爬虫开发python工具包介绍（1）

转载

mob604756f953bb 2018-09-30 14:36:00

文章标签 Python 网易数帆 tornado python json 文章分类 代码人生

作者：王涛

本文大纲：

简易介绍今天要讲解的两个爬虫开发的python库
详细介绍 requests库及函数中的各个参数
详细介绍 tornado 中的httpcilent的应用
总结

目标：了解python中常用的快速开发爬虫的工具包。

基础： python的基础语法（2.7）

Here we go!

简易爬虫：我把一次性代码称为简易爬虫，这些爬虫是定制化的，不能通用。不像爬虫框架，通过配置就可以实现一个新的抓取需求。对于入门的盆友来讲，本篇文章基本可以满足你的需求。如果有对框架感兴趣的盆友，了解了本文的tornado，对于你了解pyspider这个框架也是有好处的。（Pyspdier使用了tornado框架）

一、简介requests与tornado

随着大数据、人工智能、机器学习的发展，python语言的编程地位保持着持续提升。其它方面的功能暂且不表(因为我不知道)，我们来谈谈python在爬虫方面的表现。

1、requests 基础

相信想快速上手爬虫的人都会选择python，并且选择requests库，请问获取百度首页源码要几步？

答：三步

第一步：下载和安装python

第二步：pip 安装 requests库

第三步：执行 python -c 'import requests; print requests.get("http://www.baidu.com").content'

python -c 'import requests; print requests.get("http://www.baidu.com").content'<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css><title>百度一下，你就知道</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div <div <div <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span ><input id=kw name=wd value maxlength=255 autocomplete=off autofocus></span><span ><input type=submit id=su value=百度一下 ></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews <a href=http://www.hao123.com name=tj_trhao123 <a href=http://map.baidu.com name=tj_trmap <a href=http://v.baidu.com name=tj_trvideo <a href=http://tieba.baidu.com name=tj_trtieba <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login </noscript> <script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" >登录</a>');</script> <a href=//www.baidu.com/more/ name=tj_briicon style="display: block;">更多产品</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>关于百度</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>&copy;2017 Baidu <a href=http://www.baidu.com/duty/>使用百度前必读</a>  <a href=http://jianyi.baidu.com/ <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html>

2、requests高效抓取

高效抓取，那我们把串行改成并行。一谈并发，大家就想到多线程，多进程。

但是大家知道，由于Ptyhon的解释器在执行的时候用了一把大锁GIL保证解释器（或者是python vm）在解释执行的时候只有一个线程得到调度，所以CPython事实上是伪多线程的，也就是本质上还是单线程。注： GIL存在于CPython中，Jython没有这个限制（http://www.jython.org/jythonbook/en/1.0/Concurrency.html）

爬虫开发python工具包介绍（1）_python

为了程序简单，就直接多线程运行了，毕竟Python自带的大多数数据结构是线程安全的(list,dict,tuple等)，你可以不用考虑竞争给代码带来的复杂性。

协程这个概念在很多编程语言中都已经支持了。python中通过yield关键字来实现协程，今天再给大家介绍一款基于协程的异步非阻塞框架 tornado. 使用它来实现网络请求，相比于多线程的requests更高效。

3、tornado简介

在介绍tornado之前，我们简单介绍一下协程的概念。

3.1 协程

在单线程的前提条件下：

面向过程的编程中，我们会把一些代码块封装成一个函数，这个函数的特点：一个入口，一个出口.当我们调用一个函数时，会等它结束了才能继续执行后续的代码。而协程在单线程的条件下，一个函数可以多次进入，多次返回，我们在调用协程函数的时候，可以在它的中断点暂时返回去执行其它的协程函数。（这有点像多线程，某一线程阻塞，CPU会调度其它线程）。

下面给一段代码看一下运行效果,逻辑很简单，我们把show_my_sleep向IOLoop中添加了四次，每次入参不同。 show_my_sleep中打印信息，休眠，打印信息。根据结果，我们可以看到show_my_sleep函数在yield 语句进入休眠，暂时交出了运行权，等休眠结束后，从yield语句后开始继续执行。

import randomfrom tornado.ioloop import IOLoopfrom tornado import gen@gen.coroutinedef show_my_sleep(idx):
    interval = random.uniform(5,20)    print "[{}] is going to sleep {} seconds!".format(idx, interval)    yield gen.sleep(interval)    #　此处会作为中断点，交出代码运行权
    print "[{}] wake up!!".format(idx)def main():
    io_loop = IOLoop.current()
    io_loop.spawn_callback(show_my_sleep, 1)  # 下一次循环的时候调度这个函数
    io_loop.spawn_callback(show_my_sleep, 2)
    io_loop.spawn_callback(show_my_sleep, 3)
    io_loop.spawn_callback(show_my_sleep, 4)
    io_loop.start()if __name__ == "__main__":
    main()

结果：

[1] is going to sleep 5.19272014406 seconds![2] is going to sleep 9.42334286914 seconds![3] is going to sleep 5.11032311172 seconds![4] is going to sleep 13.0816614451 seconds![3] wake up!![1] wake up!![2] wake up!![4] wake up!!

