Python爬虫入门这一篇就够了
何谓爬虫
所谓爬虫，就是按照一定的规则，自动的从网络中抓取信息的程序或者脚本。万维网就像一个巨大的蜘蛛网，我们的爬虫就是上面的一个蜘蛛，不断的去抓取我们需要的信息。
爬虫三要素
- 抓取
- 分析
- 存储
基础的抓取操作
1、urllib
在Python2.x中我们可以通过urllib 或者urllib2 进行网页抓取，但是再Python3.x 移除了urllib2。只能通过urllib进行操作
1 2 3 4 | import urllib.requestresponse = urllib.request.urlopen(‘https://blog.csdn.net/weixin_43499626‘)print(response.read().decode(‘utf-8‘)) |
带参数的urllib
1 2 | url = ‘https://blog.csdn.net/weixin_43499626‘url = url + ‘?‘ + key + ‘=‘ + value1 + ‘&‘ + key2 + ‘=‘ + value2 |
2、requests
requests库是一个非常实用的HTPP客户端库，是抓取操作最常用的一个库。Requests库满足很多需求
1 2 3 4 5 6 | import requests# get请求response = requests.get(url=‘https://blog.csdn.net/weixin_43499626‘) print(response.text) #打印解码后的返回数据# 带参数的requests get请求response = requests.get(url=‘https://blog.csdn.net/weixin_43499626‘, params={‘key1‘:‘value1‘, ‘key2‘:‘value2‘}) |
需要登录的情况下
1、表单提交登录
向服务器发送一个post请求并携带相关参数，将服务器返回的cookie保存在本地,cookie是服务器在客户端上的“监视器”，记录了登录信息等。客户端通过识别请求携带的cookie，确定是否登录
1 2 3 4 | params = {‘username‘: ‘root‘, ‘passwd‘: ‘root‘}response = requests.post("http:xxx.com/login", data=params)for key,value in response.cookies.items(): print(‘key = ‘, key + ‘ ||| value :‘+ value) |
2、cookie登录
我们可以将登录的cookie存储在文件中，
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 | import urllib.requestimport http.cookiejar"""保存登录的cookie""""""MozillaCookieJar ： cookiejar的子类从FileCookieJar派生而来，创建与Mozilla浏览器 cookies.txt兼容的FileCookieJar实例。"""cookie = http.cookiejar.MozillaCookieJar(‘cookie.txt‘)# 构建一个cookie的处理器handler = urllib.request.HTTPCookieProcessor(cookie)# 获取一个opener对象opener = urllib.request.build_opener(handler)# # 获取一个请求对象request = urllib.request.Request(‘http://flights.ctrip.com/‘,headers={"Connection": "keep-alive"})# 请求服务器，获取响应对象。cookie会在response里一起响应response = opener.open(request)# 保存cookie到文件cookie.save(ignore_discard=True, ignore_expires=True)"""请求携带文件中的cookie"""import urllib.requestimport http.cookiejarcookie = http.cookiejar.MozillaCookieJar()cookie.load(‘cookie.txt‘, ignore_discard=True, ignore_expires=True)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)request = urllib.request.Request(‘http://flights.ctrip.com/‘)html = opener.open(request).read().decode(‘gbk‘)print(html) |
常见的反爬有哪些
1、通过user-agent来控制访问
user-agent能够使服务器识别出用户的操作系统及版本、cpu类型、浏览器类型和版本。很多网站会设置user-agent白名单，只有在白名单范围内的请求才能正常访问。所以在我们的爬虫代码中需要设置user-agent伪装成一个浏览器请求。有时候服务器还可能会校验Referer，所以还可能需要设置Referer(用来表示此时的请求是从哪个页面链接过来的)
1 2 3 4 5 6 7 | # 设置请求头信息headers = { ‘Host‘: ‘https://blog.csdn.net‘, ‘Referer‘: ‘https://blog.csdn.net/weixin_43499626/article/details/85875090‘, ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36‘ }response = requests.get("http://www.baidu.com", headers=headers) |
如下是CSDN中的Request Header中的信息
