Python网络爬虫与信息提取(实例讲解)

课程体系结构：

1、Requests框架：自动爬取HTML页面与自动网络请求提交

2、robots.txt:网络爬虫排除标准

3、BeautifulSoup框架：解析HTML页面

4、Re框架：正则框架，提取页面关键信息

5、Scrapy框架：网络爬虫原理介绍，专业爬虫框架介绍

理念：The Website is the API ...

Python语言常用的IDE工具

文本工具类IDE：

IDLE、Notepad++、Sublime Text、Vim & Emacs、Atom、Komodo Edit

集成工具IDE：

PyCharm、Wing、PyDev & Eclipse、Visual Studio、Anaconda & Spyder、Canopy

・IDLE是Python自带的默认的常用的入门级编写工具，它包含交互式文件式两种方式。适用于较短的程序。

・Sublime Text是专为程序员开发的第三方专用编程工具，可以提高编程体验，具有多种编程风格。

・Wing是Wingware公司提供的收费IDE，调试功能丰富，具有版本控制，版本同步功能，适合于多人共同开发。适用于编写大型程序。

・Visual Studio是微软公司维护的，可以通过配置PTVS编写Python，主要以Windows环境为主，调试功能丰富。

・Eclipse是一款开源的IDE开发工具，可以通过配置PyDev来编写Python，但是配置过程复杂，需要有一定的开发经验。

・PyCharm分为社区版和专业版，社区版免费，具有简单、集成度高的特点，适用于编写较复杂的工程。

适用于科学计算、数据分析的IDE：

・Canopy是由Enthought公司维护的收费工具，支持近500个第三方库，适合科学计算领域应用开发。

・Anaconda是开源免费的，支持近800个第三方库。

Requests库入门

Requests的安装：

Requests库是目前公认的爬取网页最好的Python第三方库，具有简单、简捷的特点。

官方网站：http://www.python-requests.org

在"C:\Windows\System32"中找到"cmd.exe"，使用管理员身份运行，在命令行中输入：“pip install requests”运行。

使用IDLE测试Requests库：

>>> import requests
>>> r = requests.get("http://www.baidu.com")#抓取百度页面
>>> r.status_code
>>> r.encoding = 'utf-8'
>>> r.text

Requests库的7个主要方法

详细信息参考 Requests库 API文档：http://www.python-requests.org/en/master/api/

get()方法

r = requests.get(url)

get()方法构造一个向服务器请求资源的Request对象，返回一个包含服务器资源的Response对象。

requests.get(url, params=None, **kwargs)

url：拟获取页面的url链接

params：url中的额外参数，字典或字节流格式，可选

**kwargs：12个控制访问参数

Requests库的2个重要对象

・ Request

・ Response:Response对象包含爬虫返回的内容

Response对象的属性

r.status_code ：HTTP请求的返回状态，200表示连接成功，404表示失败

r.text ：HTTP响应内容的字符串形式，即，url对应的页面内容

r.encoding ： 从HTTP header中猜测的相应内容编码方式　

r.apparent_encoding ： 从内容中分析出的相应内容编码方式（备选编码方式）

r.content ： HTTP响应内容的二进制形式

r.encoding ：如果header中不存在charset，则认为编码为ISO-8859-1 。

r.apparent_encoding ：根据网页内容分析出的编码方式可以 看作是r.encoding的备选。

Response的编码：

r.encoding : 从HTTP header中猜测的响应内容的编码方式；如果header中不存在charset，则认为编码为ISO-8859-1，r.text根据r.encoding显示网页内容

r.apparent_encoding : 根据网页内容分析出的编码方式，可以看作r.encoding的备选

爬取网页的通用代码框架

Requests库的异常

Response的异常

r.raise_for_status() : 如果不是200，产生异常requests.HTTPError；

在方法内部判断r.status_code是否等于200，不需要增加额外的if语句，该语句便于利用try-except进行异常处理

import requests

def getHTMLText(url):
　　try:
　　　　r = requests.get(url, timeout=30)
　　　　r.raise_for_status() # 如果状态不是200，引发HTTPError异常
　　　　r.encoding = r.apparent_encoding
　　　　return r.text
　　except: 
　　　　return "产生异常"

if __name__ == "__main__":
　　url = "http://www.baidu.com"
　　print(getHTMLText(url))

通用代码框架，可以使用户爬取网页变得更有效，更稳定、可靠。

HTTP协议

HTTP,Hypertext Transfer Protocol，超文本传输协议。

HTTP是一个基于“请求与响应”模式的、无状态的应用层协议。

HTTP协议采用URL作为定位网络资源的标识。

URL格式：http://host[:port][path]

・ host：合法的Internet主机域名或IP地址
・ port：端口号，缺省端口号为80
・ path：请求资源的路径

HTTP URL的理解：

URL是通过HTTP协议存取资源的Internet路径，一个URL对应一个数据资源。

HTTP协议对资源的操作

理解PATCH和PUT的区别

假设URL位置有一组数据UserInfo，包括UserID、UserName等20个字段。

需求：用户修改了UserName，其他不变。

・ 采用PATCH，仅向URL提交UserName的局部更新请求。

・ 采用PUT，必须将所有20个字段一并提交到URL，未提交字段被删除。

PATCH的主要好处：节省网络带宽

Requests库主要方法解析

requests.request(method, url, **kwargs)

