转:关于抓取网页,分析网页内容,模拟登陆网站的逻辑/流程和注意事项

上一篇 / 下一篇  2013-07-02 15:51:56 / 个人分类:其他

转自:http://www.crifan.com/summary_about_flow_process_of_fetch_webpage_simulate_login_website_and_some_notice/

【整理】关于抓取网页,分析网页内容,模拟登陆网站的逻辑/流程和注意事项

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 = http://www.crifan.com/?s=crifan&submit=Search

==

基本url + 查询字符串

http://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:

【总结】关于正则表达式 v2012-02-20

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:

【总结】C#中的Regex的使用心得和注意事项

2.对于Json

可以先去看专门的关于JSON的介绍:

【整理】什么是JSON+如何处理JSON字符串    

 

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】抓取网并提取网页中所需要的信息 之 Python版

【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)

【教程】抓取网并提取网页中所需要的信息 之 C#版

【教程】模拟登陆网站 之 C#版(内含两种版本的完整的可运行的代码)



TAG:

 

评分:0

我来说两句

Open Toolbar