爬虫

requests.post(
    url='',
    params={'k1':'v1','k2':'v2'},
    cookies={},
    headers={},
    data={},
    json={}，
)
#data和json都是传送数据，跟请求头需要一直，默认是跟data一组，需要json传送，headers={‘content-type’:'application/json'}

爬虫入门

urlib基本使用和进阶

 web 微信

　　-轮询  定时几秒刷新一次（client不停地发）

　　-长轮询  hang助请求，无消息，超时断开，客户端以及发请求 （比如web微信qq）

　　　　　　　　　　　　有消息，立即返回 （http协议）　　

　　-websocket

爬虫框架scrapy 

　　关于安装

　　Linux

      pip3 install scrapy

 　　Windows

      a. pip3 install wheel  python3的依赖库

      b. 下载twisted http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted  python3 scrapy的依赖库

      c. 进入下载目录，执行 pip3 install Twisted‑17.1.0‑cp35‑cp35m‑win_amd64.whl  （注意版本号其中的35就是python3.5需要跟自己的一起，还有就是操作系统）

      d. pip3 install scrapy

      e. 下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/

3、运行

进入project_name目录，运行命令

scrapy crawl spider_name(爬虫名name) --nolog （不显示日志）

注意scrapy url去重request（dont_filter=True）

 

爬虫.py前
import sys,os
sys.stdout=io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') #解决编码问题（response.content二进制-responbse.text（字符）不能正常显示）

选择器

　　

　　Request是一个封装用户请求的类，在回调函数中yield该对象表示继续访问

　　HtmlXpathSelector用于结构化HTML代码并提供选择器功能  已被弃用（目前用Selector）

　　　　hxs = Selector(response)   #selector中extract()提取出的是list类型，extract_first()提取出的是unicode类型

　　link_id_list = hxs.xpath('//a’).extract() #extract（）提取，不然是个对象

 　　xpath语法 //a 表示当前文档中的后代a标签 (//开始就是冲整个文档开始， /表示儿子代)
　　　　　　//a[2]当前文档中的所有a标签索引位2的哪一个 同理[@id]表示包换属性id （属性前面必须有@）
　　　　　　//a[@id="i1"] 也可以赋值
　　　　　　BigNode/Node[last()] //取出BigNode路径下最后一个Node节点
　　　　　　Node[not(@class)] //不含class属性的node节点
　　　　　　Node[contains(text(),a)] //文本包含字符串a的node节点
　　　　　　Node[count(span)=2] //包含两个span节点的node节点
　　　　　　Node.xpath('string(.)')//提取出Node节点下除去标签的所有文本
　　　　　　hxs).xpath('//a[re:test(@id, "i\d+")]/@href').extract() #正则固定格式（匹配a标签下的id是i加数字的，获取他的href属性）

import asyncio #python3.3以后引入的异步


@asyncio.coroutine
def fetch_async(host, url='/'):
    print(host, url)
    reader, writer = yield from asyncio.open_connection(host, 80) #打开连接

    request_header_content = """GET %s HTTP/1.0\r\nHost: %s\r\n\r\n""请求体" % (url, host,) #仿制请求头
    request_header_content = bytes(request_header_content, encoding='utf-8')

    writer.write(request_header_content)
    yield from writer.drain() #发送数据
    text = yield from reader.read() #接受response等，这里是接受reader.read（）返回值
    print(host, url, text)
    writer.close()

tasks = [ #添加任务
    fetch_async('www.cnblogs.com', '/wupeiqi/'),
    fetch_async('dig.chouti.com', '/pic/show?nid=4073644713430508&lid=10273091')
]

loop = asyncio.get_event_loop()
results = loop.run_until_complete(asyncio.gather(*tasks))
loop.close()

 

 

import gevent

import requests
from gevent import monkey

monkey.patch_all()  #内部socket装换了gevent.socket，（set blocking = Fale变成非阻塞）


def fetch_async(method, url, req_kwargs):
    print(method, url, req_kwargs)
    response = requests.request(method=method, url=url, **req_kwargs)
    print(response.url, response.content)

# ##### 发送请求 #####
gevent.joinall([
    gevent.spawn(fetch_async, method='get', url='https://www.python.org/', req_kwargs={}),
    gevent.spawn(fetch_async, method='get', url='https://www.yahoo.com/', req_kwargs={}),
    gevent.spawn(fetch_async, method='get', url='https://github.com/', req_kwargs={}),
])

# ##### 发送请求（协程池控制最大协程数量） #####
# from gevent.pool import Pool
# pool = Pool(None)
# gevent.joinall([
#     pool.spawn(fetch_async, method='get', url='https://www.python.org/', req_kwargs={}),
#     pool.spawn(fetch_async, method='get', url='https://www.yahoo.com/', req_kwargs={}),
#     pool.spawn(fetch_async, method='get', url='https://www.github.com/', req_kwargs={}),
# ])

4.gevent + requests

 

 备注 异步非阻塞 优先twisted >gevent+requests>asynio+requests连接地址 http://www.cnblogs.com/wupeiqi/articles/6229292.html

 

scrapy默认使用 scrapy.dupefilter.RFPDupeFilter 进行去重，相关配置有：

　　DUPEFILTER_CLASS = 'scrapy.dupefilter.RFPDupeFilter' #可以自定制(DUPEFILTER_CLASS = 'scrapy.自定义的模块') 参考原模块

　　DUPEFILTER_DEBUG = False  #下面两个配合使用，记录日志

　　JOBDIR = "保存范文记录的日志路径，如：/root/"  # 最终路径为 /root/requests.seen