摘要：安装仅支持及以上版本。是一个备用的选项，它使得生成的爬虫核心用而非线程池。
如今，网上的爬虫教程可谓是泛滥成灾了，从urllib开始讲，最后才讲到requests和selenium这类高级库，实际上，根本就不必这么费心地去了解这么多无谓的东西的。只需记住爬虫总共就三大步骤：发起请求——解析数据——存储数据，这样就足以写出最基本的爬虫了。诸如像Scrapy这样的框架，可以说是集成了爬虫的一切，但是新人可能会用的不怎么顺手，看教程可能还会踩各种各样的坑，而且Scrapy本身体积也有点大。因此，本人决定亲手写一个轻量级的爬虫框架————looter，里面集成了调试和爬虫模板这两个核心功能，利用looter，你就能迅速地写出一个高效的爬虫。另外，本项目的函数文档也相当完整，如果有不明白的地方可以自行阅读源码（一般都是按Ctrl+左键或者F12）。
安装$ pip install looter
仅支持Python3.6及以上版本。
快速开始让我们先来撸一个非常简单的图片爬虫：首先，用shell获取网站
$ looter shell konachan.com/post
然后用2行代码就可以将图片抓取到本地
>>> imgs = tree.cssselect("a.directlink")
>>> save_imgs(imgs)
或者只用1行也行:d
>>> save_imgs(links(res, search="jpg"))工作流
如果你想迅速撸出一个爬虫，那么你可以用looter提供的模板来自动生成一个
$ looter genspider[--async]
在这行代码中，tmpl是模板，分为data和image两种模板。
async是一个备用的选项，它使得生成的爬虫核心用asyncio而非线程池。
在生成的模板中，你可以自定义domain和tasklist这两个变量。
什么是tasklist？实际上它就是你想要抓取的页面的所有链接。
以konachan.com为例，你可以使用列表推导式来创建自己的tasklist：
domain = "https://konachan.com"
tasklist = [f"{domain}/post?page={i}" for i in range(1, 9777)]
然后你就要定制你的crawl函数，这是爬虫的核心部分。
def crawl(url):
tree = lt.fetch(url)
items = tree.cssselect("ul li")
for item in items:
data = dict()
# data[...] = item.cssselect(...)
pprint(data)
在大多数情况下，你所要抓取的内容是一个列表（也就是HTML中的ul或ol标签），可以用css选择器将它们保存为items变量。
然后，你只需使用for循环来迭代它们，并抽取你想要的数据，将它们存储到dict中。
但是，在你写完这个爬虫之前，最好用looter提供的shell来调试一下你的cssselect代码是否正确。
>>> items = tree.cssselect("ul li")
>>> item = items[0]
>>> item.cssselect(anything you want to crawl)
# 注意代码的输出是否正确！
调试完成后，你的爬虫自然也就完成了。怎么样，是不是很简单:)
当然，本人也编写了好几个爬虫例子，可供参考。
函数looter为用户提供了很多实用的函数。
view在爬取页面前，你最好确认一下页面的渲染是否是你想要的
>>> view(url)save_imgs
当你获取了一堆图片链接时，用它可以直接将它们保存到本地
>>> img_urls = [...] >>> save_imgs(img_urls)alexa_rank
可以获取网站的reach和popularity指数（人气度），此函数返回一个元组(url, reach_rank, popularity_rank)
>>> alexa_rank(url)links
获取网页的所有链接
>>> links(res) # 获取所有链接 >>> links(res, absolute=True) # 获取绝对链接 >>> links(res, search="text") # 查找指定链接
同样地，你也可以用正则表达式来获取匹配的链接
>>> re_links(res, r"regex_pattern")save_as_json
将所得结果保存为json文件，支持按键值排序
>>> total = [...] >>> save_as_json(total, name="text", sort_by="key")parse_robots
用于爬取网站robots.txt上的所有链接。这个在做全站爬虫或者递归式url爬虫时颇为有效
>>> parse_robots(url)login
有一些网站必须要先登录才能爬取，于是就有了login函数，本质其实就是建立session会话向服务器发送带有data的POST请求。
但是，每个网站的登录规则都各不相同，想要找到合适的postdata还是要费一番功夫的，而且更有甚者还要你构造param或header参数。
不过幸运的是在github上已经有人整理好了各大网站的模拟登录方法——fuck-login，本人很是佩服。
总之考验各位抓包的能力了，以下为模拟登录网易126邮箱（要求参数：postdata和param）
>>> params = {"df": "mail126_letter", "from": "web", "funcid": "loginone", "iframe": "1", "language": "-1", "passtype": "1", "product": "mail126",
"verifycookie": "-1", "net": "failed", "style": "-1", "race": "-2_-2_-2_db", "uid": "webscraping123@126.com", "hid": "10010102"}
>>> postdata = {"username": 你的用户名, "savelogin": "1", "url2": "http://mail.126.com/errorpage/error126.htm", "password": 你的密码}
>>> url = "https://mail.126.com/entry/cgi/ntesdoor?"
>>> res, ses = login(url, postdata, params=params) # res为post请求后的页面，ses为请求会话
>>> index_url = re.findall(r"href = "(.*?)"", res.text)[0] # 在res中获取重定向主页的链接
>>> index = ses.get(index_url) # 用ses会话访问重定向链接，想确认成功的话print下即可
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/42095.html
摘要：在这之前，还是有必要对一些概念超轻量级反爬虫方案后端掘金前言爬虫和反爬虫日益成为每家公司的标配系统。 爬虫修炼之道——从网页中提取结构化数据并保存（以爬取糗百文本板块所有糗事为例） - 后端 - 掘金欢迎大家关注我的专题：爬虫修炼之道 上篇 爬虫修炼之道——编写一个爬取多页面的网络爬虫主要讲解了如何使用python编写一个可以下载多页面的爬虫，如何将相对URL转为绝对URL，如何限速，...
摘要：爬虫和反爬虫日益成为每家公司的标配系统。本文将描述一种尽量简单的反爬虫方案，可以在十几分钟内解决部分简单的爬虫问题，缓解恶意攻击或者是系统超负荷运行的状况至于复杂的爬虫以及更精准的防御，需要另外讨论。 showImg(https://segmentfault.com/img/bVDYV4?w=800&h=568); 爬虫和反爬虫日益成为每家公司的标配系统。爬虫在情报获取、虚假流量、动态...
摘要：那在届有哪些被封神的库呢，今天就给大家介绍十个堪称杀手级别的工具包。总之，是一款非常强大且易用的网络请求库。地址最好用的框架。图像处理，该库是你的不二之选。 Pyt...
阅读 916·2021-11-08 13:22
阅读 2840·2021-09-29 09:45
阅读 2823·2021-09-09 11:52
阅读 2257·2019-08-30 13:20
阅读 3739·2019-08-29 13:28
阅读 1354·2019-08-29 12:32
阅读 2719·2019-08-29 11:10
阅读 1642·2019-08-26 13:34
