概述
這是一個網(wǎng)絡(luò)爬蟲學(xué)習(xí)的技術(shù)分享，主要通過一些實際的案例對爬蟲的原理進行分析，達到對爬蟲有個基本的認識，并且能夠根據(jù)自己的需要爬到想要的數(shù)據(jù)。有了數(shù)據(jù)后可以做數(shù)據(jù)分析或者通過其他方式重新結(jié)構(gòu)化展示。
什么是網(wǎng)絡(luò)爬蟲
網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。via 百度百科網(wǎng)絡(luò)爬蟲
網(wǎng)絡(luò)蜘蛛（Web spider）也叫網(wǎng)絡(luò)爬蟲（Web crawler）[1]，螞蟻（ant），自動檢索工具（automatic indexer），或者（在FOAF軟件概念中）網(wǎng)絡(luò)疾走（WEB scutter），是一種“自動化瀏覽網(wǎng)絡(luò)”的程序，或者說是一種網(wǎng)絡(luò)機器人。它們被廣泛用于互聯(lián)網(wǎng)搜索引擎或其他類似網(wǎng)站，以獲取或更新這些網(wǎng)站的內(nèi)容和檢索方式。它們可以自動采集所有其能夠訪問到的頁面內(nèi)容，以供搜索引擎做進一步處理（分檢整理下載的頁面），而使得用戶能更快的檢索到他們需要的信息。via 維基百科網(wǎng)絡(luò)蜘蛛
以上是百度百科和維基百科對網(wǎng)絡(luò)爬蟲的定義，簡單來說爬蟲就是抓取目標(biāo)網(wǎng)站內(nèi)容的工具，一般是根據(jù)定義的行為自動進行抓取，更智能的爬蟲會自動分析目標(biāo)網(wǎng)站結(jié)構(gòu)類似與搜索引擎的爬蟲，我們這里只討論基本的爬蟲原理。
爬蟲工作原理
網(wǎng)絡(luò)爬蟲框架主要由控制器、解析器和索引庫三大部分組成，而爬蟲工作原理主要是解析器這個環(huán)節(jié)，解析器的主要工作是下載網(wǎng)頁，進行頁面的處理，主要是將一些JS腳本標(biāo)簽、CSS代碼內(nèi)容、空格字符、HTML標(biāo)簽等內(nèi)容處理掉，爬蟲的基本工作是由解析器完成。所以解析器的具體流程是：
入口訪問->下載內(nèi)容->分析結(jié)構(gòu)->提取內(nèi)容
分析爬蟲目標(biāo)結(jié)構(gòu)
這里我們通過分析一個網(wǎng)站[落網(wǎng)：http://luoo.net] 對網(wǎng)站內(nèi)容進行提取來進一步了解！
第一步 確定目的
抓取目標(biāo)網(wǎng)站的某一期所有音樂
第二步 分析頁面結(jié)構(gòu)
訪問落網(wǎng)的某一期刊，通過Chrome的開發(fā)者模式查看播放列表中的歌曲，右側(cè)用紅色框線圈出來的是一些需要特別注意的語義結(jié)構(gòu)，見下圖所示：
以上紅色框線圈出的地方主要有歌曲名稱，歌曲的編號等，這里并沒有看到歌曲的實際文件地址，所以我們繼續(xù)查看，點擊某一個歌曲就會立即在瀏覽器中播放，這時我們可以看到在Chrome的開發(fā)者模式的Network中看到實際請求的播放文件，如下圖所示：
根據(jù)以上分析我們可以得到播放清單的位置和音樂文件的路徑，接下來我們通過Python來實現(xiàn)這個目的。
實現(xiàn)爬蟲
Python環(huán)境安裝請自行Google
主要依賴第三方庫
Requests（http://www.python-requests.org） 用來發(fā)起請求
BeautifulSoup（bs4） 用來解析HTML結(jié)構(gòu)并提取內(nèi)容
faker（http://fake-factory.readthedocs.io/en/stable/）用來模擬請求UA（User-Agent）
主要思路是分成兩部分，第一部分用來發(fā)起請求分析出播放列表然后丟到隊列中，第二部分在隊列中逐條下載文件到本地，一般分析列表速度更快，下載速度比較慢可以借助多線程同時進行下載。
主要代碼如下:
#-*- coding: utf-8 -*-
'''by sudo rm -rf http://imchenkun.com'''
import os
import requests
from bs4 import BeautifulSoup
import random
from faker import Factory
import Queue
import threading
fake = Factory.create()
luoo_site = 'http://www.luoo.net/music/'
luoo_site_mp3 = 'http://luoo-mp3.kssws.ks-cdn.com/low/luoo/radio%s/%s.mp3'
proxy_ips = [ '27.15.236.236' ] # 替換自己的代理IP
headers = {
'Connection': 'keep-alive',
'User-Agent': fake.user_agent()
}
def random_proxies():
ip_index = random.randint(0, len(proxy_ips)-1)
res = { 'http': proxy_ips[ip_index] }
return res
def fix_characters(s):
for c in ['<', '>', ':', '"', '/', '\\\\', '|', '?', '*']:
s = s.replace(c, '')
return s
class LuooSpider(threading.Thread):
def __init__(self, url, vols, queue=None):
threading.Thread.__init__(self)
print '[luoo spider]'
print '=' * 20
self.url = url
self.queue = queue
self.vol = '1'
self.vols = vols
def run(self):
