基于python网络爬虫的设计和思考_网络爬虫实现与设计创新点

1、爬虫技术

1.1爬虫的分类

1.1 通用型爬虫
该爬虫又称为全网爬虫，主要用在搜索 引擎，从初始的 URL 到全网页面，但需要的 存储容量大，速度要求快，工作性能强大。
1.2 聚焦型爬虫
该爬虫专注某一方面，只搜索事先定义 的关键信息。
1.3 增量型爬虫
每隔一段时间更新，重新爬取，更新数 据库。
1.4 深层爬虫

该爬虫一般需要登录提交数据，才能进入页面提取信息。

2、Python概述

3、爬虫案例 

3.1 解决Where、What、How的问题
（ 1 ） Where ：爬哪里，确定要抓取的页面。解决这个问题由用户对数据的需求来决定。
（ 2 ） What ：爬什么，分析上述页面，确定从页面中爬取的数据。
（ 3 ） How ：怎么爬，可使用 Python 强大丰富的标准库及第三方库来完成。这是爬虫的核心部分。尤其是对网页的解析，可使用正则表达式、 BeautifulSoup 、 lxml 来解析网页，三种方法各有千秋，使用时可根据用户的熟练程度和需要选择一种适合的解析方法。
3.2 具体实施
该爬虫系统主要由三个模块：页面抓取模块、页面分析模块、数据存储模块，三个模块之间相互协作，共同完成网页数据的抓取。
（ 1 ）爬虫实现流程如图 1 所示。
（ 2 ）打开某信息网招聘信息，该网站 URL 是爬虫主要的处理对象，打开互联网职位页面并分析网页源代码结构，代码如图 2 所
示。
分析代码过程中，可利用开发者工具确定每个数据对应的元素及 Class 名称。例如本页面的公司名称、职位、薪水对应的元素及
Class 如表 1 所示。
（ 3 ）确定爬虫方法，导入程序中所用到的库。对服务器发出请求，打开网页，需要使用 requests 库，本爬虫中分析网页使用的是 BeautifulSoup 方式，需要用到 BeautifulSoup 库，存储数据用到库 xlwt ，整个爬虫程序中用到的库都需要导入。部分代码及注释（ # 开始为注释行）为如下：
# 导入程序中所用到的库
import requests
from bs4 import BeautifulSoup
import xlwt

# 打开网页

r=requests.get(link,headers=headers)
# 通过 BeautifulSoup 的 find_all 方法解析
页面
soup=BeautifulSoup(r.text,"lxml")
job_list=soup.find_all('li',class_="job_
itemclearfix")
# 查找公司名称、职位、薪水等信息
for job in job_list:
comp=job.find('div',class_='comp_name').
text.strip()
name=job.find('span',class_='name').text.
strip()
salary=job.find('p',class_='job_salary').text.
strip()
（4）爬取结果，本地保存。爬虫从网页中提取数据后，需要将数据保存下来， Python提供存储数据的方法：可保存到文件中（包括TXT 文件和 XLS 文件），也可存储在数据库中（包括 MySQL 关系数据库和 MongoDB 数据库）。该爬虫对招聘信息进行本地保存，存储格式为 .XLS 文件。部分代码如下：# 创建 Excel 文档保存将要爬取的数据
book=xlwt.Workbook(encoding='utf-8')
sheet1=book.add_sheet(u'sheet1',cell_
overwrite_ok=True)
# 在创建好的 Excel 文档中写入信息标题
heads=[u' 公司名称 ',u' 职位 ',u' 薪水 ']
ii=0
for head in heads:
sheet1.write(0,ii,head)
ii+=1
# 调 用 write 方 法 将 查 找 到 的 信 息 写 入
Excel 文档中
for data in (comp,name,salary):
sheet1.write(i+1,0,comp)
sheet1.write(i+1,1,name)
sheet1.write(i+1,2,salary)
i+=1
# 保存 Excel 文档
book.save('joblist.xls')
保存结果如图 3 所示。
可以看到和网页中提供的招聘信息是一
致的。
3.3 改进和完善上述爬虫只能爬取网页上的第一页招聘信息，如果需要爬取所有页面信息，可根据分析网页 URL 地址的规律，使用 for 循环爬取。分析比较：
0 d 3 0 3 6 5 5 - 0 0 2 e - 4 9 6 4 - f 9 0 b -
fa2a1cb1f628&ClickID=3
0 d 2 0 2 4 0 8 - 0 0 2 e - 4 6 b c - d 2 a 9 -
36b62fb6175b&ClickID=2
到下一页 ClickID 的值增加 1, 需重新构造
URL。
部分代码如下：
fori in range(0,10):
link1=link+str(i)

完结！！撒花！！