python爬虫简单示例

准备工作：安装python3环境、beautifulsoup4库（https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id7）

1、urllib和BeautifuSoup

获取浏览器信息

from urllib import request
req = request.urlopen("http://www.baidu.com")
print(req.read().decode("utf-8"))

模拟真实浏览器：携带user-Agent头

(目的是不让服务器认为是爬虫，若不带此浏览器信息，则可能会报错)

req = request.Request(url) #此处url为某个网址
req.add_header(key,value)  #key即user-Agent，value即浏览器的版本信息
resp = request.urlopen(req)
print(resp.read().decode("utf-8"))

使用POST

• 导入urllib库下面的parse

from urllib import parse

• 使用urlencode生成post数据

postData = parse.urlencode([
    (key1,val1),
    (key2,val2),
    (keyn,valn)
])

• 使用post

request.urlopen(req,data=postData.encode("utf-8")) #使用postData发送post请求
resp.status  #得到请求状态
resp.reason #得到服务器的类型

完整代码示例（以爬取维基百科首页链接为例）

#-*- coding:utf-8 -*-
from bs4 import BeautifulSoup as bs
from urllib.request import urlopen 
import re
import ssl

#获取维基百科词条信息
ssl._create_default_https_context = ssl._create_unverified_context #全局取消证书验证

#请求URL，并把结果用utf-8编码
req = urlopen("https://en.wikipedia.org/wiki/Main page").read().decode("utf-8")
#使用beautifulsoup去解析
soup = bs(req,"html.parser")

# print(soup)
#获取所有href属性以“/wiki/Special”开头的a标签
urllist = soup.findAll("a",href=re.compile("^/wiki/Special"))
for url in urllist:
	#去除以.jpg或.JPG结尾的链接
	if not re.search("\.(jpg|JPG)$",url["href"]):
		#get_test()输出标签下的所有内容，包括子标签的内容；
		#string只输出一个内容，若该标签有子标签则输出“none
		print(url.get_text()+"----->"+url["href"])
		# print(url)

2、存储数据到MySQL

安装pymysql

• 通过pip安装：
  $ pip install pymysql
• 或者通过安装文件：
  $ python setup.py install

使用

#引入开发包
import pymysql.cursors
#获取数据库链接
connection = pymysql.connect(host="localhost",
	user = 'root',
	password = '123456',
	db ='wikiurl',
	charset = 'utf8mb4')
try:
	#获取会话指针
	with connection.cursor() as cursor
	#创建sql语句
	sql = "insert into `tableName`(`urlname`,`urlhref`) values(%s,%s)"
	#执行SQL语句
	cursor.execute(sql,(url.get_text(),"https://en.wikipedia.org"+url["href"]))
	#提交
	connection.commit()
finally:
	#关闭
	connection.close()

3、爬虫注意事项

Robots协议（机器人协议，也称爬虫协议）全称是“网络爬虫排除协议”，网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不可以抓取。一般在主页面下，如https://en.wikipedia.org/robots.txt

Disallow：不允许访问
allow：允许访问

参考：慕课网课程https://www.imooc.com/learn/712

2018年9月27日