3.2 Tornado 简介

Tornado 是基于Python实现的异步网络框架，它采用非阻塞IO，可以支持成千上万的并发访问量，
所以非常适合于长轮询和Websocket， 以及其它需要持久连接的应用场景。Tornado 主要包含四个部分：- web框架，包括了RequestHandler（它可以用来创建WEB应用和各种支持的类）- 客户端、服务端侧的HTTP实现（包括HttpServer 和AsyncHttpClient)- 包含了 IOLoop和IOStream 的异步网络库，它们作为HTTP组件的内置块并且可以用来实现其它协议。- 协程库(tornado.gen),它使异步代码写起来比链式回调更直接。Tornado WEB框架和HTTP server 在一起可以作为WSGI的全栈替代。
在WSGI容器里可以使用Tornado web框架，也可以用Http server 作为其它WSGI框架的容器，不过任意一种组合都是有缺陷的。
为了充分发挥tornado的优势 ，你需要使用tornado 的web框架和http server.

我们在这里主要借用tornado的 httpclient和协程库，来实现单线程下并发网络请求。

Here, show you the code!

import tracebackfrom tornado.ioloop import IOLoopfrom tornado import genfrom tornado.curl_httpclient import CurlAsyncHTTPClientfrom tornado.httpclient import HTTPRequest@gen.coroutinedef fetch_url(url):
    """抓取url"""
    try:
        c = CurlAsyncHTTPClient()  # 定义一个httpclient
        req = HTTPRequest(url=url)  # 定义一个请求
        response = yield c.fetch(req)  # 发起请求
        print response.body
        IOLoop.current().stop()  # 停止ioloop线程
    except:        print traceback.format_exc()def main():
    io_loop = IOLoop.current()
    io_loop.spawn_callback(fetch_url, "http://www.baidu.com")  # 添加协程函数到Ioloop循环中
    io_loop.start()if __name__ == "__main__":
    main()

4、tornado并发

这里简单讲，就是通过向ioloop中添加回调，来实现多个回调的并行调用。

def main():
    io_loop = IOLoop.current()
    io_loop.spawn_callback(fetch_url, "http://www.baidu.com")  # 下一次循环的时候调度这个函数
    '''
    io_loop.spawn_callback(fetch_url, url1)  
    ... ...
    io_loop.spawn_callback(fetch_url, urln) 
    '''
    io_loop.start()if __name__ == "__main__":
    main()

简单介绍过两个应用包后，来详细介绍一下关键函数及参数。

二、requests 关键函数及参数

我们利用requests开发爬虫时，主要会用到 get,post 方法，另外，为了应对反爬虫策略，会添加一些自定义的http头信息，我们从这个应用角度介绍一下requests的两个关键函数get和post。

函数定义：

def get(url, params=None, **kwargs):
    """Sends a GET request.

    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)    return request('get', url, params=params, **kwargs)

def post(url, data=None, json=None, **kwargs):
    """Sends a POST request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('post', url, data=data, json=json, **kwargs)

我们可以看到,requests的get，post方法都会调用 request函数，request函数定义如下：

def request(self, method, url,        params=None,
        data=None,
        headers=None,
        cookies=None,
        files=None,
        auth=None,
        timeout=None,
        allow_redirects=True,
        proxies=None,
        hooks=None,
        stream=None,
        verify=None,
        cert=None,
        json=None):
        """Constructs a :class:`Request <Request>`, prepares it and sends it.
        Returns :class:`Response <Response>` object.

        :param method: method for the new :class:`Request` object.
        :param url: URL for the new :class:`Request` object.
        :param params: (optional) Dictionary or bytes to be sent in the query          
          string for the :class:`Request`.
        :param data: (optional) Dictionary, bytes, or file-like object to send         
           in the body of the :class:`Request`.
        :param json: (optional) json to send in the body of the
            :class:`Request`.
        :param headers: (optional) Dictionary of HTTP Headers to send with the
            :class:`Request`.
        :param cookies: (optional) Dict or CookieJar object to send with the
            :class:`Request`.
        :param files: (optional) Dictionary of ``'filename': file-like-objects``         
           for multipart encoding upload.
        :param auth: (optional) Auth tuple or callable to enable
            Basic/Digest/Custom HTTP Auth.
        :param timeout: (optional) How long to wait for the server to send
            data before giving up, as a float, or a :ref:`(connect timeout,
            read timeout) <timeouts>` tuple.
        :type timeout: float or tuple
        :param allow_redirects: (optional) Set to True by default.
        :type allow_redirects: bool
        :param proxies: (optional) Dictionary mapping protocol or protocol and
            hostname to the URL of the proxy.
        :param stream: (optional) whether to immediately download the response
            content. Defaults to ``False``.
        :param verify: (optional) whether the SSL cert will be verified.
            A CA_BUNDLE path can also be provided. Defaults to ``True``.
        :param cert: (optional) if String, path to ssl client cert file (.pem).
            If Tuple, ('cert', 'key') pair.
        :rtype: requests.Response
        """