Python爬虫如何爬取QQ空间说说点赞人的qq
首先这样的信息是在网页上提供，那么进行爬取是不难的，网页请求方面：对于python3.x，可以学会requests库即可，对于python2.7,需要学会urllib2、urllib即可；网页的html获得之后，需要学会进行网页解析，这部分看具体需要，可以学习beautifulsoup或者PyQuery库。
做到上面两步，基本就爬取下来了
python可以爬取什么数据
一、爬取我们所需要的一线链接channel_extract.py 这里的一线链接也就是我们所说的大类链接：from bs4 import BeautifulSoupimport requestsstart_url = ''host_url = ''def get_channel_urls(url):wb_data = requests.get(url)soup = BeautifulSoup(wb_data.text, 'lxml')links = soup.select('.fenlei > dt > a') #print(links)for link in links:page_url = host_url + link.get('href')print(page_url)#get_channel_urls(start_url)channel_urls = '''jiaju\\\/rirongbaihuo\\\/shouji\\\/bangong\\\/nongyongpin\\\/jiadian\\\/ershoubijibendiannao\\\/ruanjiantushu\\\/yingyouyunfu\\\/diannao\\\/xianzhilipin\\\/fushixiaobaxuemao\\\/meironghuazhuang\\\/shuma\\\/laonianyongpin\\\/xuniwupin\\\/'''123456789101112131415161718192021222324252627282930313233343536那么拿我爬取的58同城为例就是爬取了二手市场所有品类的链接，也就是我说的大类链接； 找到这些链接的共同特征，用函数将其输出，并作为多行文本储存起来。
二、获取我们所需要的详情页面的链接和详情信息page_parsing.py1、说说我们的数据库：先看代码：#引入库文件from bs4 import BeautifulSoupimport requestsimport pymongo #python操作MongoDB的库import reimport time#链接和建立数据库client = pymongo.MongoClient('localhost', 27017)ceshi = client['ceshi'] #建ceshi数据库ganji_url_list = ceshi['ganji_url_list'] #建立表文件ganji_url_info = ceshi['ganji_url_info']1234567891011122、判断页面结构是否和我们想要的页面结构相匹配，比如有时候会有404页面；3、从页面中提取我们想要的链接，也就是每个详情页面的链接；这里我们要说的是一个方法就是:item_link = link.get('href').split('?')[0]12这里的这个link什么类型的，这个get方法又是什么鬼
后来我发现了这个类型是
main.py 看代码：#先从别的文件中引入函数和数据：from multiprocessing import Poolfrom page_parsing import get_type_links,get_url_info_ganji,ganji_url_listfrom channel_extract import channel_urls#爬取所有链接的函数：def get_all_links_from(channel):for i in range(1,100):get_type_links(channel,i)#后执行这个函数用来爬取所有详情页的文件：if __name__ == '__main__':# pool = Pool()# # pool = Pool()# pool.map(get_url_info_ganji, [url['url'] for url in ganji_url_list.find()])# pool.close()# pool.join()#先执行下面的这个函数，用来爬取所有的链接：if __name__ == '__main__':pool = Pool()pool = Pool()pool.map(get_all_links_from,channel_urls.split())pool.close()pool.join()1234567891011121314151617181920212223242526五、计数程序count.py 用来显示爬取数据的数目；import timefrom page_parsing import ganji_url_list,ganji_url_infowhile True: # print(ganji_url_list.find().count())# time.sleep(5)print(ganji_url_info.find().count())time.sleep(5)
懂python的朋友进
