概要：利用python进行web数据抓取方法和实现。
1、python进行网页数据抓取有两种方式：一种是直接依据url链接来拼接使用get方法得到内容，一种是构建post请求改变对应参数来获得web返回的内容。
一、第一种方法通常用来获取静态页面内容，比如豆瓣电影内容分类下动画对应的链接：
http://www.douban.com/tag/%E5%8A%A8%E7%94%BB/?focus=movie
纪录片对应的链接：
http://www.douban.com/tag/%E7%BA%AA%E5%BD%95%E7%89%87/?focus=movie
tag 与 /?foucus中间的代表关键字，每次将页面对应的关键字进行替换就能抓取到相应的页面。
二、第二种方法是通过使用post请求来进行获取web内容抓取，由于许多网站是动态网站，每次请求返回的对应链接都是无变化，所以不能直接使用get方法来抓取网站内容，基本思路是只能依据每次发送的post数据请求观察其中的参数，并模拟构造post请求实现相应的页面获取。
2、python简易代码实现web抓取：
1 #coding=utf-8
2
3 import urllib,urllib2
4
5 #继续以抓取豆瓣电影分类链接为例
6
7 movie_list = ['%E7%BA%AA%E5%BD%95%E7%89%87','%E6%96%87%E8%89%BA','%E5%8F%B2%E8%AF%97']
8
9 for i in movie_list:
10 url = http://www.douban.com/tag/%E5%8F%B2%E8%AF%97/?focus=movie
11 url = url.replace('%E5%8F%B2%E8%AF%97',i)
12 request = urllib2.Request(url)
13 html = urllib2.open(request)
3、使用phantomJS 模拟浏览器进行数据抓取
这是我学习爬虫比较深入的一步了，大部分的网页抓取用urllib2都可以搞定，但是涉及到JavaScript的时候，urlopen就完全傻逼了，所以不得不用模拟浏览器，方法也有很多，此处我采用的是selenium2+phantomjs，原因在于：
selenium2支持所有主流的浏览器和phantomjs这些无界面的浏览器，我开始打算用Chrome，但是发现需要安装一个什么Chrome驱动，于是就弃用了，选择phantomjs，而且这个名字听起来也比较洋气。
上网查了很多资料，发现网上selenium2+phantomjs的使用方法的中文资源十分欠缺，不得不阅读晦涩的官方文档，所以这里记下目前已经实现的操作，再加上一些我个人遇到的问题以及对应的解决方案。
背景知识：
phantomjs是一个基于webkit的没有界面的浏览器，所以运行起来比完整的浏览器要高效。
selenium的英文原意是Se，化学元素，这里是一个测试web应用的工具，目前是2.42.1版本，和1版的区别在于2.0+中把WebDrive整合在了一起。
selenium2支持的Python版本：2.7, 3.2, 3.3 and 3.4
如果需要进行远程操作的话，就需要额外安装selenium server
安装：
先装selenium2，哪种方式装都可以，我一般都是直接下载压缩包，然后用python setup.py install命令来装，selenium 2.42.1的下载地址：https://pypi.python.org/pypi/selenium/2.42.1
然后下载phantomjs，https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-1.9.7-windows.zip，解压后可以看到一个phantomjs.exe的文件
范例1：
#coding=utf-8
from selenium import webdriver
driver = webdriver.PhantomJS(executable_path='C:\Users\Gentlyguitar\Desktop\phantomjs-1.9.7-windows\phantomjs.exe') driver.get("http://duckduckgo.com/") driver.find_element_by_id('search_form_input_homepage').send_keys("Nirvana") driver.find_element_by_id("search_button_homepage").click() print driver.current_url driver.quit()
其中的executable_path就是刚才phantomjs.exe的路径，运行结果：
Walk through of the example：
值得一提的是：
get方法会一直等到页面被完全加载，然后才会继续程序
但是对于ajax： It’s worth noting that if your page uses a lot of AJAX on load then WebDriver may not know when it has completely loaded
send_keys就是填充input
范例2：
#coding=utf-8
from selenium import webdriver
from selenium.webdriver.common.keys import Keys from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver import ActionChains import time import sys driver = webdriver.PhantomJS(executable_path='C:\Users\Gentlyguitar\Desktop\phantomjs-1.9.7-windows\phantomjs.exe') driver.get("http://www.zhihu.com/#signin") #driver.find_element_by_name('email').send_keys('your email') driver.find_element_by_xpath('//input[@name="password"]').send_keys('your password') #driver.find_element_by_xpath('//input[@name="password"]').send_keys(Keys.RETURN) time.sleep(2) driver.get_screenshot_as_file('show.png') #driver.find_element_by_xpath('//button[@class="sign-button"]').click() driver.find_element_by_xpath('//form[@class="zu-side-login-box"]').submit() try: