Python的简单爬虫框架

爬虫为网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

通过模拟浏览器发送网络请求，接收响应，按照一定规则提取数据。Python作为一种功能强大且易于学习的编程语言，非常适合用来编写网络爬虫。

爬虫的基本原理

爬虫的工作流程通常包括以下几个步骤：

1. 发送HTTP请求到目标网站。

2. 接收网站返回的响应数据，通常是HTML格式。

3. 解析HTML数据，提取有用信息。

4. 保存提取的数据，进行后续处理或分析

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

• 调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
• URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
• 网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
• 网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。

下面用一个图来解释一下调度器是如何协调工作的:

Python爬虫的实现

在Python中，实现爬虫通常需要用到以下几个库：

• requests：用于发送网络请求。

• BeautifulSoup 或 lxml：用于解析HTML数据。

• re（正则表达式）：用于进行复杂的文本匹配。

• pandas 或 csv：用于数据存储和处理。

本次实验只涉及requests库

# 一、简单爬虫框架示例代码"""通用代码框架：可使网页爬取变得更稳定更有效下面是一个爬取百度网页的例子，正常情况下是返回"""
import requestsdef get_HTML_Text():try:r = requests.get(url, timeout=30)r.raise_for_status()# 若状态不是200，引发HTTPError异常r.encoding = r.apparent_encodingreturn r.textexcept:return '产生异常！'if __name__ == '__main__':url = "http://www.baiu.com"print(get_HTML_Text())
# 二、结果分析# 正常情况：其实去掉三个www中的一个也会正常# 异常情况1：将url中http去掉# 异常情况2：将wwww.去掉# 三、总结# 异常情况的原因多样，通用代码框架并不能包含全部异常，代码写正确才是王道

requests.get(url, timeout=30)  #这个代码的意思是访问这个网站30秒之后停止等待响应

url是百度的网站，本次实验的网址是百度的网址

 timeout 参数是设定的秒数时间之后停止等待响应。基本上所有的生产代码都应该使用这一参数。如果不使用，你的程序可能会永远失去响应：

注意：timeout 仅对连接过程有效，与响应体的下载无关。 timeout 并不是整个下载响应的时间限制，而是如果服务器在 timeout 秒内没有应答，将会引发一个异常（更精确地说，是在 timeout 秒内没有从基础套接字上接收到任何字节的数据时）If no timeout is specified explicitly, requests do not time out.

如果 HTTP 请求返回了不成功的状态码， r.raise_for_status() 会抛出一个 HTTPError 异常。

r.encoding = r.apparent_encoding是响应的编码

return r.text是对响应进行解码

所有Requests显式抛出的异常都继承自 requests.exceptions.RequestException 

注意事项

在编写爬虫时，需要遵守目标网站的robots.txt协议，尊重网站的爬虫规则，避免对网站造成不必要的负担。同时，为了防止被网站封禁，应适当控制爬取速度，可以在请求间添加延时，并使用代理IP。

通过学习Python爬虫，你可以轻松获取网络上的各种数据，为数据分析、机器学习等领域提供丰富的数据源。无论是个人学习还是职业发展，掌握Python爬虫技能都将是一项宝贵的资产。