for vol in self.vols:
self.spider(vol)
print '\\ncrawl end\\n\\n'
def spider(self, vol):
url = luoo_site + vol
print 'crawling: ' + url + '\\n'
res = requests.get(url, proxies=random_proxies())
soup = BeautifulSoup(res.content, 'html.parser')
title = soup.find('span', attrs={'class': 'vol-title'}).text
cover = soup.find('img', attrs={'class': 'vol-cover'})['src']
desc = soup.find('div', attrs={'class': 'vol-desc'})
track_names = soup.find_all('a', attrs={'class': 'trackname'})
track_count = len(track_names)
tracks = []
for track in track_names:
_id = str(int(track.text[:2])) if (int(vol) < 12) else track.text[:2] # 12期前的音樂編號1~9是1位（如：1~9），之后的都是2位 1~9會在左邊墊0（如：01~09）
_name = fix_characters(track.text[4:])
tracks.append({'id': _id, 'name': _name})
phases = {
'phase': vol, # 期刊編號
'title': title, # 期刊標(biāo)題
'cover': cover, # 期刊封面
'desc': desc, # 期刊描述
'track_count': track_count, # 節(jié)目數(shù)
'tracks': tracks # 節(jié)目清單(節(jié)目編號，節(jié)目名稱)
}
self.queue.put(phases)
class LuooDownloader(threading.Thread):
def __init__(self, url, dist, queue=None):
threading.Thread.__init__(self)
self.url = url
self.queue = queue
self.dist = dist
self.__counter = 0
def run(self):
while True:
if self.queue.qsize() <= 0:
pass
else:
phases = self.queue.get()
self.download(phases)
def download(self, phases):
for track in phases['tracks']:
file_url = self.url % (phases['phase'], track['id'])
local_file_dict = '%s/%s' % (self.dist, phases['phase'])
if not os.path.exists(local_file_dict):
os.makedirs(local_file_dict)
local_file = '%s/%s.%s.mp3' % (local_file_dict, track['id'], track['name'])
if not os.path.isfile(local_file):
print 'downloading: ' + track['name']
res = requests.get(file_url, proxies=random_proxies(), headers=headers)
with open(local_file, 'wb') as f:
f.write(res.content)
f.close()
print 'done.\\n'
else:
print 'break: ' + track['name']
if __name__ == '__main__':
spider_queue = Queue.Queue()
luoo = LuooSpider(luoo_site, vols=['680', '721', '725', '720'],queue=spider_queue)
luoo.setDaemon(True)
luoo.start()
downloader_count = 5
for i in range(downloader_count):
luoo_download = LuooDownloader(luoo_site_mp3, 'D:/luoo', queue=spider_queue)
luoo_download.setDaemon(True)
luoo_download.start()
以上代碼執(zhí)行后結(jié)果如下圖所示
Github地址
總結(jié)
通過本文我們基本了解了網(wǎng)絡(luò)爬蟲的知識，對網(wǎng)絡(luò)爬蟲工作原理認識的同時我們實現(xiàn)了一個真實的案例場景，這里主要是使用一些基礎(chǔ)的第三方Python庫來幫助我們實現(xiàn)爬蟲，基本上演示了網(wǎng)絡(luò)爬蟲框架中基本的核心概念。通常工作中我們會使用一些比較優(yōu)秀的爬蟲框架來快速的實現(xiàn)需求，比如 scrapy框架，接下來我會通過使用Scrapy這類爬蟲框架來實現(xiàn)一個新的爬蟲來加深對網(wǎng)絡(luò)爬蟲的理解！
特別申明：本文所提到的落網(wǎng)是我本人特別喜歡的一個音樂網(wǎng)站，本文只是拿來進行爬蟲的技術(shù)交流學(xué)習(xí)，讀者涉及到的所有侵權(quán)問題都與本人無關(guān)
本文首發(fā)在sudo rm -rf 轉(zhuǎn)載請注明原作者
--EOF--
