爬虫之初识

什么是爬虫?

通过编写代码，模拟浏览器发送请求，让其去网络上抓去数据的过程。

爬虫分类？

通用爬虫

• 抓取整张网页的全部内容

聚焦爬虫

• 抓取一张页面的部分内容

通用爬虫和聚焦爬虫的关联：

• 聚焦是建立在通用爬虫的基础上

增量式爬虫

• 监测网站数据的更新情况，以便将最新的数据进行爬取。

reqeusts简介

reqeusts作用：实现爬虫，模拟浏览器上网。

• 编码流程：
  • 指定url地址(指定要爬取的网站地址)
  • 发起请求
  • 获取响应的数据
  • 持久化储存
• 环境安装： pip install requests

UA检测

• 什么是UA检测？
  • UA是请求载体的身份标识
• UA查找路径：打开浏览器，搜索一个网页→Ctrl+Shift+c→Network→选择网址对饮的name→Headers→User-Agent（把后面的值复制）
• 常用浏览器请求头UA

1) Chrome
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1

win10 64
Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36

2) Firefox
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0
 
3) Safari
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50

4) Opera
Win7:
Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50
 
5) IE
Win7+ie9：
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)
 
Win7+ie8：
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)
 
WinXP+ie8：
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)
 
WinXP+ie7：
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)
 
WinXP+ie6：
Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)
 
6) 傲游
傲游3.1.7在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12
 
傲游3.1.7在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
 
7) 搜狗
搜狗3.0在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)
 
搜狗3.0在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.3 (KHTML, like Gecko) Chrome/6.0.472.33 Safari/534.3 SE 2.X MetaSr 1.0
 
8) 360
360浏览器3.0在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
 
9) QQ浏览器
QQ浏览器6.9(11079)在Win7+ie9,极速模式:
Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201
 
QQ浏览器6.9(11079)在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E) QQBrowser/6.9.11079.201
 
10) 阿云浏览器
阿云浏览器1.3.0.1724 Beta(编译日期2011-12-05)在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)

案例：搜狗首页的源码数据爬取

"""
搜狗首页的源码数据爬取
	需要UA伪装
"""
import requests

inp = input('搜索：')
params = {
    # url携带的请求参数
    'query': inp,
}
# UA伪装，请求头信息
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 指定url（网址）
url = f'https://www.sogou.com/web'

# get发起请求，携带请求参数，返回的是一个响应对象
	# url 网址，params 参数动态化，headers UA伪装
response = requests.get(url=url, params=params, headers=headers)
response.encoding = 'utf-8'		# 手动修改编码格式指定utf8，处理乱码问题
# 获取响应数据   .test
page_text = response.text
fileName = inp + '.html'
# 持久化存储
with open(fileName, 'w', encoding='utf-8') as f:
    f.write(page_text)
	print('ok')

动态加载

案例：爬取豆瓣电影中爱情类型中的详情数据

• 动态加载的数据：通过另一个请求单独请求到的数据
• 如何检测爬取的数据是否为动态加载的数据？
  • 基于抓包工具进行局部搜索
    • 抓包工具获取到的所有数据包，然后找到浏览器地址栏url对应的数据包，response这个选项卡中进行局部搜索（搜到或者搜不到）
      • 搜不到：数据为动态加载
        • 全局搜索Ctrl+F，搜索想要的数据
      • 能搜到：数据不是动态加载
        • 直接对浏览器地址栏的url发起请求获取数据即可

代码实现单页爬取

import requests

# UA伪装，请求头信息
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 请求携带的参数
params = {
    'type': '15',
    'interval_id': '100:90',
    'action': '',
    'start': '0',
    'limit': '20',
}
# 请求的网址
url = "https://movie.douban.com/j/chart/top_list?"

# 发起请求  url网址	headers请求头	params请求携带的参数
res = requests.get(url=url,params=params,headers=headers)
data_list = res.json() # 返回的是序列化的列表
for i in data_list:
    title = i["title"]
    types = i["types"]
    print(title,types)

案例：KFC餐厅的位置信息进行爬取

• 网址：http://www.kfc.com.cn/kfccda/storelist/index.aspx

代码实现全站爬取

• data参数相当于params，实现参数动态化

import requests

url = "http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword"
city = input("city name ： ")
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
# 全站信息爬取
for i in range(1,111):
    # 获取餐厅地址所需要的动态参数，键值对，值为str
    data = {
        'cname': '',
        'pid': '',
        'keyword': city,	# 数据的搜索地址
        'pageIndex': str(i),	# 数据的页码数
        'pageSize': '10',	# 每一页的数据量
    }
    
# headers请求头   data参数动态化
    pos_list = requests.post(url=url,headers=headers,data=data).json()["Table1"]	# 返回一个响应对象  .json()返回了一个序列化好的字典对象  ['Table1']获取Key所对应的value值
    
    for i in pos_list:
        s = i["addressDetail"]
        print(s)

requests中，get和post的区别就是参数一个是params，一个是data。

案例：所有企业的详情数据

• 网址：http://125.35.6.84:81/xk/
• 分析
  • 每一家企业所对应的详情数据是动态加载的
  • 通过抓包工具进行了全局搜索，定位到了动态加载数据对赢得数据包
    • 提取url：每家企业对应的url都一样
    • 请求方式：都一样
    • 请求参数：都为ID，但是参数值不同
      • ID为每家企业的唯一标识
      • 捕获到每家企业的唯一标识id，可以完成需求
• 对企业ID的捕获
  • 在首页中进行分析，使用抓包工具进行了企业名称的全局搜索，定位到的数据包的数据中就包含了企业名称和对应的id值

代码实现全站爬取

import requests

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}

url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList"

# 将企业ID存放到列表中
list_1 = []
# 爬取全栈（目前只爬取9页，爬多了之后会被限制）
for a in range(1,10):
    data = {
        'on': 'true',
        'page': str(a),
        'pageSize': '15',
        'productName': '',
        'conditionType': '1',
        'applyname': '',
        'applysn': '',
    }
    ret_dic = requests.post(url=url,data=data,headers=headers).json()['list'] 	# .json()返回一个字典类型的对象   ['list']取字典中list对应的值
    # 捕获企业ID
    for i in ret_dic:
        _id = i['ID']
        list_1.append(_id)

detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById"

for i in list_1:
    data = {
        'id': i
    }
    com_data = requests.post(url=detail_url,headers=headers,data=data).json()
    legalPerson = com_data["legalPerson"]
    epsName = com_data["epsName"]
    print(legalPerson,epsName)
    # 测试了一遍，只爬取了50页，就限制了

总结

• requests的基本使用
  • 编码流程
    • 指定url
    • 发起请求
    • 获取响应数据
    • 持久化存储
  • 搜狗首页数据爬取 ==> 流程
  • 参数动态化
  • UA伪装
  • 修改响应数据的编码格式
    • get/post返回值 .encoding=“编码格式”
  • get/post：
    • url
    • headers
    • params/data
  • 动态加载的数据
    • 通过非地址栏url所对应的地址请求到的数据
    • 如何检测数据为动态加载
      • 基于抓包工具进行局部搜索
  • 全站数据的爬取
    • 简单来说就是一个for循环，控制页码数