去python 官网 找到 down 点进去 有2.7 或2.5 +widows 字样的继续点击 下载后安装 如果想要在cmd里 直接打开的话 就自己配置path 不然就直接用python自带的控制台 编译器 或者IDEl 快速入门 百度 python 简明教程 下载 2小时开完 有开发经验的 可以直接写代码了
怎么用Python自动发说说
用python编辑自动化程序，在QQ空间发表说说导入time和webdriverimport timefrom selenium import webdriver创建driver调用Google驱动driver=webdriver.Chrome()设置一个隐式时间driver.implicitly_wait(10)访问QQ空间的IP地址driver.get()网页最大化设置driver.maximize_window()time.sleep(3)通过CSS定位对象定位到网页中的iframe标签a=driver.find_element_by_css_selector(div iframe#login_frame)用switch_to.frame()切入iframe标签里driver.switch_to.frame(a)用CSS定位对象定位到账号登录然后用click点击登录。
注：已经登录好QQ的条件下driver.find_element_by_css_selector(span#img_out_QQ账号.img_out_focus).click()用id定位到发表框的id，然后用send_keys发表一段话。
注：发表的说说文字顺序有可能会发生变化，如果有解决方案请留言
driver.find_element_by_id($1_substitutor_content).send_keys(自动化发表，不要关注，不要点赞
)用link定位发表按钮，进行发表driver.find_element_by_link_text(发表).click()整体布局
如何入门 Python 爬虫
“入门”是良动机，但是可能作用缓慢。
如果你或者脑子一个项目，那么实践起来你会标驱动，而不会像学习模块一样慢慢学习。
另外如果说知识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图一定不是一个有向无环图。
因为学习A的经验可以帮助你学习B。
因此，你不需要学习怎么样“入门”，因为这样的“入门”点根本不存在
你需要学习的是怎么样做一个比较大的东西，在这个过程中，你会很快地学会需要学会的东西的。
当然，你可以争论说需要先懂python，不然怎么学会python做爬虫呢
但是事实上，你完全可以在做这个爬虫的过程中学习python :D看到前面很多答案都讲的“术”——用什么软件怎么爬，那我就讲讲“道”和“术”吧——爬虫怎么工作以及怎么在python实现。
先长话短说summarize一下：你需要学习基本的爬虫工作原理基本的http抓取工具，scrapyBloom Filter: Bloom Filters by Example如果需要大规模网页抓取，你需要学习分布式爬虫的概念。
其实没那么玄乎，你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。
最简单的实现是python-rq: rq和Scrapy的结合：darkrho\\\/scrapy-redis · GitHub后续处理，网页析取(grangier\\\/python-goose · GitHub)，存储(Mongodb)以下是短话长说：说说当初写的一个集群爬下整个豆瓣的经验吧。
1）首先你要明白爬虫怎样工作。
想象你是一只蜘蛛，现在你被放到了互联“网”上。
那么，你需要把所有的网页都看一遍。
怎么办呢
没问题呀，你就随便从某个地方开始，比如说人民日报的首页，这个叫initial pages，用$表示吧。
在人民日报的首页，你看到那个页面引向的各种链接。
于是你很开心地从爬到了“国内新闻”那个页面。
太好了，这样你就已经爬完了俩页面（首页和国内新闻）
暂且不用管爬下来的页面怎么处理的，你就想象你把这个页面完完整整抄成了个html放到了你身上。
突然你发现， 在国内新闻这个页面上，有一个链接链回“首页”。
作为一只聪明的蜘蛛，你肯定知道你不用爬回去的吧，因为你已经看过了啊。
所以，你需要用你的脑子，存下你已经看过的页面地址。
这样，每次看到一个可能需要爬的新链接，你就先查查你脑子里是不是已经去过这个页面地址。
如果去过，那就别去了。
好的，理论上如果所有的页面可以从initial page达到的话，那么可以证明你一定可以爬完所有的网页。
那么在python里怎么实现呢
很简单import Queueinitial_page = url_queue = Queue.Queue()seen = set()seen.insert(initial_page)url_queue.put(initial_page)while(True): #一直进行直到海枯石烂if url_queue.size()>0:current_url = url_queue.get() #拿出队例中第一个的urlstore(current_url) #把这个url代表的网页存储好for next_url in extract_urls(current_url): #提取把这个url里链向的urlif next_url not in seen:seen.put(next_url)url_queue.put(next_url)else:break写得已经很伪代码了。
