• Python 爬虫


    一、爬虫是什么?

    从技术层面来说就是 通过程序模拟浏览器请求站点的行为,把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地,进而提取自己需要的数据,存放起来使用;

    二、爬虫的基本流程:

    用户获取网络数据的方式:

    方式1:浏览器提交请求--->下载网页代码--->解析成页面

    方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

    爬虫要做的就是方式2;

     

    1、发起请求

    使用http库向目标站点发起请求,即发送一个Request

    Request包含:请求头、请求体等 

    Request模块缺陷:不能执行JS 和CSS 代码

    2、获取响应内容

    如果服务器能正常响应,则会得到一个Response

    Response包含:html,json,图片,视频等

    3、解析内容

    解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等

    解析json数据:json模块

    解析二进制数据:以wb的方式写入文件

    4、保存数据

    数据库(MySQL,Mongdb、Redis)

    文件

    三、http协议 请求与响应

     Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket server)

    Response:服务器接收请求,分析用户发来的请求信息,然后返回数据(返回的数据中可能包含其他链接,如:图片,js,css等)

    ps:浏览器在接收Response后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中的有用数据。

    四、 request

    1、请求方式:

    常见的请求方式:GET / POST

    2、请求的URL

    url全球统一资源定位符,用来定义互联网上一个唯一的资源 例如:一张图片、一个文件、一段视频都可以用url唯一确定

    url编码

    https://www.baidu.com/s?wd=图片

    图片会被编码(看示例代码)

    网页的加载过程是:

    加载一个网页,通常都是先加载document文档,

    在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求

    3、请求头

    User-agent:请求头中如果没有user-agent客户端配置,服务端可能将你当做一个非法用户host;

    cookies:cookie用来保存登录信息

    注意: 一般做爬虫都会加上请求头

     

    请求头需要注意的参数:

    (1)Referrer:访问源至哪里来(一些大型网站,会通过Referrer 做防盗链策略;所有爬虫也要注意模拟)

    (2)User-Agent:访问的浏览器(要加上否则会被当成爬虫程序)

    (3)cookie:请求头注意携带

    4、请求体

    请求体
        如果是get方式,请求体没有内容 (get请求的请求体放在 url后面参数中,直接能看到)
        如果是post方式,请求体是format data
    
        ps:
        1、登录窗口,文件上传等,信息都会被附加到请求体内
        2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post

    五、 响应Response

    1、响应状态码

      200:代表成功

      301:代表跳转

      404:文件不存在

      403:无权限访问

      502:服务器错误

    2、respone header


    响应头需要注意的参数:

    (1)Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来

    (2)Content-Location:服务端响应头中包含Location返回浏览器之后,浏览器就会重新访问另一个页面

    3、preview就是网页源代码

    JSO数据

    如网页html,图片

    二进制数据等 

    六、总结

    1、总结爬虫流程:

     爬取--->解析--->存储

    2、爬虫所需工具:

     请求库:requests,selenium(可以驱动浏览器解析渲染CSS和JS,但有性能劣势(有用没用的网页都会加载);)
     解析库:正则,beautifulsoup,pyquery
     存储库:文件,MySQL,Mongodb,Redis

    import requests

    from bs4 import BeautifulSoup

    url = 'http://www.itest.info/courses'# 定义被抓取页面的url

    # 获取被抓取页面的html代码,并使用html.parser来实例化BeautifulSoup,属于固定套路

    soup = BeautifulSoup(requests.get(url).text, 'html.parser')

    # 遍历页面上所有的h4

    for course in soup.find_all('h4'):

    # 打印出h4的text属性

       print(course.text)

    如果网站反扒,可以使用以下方法

    url='https://cn.investing.com/currencies/wti-usd'
    ua={"user-agent":"Mozilla/5.0"}
    r=requests.get(url,headers=ua)
    soup=BeautifulSoup(r.text,'html.parser')
    for i in soup.find_all('div', class_='top bold inlineblock'):
    print(i.get_text())
  • 相关阅读:
    Java编程语言学习01-Java语言概述
    Java复习面试指南-06为什么要进行数据类型转换?什么情况下会进行自动类型转换?
    Java复习面试指南-05简单说一下Java当中的char字符类型?
    Java复习面试指南-04Java语言支持的8种基本数据类型是什么?占用的空间是多少?
    Java复习面试指南03-说一下Java当中标识符与关键字的区别?
    Linq LeftJoin 取不同和想同的对像
    vue父组件异步传递prop到子组件echarts画图问题踩坑总结
    linux下使用openssl生成https的crt和key证书
    css hover延时 解决快速划入划出
    记录时间操作
  • 原文地址:https://www.cnblogs.com/cyq0528/p/11149930.html
Copyright © 2020-2023  润新知