份可能會讓站點(diǎn)迷惑，或者干脆不工作。
瀏覽器確認(rèn)自己身份是通過User-Agent頭，當(dāng)你創(chuàng)建了一個請求對象，你可以給他一個包含頭數(shù)據(jù)的字典。
下面的例子發(fā)送跟上面一樣的內(nèi)容，但把自身模擬成Internet Explorer。
（多謝大家的提醒，現(xiàn)在這個Demo已經(jīng)不可用了，不過原理還是那樣的）。
import urllib?
import urllib2?
url = ''
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'?
values = {'name' : 'WHY',?
'location' : 'SDU',?
'language' : 'Python' }?
headers = { 'User-Agent' : user_agent }?
data = urllib.urlencode(values)?
req = urllib2.Request(url, data, headers)?
response = urllib2.urlopen(req)?
the_page = response.read()
以上就是python利用urllib2通過指定的URL抓取網(wǎng)頁內(nèi)容的全部內(nèi)容，非常簡單吧，希望對大家能有所幫助。
在if 里只需要yield "" + item_url.attrs['href']
然后Lsit(最好改可名,在python規(guī)范里,函數(shù)命名是全小寫,而list又是保留字，比如改為display_hrefs）只需要循環(huán)輸出getUrl的結(jié)果就好：
def getUrl(url: str):
....html = urlopen(url)
....for item_url in BeautifulSoup((html.read()).find ('div' , class_='AAA').findAll ("a"):
........if 'href' in item_url.attrs:
............yield "" + item_url.attrs['href']
def display_hrefs(url: str):
....for href in getUrl(url):
........print(href)
if __name__ == '__main__':
....display_hrefs("")
重慶分公司
重慶分公司
