看此文之前,(强烈建议)先去看:
如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站
然后,才明白,此文的作用和产生的背景。
其中,本文的部分内容,也会在上述帖子,给出额外链接,其中有更详细的解释的。
之前折腾了两个东西:
BlogsToWordPress – 将百度空间,网易163等博客搬家到WordPress
WLW (Windows Live Writer) Plugin–InsertSkydriveFiles
了解了一些关于,如何抓取对应的网页内容,如何模拟登陆一个网站的大概逻辑和流程,以及一些注意事项。
在此整理出来,仅供参考。
抓取网页的一般逻辑和过程
一般普通用户,用浏览器,打开某个URL地址,然后浏览器就可以显示出对应的页面的内容了。
这个过程,如果用程序代码来实现,就可以被称为(用程序实现)抓取网页(的内容,并进行后期处理,提取所需信息等)
对应的英文说法有,website crawl/scrape/data mining。
而用来抓取网页的工具,也常被叫做 spider,crawler等。
即,一般所谓的取网页内容,指的是通过程序(某种语言的程序代码,比如Python脚本语言,C#语言等)实现访问某个URL地址,然后获得其所返回的内容(HTML源码,Json格式的字符串等)。
而对于这个抓取网页的过程,是有一套自己的逻辑的。
想要用程序实现对应的网页内容的抓取,就是要先搞懂这套逻辑,然后再去用对应的不同的语言实现,即可。
抓取网页的一般逻辑
去访问一个URL地址,获得对应的网页的过程,其对应的内部机制是
准备好对应的Http请求(Http Request)+ 提交对应的Http Request
–>
获得返回的响应(Http Response) + 获得Http Response中的网页源码
下面介绍这两大步骤的具体操作流程:
准备此Http请求Request (访问URL之前的准备工作)
url
知道了要访问的URL地址是什么,即request url;
其中,此处的url地址,是指的是完整的地址:基本的url + 查询字符串
此查询字符串参数:
IE中算是称为request parameter
Chrome中称为query string
其中,查询字符串,很多时候也是没有的。
举个例子:
完整的url = https://www.crifan.com/?s=crifan&submit=Search
==
基本url + 查询字符串
= https://www.crifan.com/ + s=crifan 和submit=Search
GET还是POST
必须或可选:Headers
即request header
头信息Headers,包含很多个Header
有些是必须的,有些是可选的(根据不同情况,可忽略的)
有的时候,甚至不设置任何header也是可以的。
[可选]Post Data
如果是POST方法,则还需要填写对应的数据:
此数据:
IE中称为request body
Chrome中称为Post Data
换句话说:
如果是GET,则是没有POST数据的。
提示:所以,你在IE9中通过F12抓取到的内容中,会看到,对于所有的GET请求,对应的“请求正文(request body)”都是空的。
必须或可选:cookie
很多时候,访问对应url还需要提供对应的cookie。
一般来说,模拟登陆等情况下,往往都会涉及到cookie的。
其他一些可能需要准备的东西
(1)代理proxy
(2)设置最大超时timeout时间
提交HttpRequest,即可获得此http请求的响应Response(访问URL之后的要做的工作)
1.获得对应的响应response
2.从响应中获得对应的网页源码等信息
(1)获得返回的网页HTML源码(或json等)
(2)[可选]如果有需要,还要获得对应的cookie
(3)[可选]判断返回的其他一些相关信息,比如response code等
【网页抓取过程中的注意事项】
1.网页跳转Redirect
(1)直接跳转
(2)间接跳转
A。javascript脚本中有对应的代码实现网页跳转
B。本身所返回的HTML源码中包含refresh动作,所实现的网页跳转
抓取网页后,如何分析获得所需要的内容
一般来说,去访问一个URL地址,所返回的内容,多数都是网页的HTML源码,也有其他一些形式的内容的,比如json等。
我们所想要的则是,从返回的内容(HTML或json等)中,提取我们所需要的特定的信息,即对其进行一定的处理,获得所需信息。
就我所遇到的情况,有几种方法可以实现提取所需的信息:
1. 对于HTML源码:
(1)如果是Python中的话,可以通过调用第三方的Beautifulsoup库
然后再调用find等函数,来提取对应的信息。
这部分内容,相对很复杂,需要详细了解的,可以参考一下:
BlogsToWordPress v3.0 – 将百度空间,网易163等博客搬家到WordPress
中的源码。
(2)直接使用正则表达式自己去提取相关内容
对于内容的分析和提取,很多时候,都是通过正则表达式来实现的。
关于正则表达式的相关知识和总结,去看这里:
正则表达式是一种规范/规则,具体用何种语言实现,取决于你自己。
我遇到的有Python和C#两种语言:
A。Python:使用re模块,常用的函数是find,,findall,search等。
B:C#:使用Regex类,用对应的pattern和match函数来匹配。
关于C#中的Regex,更多内容请参考:
2.对于Json
可以先去看专门的关于JSON的介绍:
然后再看下面的如何处理Json。
(1)使用库(函数)来处理
A。Python
Python中,有对应的json库,常用的是json.load,即可将json格式的字符串,转换为对应的字典Dictionary类型变量,很是好用。
(2)还是使用正则表达式来处理
A。Python
Python中的re模块,同上。
B。C#
C#中貌似没有自带json的库,倒是有很多第三方的json库,但是我当时遇到解析json字符串的时候,觉得这些库,使用起来还是很麻烦,所以还是直接使用regex类来处理了。
模拟登陆网站的一般逻辑和过程
而对于用C#实现网页内容抓取和模拟登陆网页方面,一些心得和注意事项,去看这里:
【经验总结】Http,网页访问,request,response相关的知识
多种语言(Python/C#)实现抓取网页,模拟登陆网站
【教程】模拟登陆网站 之 Python版(内含两种版本的完整的可运行的代码)