1 2 3 4 5 6 7 8 9 | accept: */*accept-encoding: gzip, deflate, braccept-language: zh-CN,zh;q=0.9content-length: 0cookie: bdshare_firstime=1500xxxxxxxx..............origin: https://blog.csdn.netreferer: https://blog.csdn.net/weixin_43499626/article/details/85875090user-agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36x-requested-with: XMLHttpRequest |
2、通过IP来限制
当我们用同一个ip多次频繁访问服务器时，服务器会检测到该请求可能是爬虫操作。因此就不能正常的响应页面的信息了。
解决办法常用的是使用IP代理池。网上就有很多提供代理的网站、
1 2 3 4 5 | proxies = { "http": "http://119.101.125.56", "https": "http://119.101.125.1",}response = requests.get("http://www.baidu.com", proxies=random.choices(proxies)) |
3、设置请求间隔
1 2 | import timetime.sleep(1) |
4、自动化测试工具Selenium
Web应用程序测试的Selenium工具。该工具可以用于单元测试，集成测试，系统测试等等。它可以像真正的用户一样去操作浏览器(包括字符填充、鼠标点击、获取元素、页面切换)，支持Mozilla Firefox、Google、Chrome、Safari、Opera、IE等等浏览器。
5、参数通过加密
某些网站可能会将参数进行某些加密，或者对参数进行拼接发送给服务器，以此来达到反爬虫的目的。这个时候我们可以试图通过js代码，查看破解的办法。
连接xxx
或者可以使用"PhantomJS",PhantomJS是一个基于Webkit的"无界面"(headless)浏览器，它会把网站加载到内存并执行页面上的JavaScript，因为不会展示图形界面，所以运行起来比完整的浏览器更高效。
6、通过robots.txt来限制爬虫
robots.txt是一个限制爬虫的规范，该文件是用来声明哪些东西不能被爬取。如果根目录存在该文件，爬虫就会按照文件的内容来爬取指定的范围。
浏览器访问https://www.taobao.com/robots.txt
可以查看淘宝的robots.txt文件
部分内容如下
User-agent: Baiduspider Disallow: /product/ Disallow: / User-Agent: Googlebot Disallow: / User-agent: Bingbot Disallow: / User-Agent: 360Spider Disallow: / User-Agent: Yisouspider Disallow: / User-Agent: Sogouspider Disallow: / User-Agent: Yahoo! Slurp Disallow: / User-Agent: * Disallow: /
可以看出淘宝拒绝了百度爬虫、谷歌爬虫、必应爬虫、360爬虫、神马爬虫，搜狗爬虫、雅虎爬虫等约束。
分析
我们可以分析爬取的网页内容，获得我们真正需要的数据，常用的有正则表达式，BeautifulSoup,XPath、lxml等
正则表达式是进行内容匹配，将符合要求的内容全部获取；
xpath()能将字符串转化为标签，它会检测字符串内容是否为标签，但是不能检测出内容是否为真的标签；
Beautifulsoup是Python的一个第三方库，它的作用和 xpath 作用一样，都是用来解析html数据的相比之下，xpath的速度会快一点，因为xpath底层是用c来实现的
存储
通过分析网页内容，获取到我们想要的数据，我们可以选择存到文本文件中，亦可以存储在数据库中，常用的数据库有MySql、MongoDB
存储为json文件
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | import jsondictObj = { ‘小明‘:{ ‘age‘: 15, ‘city‘: ‘beijing‘, }, ‘汤姆‘: { ‘age‘: 16, ‘city‘: ‘guangzhou‘, }}jsObj = json.dumps(dictObj, ensure_ascii=False)fileObject = open(‘jsonFile.json‘, ‘w‘)fileObject.write(jsObj)fileObject.close() |
存储为cvs文件
1 2 3 4 5 | import csvwith open(‘student.csv‘, ‘w‘, newline=‘‘) as csvfile: writer = csv.writer(csvfile) writer.writerow([‘姓名‘, ‘年龄‘, ‘城市‘]) writer.writerows([[‘小明‘, 15 , ‘北京‘],[‘汤姆‘, 16, ‘广州‘]]) |
存储到Mongo
1 2 3 4 5 6 7 8 9 10 11 12 | # mongo服务client = pymongo.MongoClient(‘mongodb://127.0.0.1:27017/‘)# test数据库db = client.test# student表,没有自动创建student_db = db.studentstudent_json = { ‘name‘: ‘小明‘, ‘age‘: 15, ‘city‘: ‘北京‘}student_db.insert(student_json) |
欢迎关注我的公众号：程序员共成长
公众号内回复【礼包】，获取程序员专属资料，包括但不限于Java、Python、Linux、数据库、大数据、架构、测试、前端、ui以及各方向电子书