所有的爬虫的backbone都在这里，下面分析一下为什么爬虫事实上是个非常复杂的东西——搜索引擎公司通常有一整个团队来维护和开发。
2）效率如果你直接加工一下上面的代码直接运行的话，你需要一整年才能爬下整个豆瓣的内容。
更别说Google这样的搜索引擎需要爬下全网的内容了。
问题出在哪呢
需要爬的网页实在太多太多了，而上面的代码太慢太慢了。
设想全网有N个网站，那么分析一下判重的复杂度就是N*log(N)，因为所有网页要遍历一次，而每次判重用set的话需要log(N)的复杂度。
OK，OK，我知道python的set实现是hash——不过这样还是太慢了，至少内存使用效率不高。
通常的判重做法是怎样呢
Bloom Filter. 简单讲它仍然是一种hash的方法，但是它的特点是，它可以使用固定的内存（不随url的数量而增长）以O(1)的效率判定url是否已经在set中。
可惜天下没有白吃的午餐，它的唯一问题在于，如果这个url不在set中，BF可以100%确定这个url没有看过。
但是如果这个url在set中，它会告诉你：这个url应该已经出现过，不过我有2%的不确定性。
注意这里的不确定性在你分配的内存足够大的时候，可以变得很小很少。
一个简单的教程:Bloom Filters by Example注意到这个特点，url如果被看过，那么可能以小概率重复看一看（没关系，多看看不会累死）。
但是如果没被看过，一定会被看一下（这个很重要，不然我们就要漏掉一些网页了
）。
[IMPORTANT: 此段有问题，请暂时略过]好，现在已经接近处理判重最快的方法了。
另外一个瓶颈——你只有一台机器。
不管你的带宽有多大，只要你的机器下载网页的速度是瓶颈的话，那么你只有加快这个速度。
用一台机子不够的话——用很多台吧
当然，我们假设每台机子都已经进了最大的效率——使用多线程（python的话，多进程吧）。
3）集群化抓取爬取豆瓣的时候，我总共用了100多台机器昼夜不停地运行了一个月。
想象如果只用一台机子你就得运行100个月了...那么，假设你现在有100台机器可以用，怎么用python实现一个分布式的爬取算法呢
我们把这100台中的99台运算能力较小的机器叫作slave，另外一台较大的机器叫作master，那么回顾上面代码中的url_queue，如果我们能把这个queue放到这台master机器上，所有的slave都可以通过网络跟master联通，每当一个slave完成下载一个网页，就向master请求一个新的网页来抓取。
而每次slave新抓到一个网页，就把这个网页上所有的链接送到master的queue里去。
同样，bloom filter也放到master上，但是现在master只发送确定没有被访问过的url给slave。
Bloom Filter放到master的内存里，而被访问过的url放到运行在master上的Redis里，这样保证所有操作都是O(1)。
（至少平摊是O(1)，Redis的访问效率见:LINSERT – Redis)考虑如何用python实现：在各台slave上装好scrapy，那么各台机子就变成了一台有抓取能力的slave，在master上装好Redis和rq用作分布式队列。
代码于是写成#slave.pycurrent_url = request_from_master()to_send = []for next_url in extract_urls(current_url):to_send.append(next_url)store(current_url);send_to_master(to_send)#master.pydistributed_queue = DistributedQueue()bf = BloomFilter()initial_pages = while(True):if request == 'GET':if distributed_queue.size()>0:send(distributed_queue.get())else:breakelif request == 'POST':bf.put(request.url)好的，其实你能想到，有人已经给你写好了你需要的：darkrho\\\/scrapy-redis · GitHub4）展望及后处理虽然上面用很多“简单”，但是真正要实现一个商业规模可用的爬虫并不是一件容易的事。
上面的代码用来爬一个整体的网站几乎没有太大的问题。
但是如果附加上你需要这些后续处理，比如有效地存储（数据库应该怎样安排）有效地判重（这里指网页判重，咱可不想把人民日报和抄袭它的大民日报都爬一遍）有效地信息抽取（比如怎么样抽取出网页上所有的地址抽取出来，“朝阳区奋进路中华道”），搜索引擎通常不需要存储所有的信息，比如图片我存来干嘛...及时更新（预测这个网页多久会更新一次）如你所想，这里每一个点都可以供很多研究者十数年的研究。
虽然如此，“路漫漫其修远兮,吾将上下而求索”。
所以，不要问怎么入门，直接上路就好了：）
谁能说说python在web开发方面的使用感受
1. 互联网圈大约已经是很少有人还用 Java 做 Web Page 了，但不能据此认为 Java 过时，它还有其他用途；2. 做 Web 呢，PHP 从应用范围到岗位需求来说都是很强的，甚至可以说是应用最广泛的；3. Python 在 Web 界不能说它过时，其实它做 Web 从来也没热门过，但它在科学计算、计算机视觉、图像处理、运维脚本等领域还是有一套；4. Node.js 只在前端人员这里火，主要是 Web、服务器和前端工具链，但在 Web 领域尚不如 PHP 广泛。