・ method：请求方式，对应get/put/post等7种

例： r = requests.request('OPTIONS', url, **kwargs)

・ url：拟获取页面的url链接

・ **kwargs：控制访问的参数，共13个，均为可选项

params：字典或字节序列，作为参数增加到url中；

kv = {'key1':'value1', 'key2':'value2'}
r = requests.request('GET', 'http://python123.io/ws',params=kv)
print(r.url)
'''
http://python123.io/ws?key1=value1&key2=value2
'''

data：字典、字节序列或文件对象，作为Request的内容；

json：JSON格式的数据，作为Request的内容；

headers：字典，HTTP定制头；

hd = {'user-agent':'Chrome/10'}

r = requests.request('POST','http://www.yanlei.shop',headers=hd)

cookies：字典或CookieJar，Request中的cookie；

auth：元组，支持HTTP认证功能；

files：字典类型，传输文件；

fs = {'file':open('data.xls', 'rb')}

r = requests.request('POST','http://python123.io/ws',files=fs)

timeout：设定超时时间，秒为单位；

proxies：字典类型，设定访问代理服务器，可以增加登录认证

allow_redirects：True/False，默认为True，重定向开关；

stream：True/False，默认为True，获取内容立即下载开关；

verify：True/False，默认为True，认证SSL证书开关；

cert：本地SSL证书路径

#方法及参数
requests.get(url, params=None, **kwargs)
requests.head(url, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.patch(url, data=None, **kwargs)
requests.delete(url, **kwargs)

网络爬虫引发的问题

性能骚扰：

受限于编写水平和目的，网络爬虫将会为web服务器带来巨大的资源开销

法律风险：

服务器上的数据有产权归属，网路爬虫获取数据后牟利将带来法律风险。

隐私泄露：

网络爬虫可能具备突破简单访问控制的能力，获得被保护数据从而泄露个人隐私。

网络爬虫的限制

・来源审查：判断User-Agent进行限制

检查来访HTTP协议头的User-Agent域，值响应浏览器或友好爬虫的访问。

・ 发布公告：Roots协议

告知所有爬虫网站的爬取策咯，要求爬虫遵守。

Robots协议

Robots Exclusion Standard 网络爬虫排除标准

作用：网站告知网络爬虫哪些页面可以抓取，哪些不行。

形式：在网站根目录下的robots.txt文件。

案例：京东的Robots协议

http://www.jd.com/robots.txt

# 注释：*代表所有，/代表根目录
User-agent: * 
Disallow: /?* 
Disallow: /pop/*.html 
Disallow: /pinpai/*.html?* 
User-agent: EtaoSpider 
Disallow: / 
User-agent: HuihuiSpider 
Disallow: / 
User-agent: GwdangSpider 
Disallow: / 
User-agent: WochachaSpider 
Disallow: /

Robots协议的使用

网络爬虫：自动或人工识别robots.txt，再进行内容爬取。

约束性：Robots协议是建议但非约束性，网络爬虫可以不遵守，但存在法律风险。

Requests库网络爬虫实战

1、京东商品

import requests
url = "https://item.jd.com/5145492.html"
try:
 r = requests.get(url)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(r.text[:1000])
except:
 print("爬取失败")

2、亚马逊商品

# 直接爬取亚马逊商品是会被拒绝访问，所以需要添加'user-agent'字段
import requests
url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
 kv = {'user-agent':'Mozilla/5.0'} # 使用代理访问
 r = requests.get(url, headers = kv)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(t.text[1000:2000])
except:
 print("爬取失败")

3、百度/360搜索关键词提交

搜索引擎关键词提交接口

・ 百度的关键词接口：

http://www.baidu.com/s?wd=keyword

・ 360的关键词接口：

http://www.so.com/s?q=keyword

# 百度
import requests
keyword = "Python"
try:
 kv = {'wd':keyword}
 r = requests.get("http://www.baidu.com/s",params=kv)
 print(r.request.url)
 r.raise_for_status()
 print(len(r.text))
except:
 print("爬取失败")

# 360
import requests
keyword = "Python"
try:
 kv = {'q':keyword}
 r = requests.get("http://www.so.com/s",params=kv)
 print(r.request.url)
 r.raise_for_status()
 print(len(r.text))
except:
 print("爬取失败")

4、网络图片的爬取和存储

网络图片链接的格式：

http://www.example.com/picture.jpg

国家地理：

http://www.nationalgeographic.com.cn/

选择一张图片链接：

http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg

图片爬取全代码
import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
 if not os.path.exists(root):
  os.mkdir(root)
 if not os.path.exists(path):
  r = requests.get(url)
  with open(path,'wb') as f:
   f.write(r.content)
   f.close()
   print("文件保存成功")
 else:
  print("文件已存在")
except:
 print("爬取失败")

5、IP地址归属地的自动查询

www.ip138.com IP查询

http://ip138.com/ips138.asp?ip=ipaddress

http://m.ip138.com/ip.asp?ip=ipaddress

import requests
url = "http://m.ip138.com/ip.asp?ip="
ip = "220.204.80.112"
try:
 r = requests.get(url + ip)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(r.text[1900:])
except:
 print("爬取失败")

# 使用IDLE
>>> import requests
>>> url ="http://m.ip138.com/ip.asp?ip="
>>> ip = "220.204.80.112"
>>> r = requests.get(url + ip)
>>> r.status_code
>>> r.text