dr=WebDriverWait(driver,5) dr.until(lambda the_driver:the_driver.find_element_by_xpath('//a[@class="zu-top-nav-userinfo "]').is_displayed()) except: print '登录失败' sys.exit(0) driver.get_screenshot_as_file('show.png') #user=driver.find_element_by_class_name('zu-top-nav-userinfo ') #webdriver.ActionChains(driver).move_to_element(user).perform() #移动鼠标到我的用户名 loadmore=driver.find_element_by_xpath('//a[@id="zh-load-more"]') actions = ActionChains(driver) actions.move_to_element(loadmore) actions.click(loadmore) actions.perform() time.sleep(2) driver.get_screenshot_as_file('show.png') print driver.current_url print driver.page_source driver.quit()
这个程序完成的是，登陆知乎，然后能自动点击页面下方的“更多”，以载入更多的内容
Walk through of the example：
from selenium.webdriver.common.keys import Keys，keys这个类就是键盘上的键，文中的send_keys(Keys.RETURN)就是按一个回车
from selenium.webdriver.support.ui import WebDriverWait是为了后面一个等待的操作
from selenium.webdriver import ActionChains是导入一个动作的类，这句话的写法，我找了很久
find_element推荐使用Xpath的方法，原因在于：优雅、通用、易学
Xpath表达式写法教程：http://www.ruanyifeng.com/blog/2009/07/xpath_path_expressions.html
值得注意的是，避免选择value带有空格的属性，譬如class = "country name"这种，不然会报错，大概compound class之类的错
检查用户密码是否输入正确的方法就是在填入后截屏看看
想要截屏，这么一句话就行：
driver.get_screenshot_as_file('show.png')
但是，这里的截屏是不带滚动条的，就是给你把整个页面全部照下来
try:
dr=WebDriverWait(driver,5)
dr.until(lambda the_driver:the_driver.find_element_by_xpath('//a[@class="zu-top-nav-userinfo "]').is_displayed()) except: print '登录失败' sys.exit(0)
是用来通过检查某个元素是否被加载来检查是否登录成功，我认为当个黑盒子用就可以了。其中5的解释：5秒内每隔500毫秒扫描1次页面变化，直到指定的元素
对于表单的提交，即可以选择登录按钮然后使用click方法，也可以选择表单然后使用submit方法，后者能应付没有登录按钮的情况，所以推荐使用submit()
对于一次点击，既可以使用click()，也可以使用一连串的action来实现，如文中：
loadmore=driver.find_element_by_xpath('//a[@id="zh-load-more"]')
actions = ActionChains(driver)
actions.move_to_element(loadmore)
actions.click(loadmore)
actions.perform()
这5句话其实就相当于一句话，find element然后click，但是action的适用范围更广，譬如在这个例子中，要点击的是一个a标签对象，我不知道为什么直接用click不行，不起作用
print driver.current_url
print driver.page_source
即打印网页的两个属性：url和source
总结：除了能解决动态页面的问题以外，用selenium用来模拟登陆也比urllib2简单得多。
4、使用代理防止抓取ip被封
实时动态抓取代理可用Ip,生成可用代理地址池
5、scrapy爬虫代理——利用crawlera神器，无需再寻找代理IP
由于工作需要，利用scrpay采集某个商业网站的数据。但是这个网站反扒非常厉害。因此不得不采用代理IP来做，但是做了几天后几乎能用的代理IP全被禁掉了。而且这种找代理、然后再验证的流程非常麻烦，于是博主想到了第三方平台crawlera.
一、crawlera平台注册
首先申明，注册是免费的，使用的话除了一些特殊定制外都是free的。
1、登录其网站 https://dash.scrapinghub.com/account/signup/
填写用户名、密码、邮箱，注册一个crawlera账号并激活
2、创建Organizations,然后添加crawlear服务
然后点击 +Service ,在弹出的界面点击Crawlear，输入名字，选择信息就创建成功了。
创建成功过后点击你的Crawlear名字便可以看到API的详细信息。
二、部署到srcapy项目
1、安装scarpy-crawlera
pip install 、easy_install 随便你采用什么安装方式都可以
|
2、修改settings.py
如果你之前设置过代理ip，那么请注释掉，加入crawlera的代理
|
为了是crawlera生效，需要添加你创建的api信息（如果填写了API key的话，pass填空字符串便可）
|
为了达到更高的抓取效率，可以禁用Autothrottle扩展和增加并发请求的最大数量，以及设置下载超时，代码如下
1 2 3 4 | |
如果在代码中设置有 DOWNLOAD_DELAY的话，需要在setting.py中添加
|
如果你的spider中保留了cookies,那么需要在Headr中添加
|
三、运行爬虫
这些都设置好了过后便可以运行你的爬虫了。这时所有的request都是通过crawlera发出的，信息如下
