Python爬虫系列(一)环境搭建,以及简单使用,体验他的强大

python初体验


  • python环境搭建
  • 搭建过程中问题解决
  • 工具安装
  • 简单使用

强大的工具是开发的利器!

1、学习Python爬虫需要的python环境,Mac一般都自带了。

但是为了简单,上手更快,所有要装些其他的工具

 - Anaconda套装  ([https://www.anaconda.com/download/](https://www.anaconda.com/download/))
 - homebrew ([下载地址](https://brew.sh))
 - pip
 - pipenv
 - requests_html(用来做网络请求的库,必须要安装,否则不能进行网络请求)
安装从上到下依次安装,如果已有,那么不需要安装,本人学习python基于python3

2、安装完成以后打开Anaconda

关于该工具的使用很简单,直接创建python开发环境即可,然后安装jupyter notebook。
安装完成以后打开即可。

然后创建一个实例就可以开始了。
下边是以一个360加固列表来作为实例的。

# coding: utf-8
# In[214]:
from requests_html import HTMLSession
from pprint import pprint
import json
from collections import OrderedDict
myList =[]
# In[215]:
session = HTMLSession()//创建HTMLSession对象
//访问网络的cookies
cookies_str = '__guid=60014063.2438052102280616400.1523342224259.211; _ga=GA1.2.133850600.1523603655; Q=u%3Dpnv1srv%26n%3D%26le%3D%26m%3DZGHjWGWOWGWOWGWOWGWOWGWOAwD3%26qid%3D3023166831%26im%3D1_t011655040b3ed000bf%26src%3Dpcw_open_app%26t%3D1; __huid=10%2B5kzzQlm6w%2F6AmSQydG4%2BH%2FWoET01kZCf8M3Z5FuWwE%3D; smidV2=20180514152536a93405a2d410ab2b6b3a020047b1be6200f9d363bce4b4730; bad_idf7c10150-782e-11e8-8253-0bcf841e4051=c5a6f801-80da-11e8-811c-6d6b1a1ec201; bad_idd48594b0-5d6e-11e8-b4e6-c1315c7232d3=9aece0c1-8585-11e8-b3e6-73ea0cfe010b; __gid=133660893.668147781.1531292418891.1533303179302.3; quCapStyle=2; _gid=GA1.2.2125020263.1534845988; quCryptCode=D6TqMQxFsplN%252FMtzPlEGkjJzQFVX86cCNui6mkIaTGxjXmStx7sjnoL2M%252FHv8Irpw2D1olA1JW8%253D; T=s%3D03d963c9568f2f0fcb8868b4b799a7fc%26t%3D1534845991%26lm%3D%26lf%3D2%26sk%3D37ea9e560f49ebf5562568486a9e8e70%26mt%3D1534845991%26rc%3D%26v%3D2.0%26a%3D1; accessId=d48594b0-5d6e-11e8-b4e6-c1315c7232d3; nice_idd48594b0-5d6e-11e8-b4e6-c1315c7232d3=fd825761-a529-11e8-b7fd-370d61367b46; __DC_sid=80005644.1360717300268500500.1534925969526.4639; qimo_seosource_d48594b0-5d6e-11e8-b4e6-c1315c7232d3=%E7%AB%99%E5%86%85; qimo_seokeywords_d48594b0-5d6e-11e8-b4e6-c1315c7232d3=; _xsrf=2|0d31277b|'
//访问网站的User_agent
agent = 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Mobile Safari/537.36'
# In[ ]:
# In[216]:
//json转对象
class JSONObject:
     def __init__(self, d):
            self.__dict__ = d
# In[217]:
//获取某一页的app版本信息,添加到list中
def getList_appinfo(jsonObject):
    try:
        for index in range(len(jsonObject.data.list)):
            json_object = jsonObject.data.list[index]
            name = json_object.name
            apkMd5 = json_object.apkMd5
            pn = json_object.pn
            versionName = json_object.versionName
            iconUrl = json_object.iconUrl
            myList.append((name,apkMd5,pn,iconUrl,versionName))
        return myList
    except:
        return None
# In[226]:

//遍历100页的数据
for index in range(100):
    number = index * 5
    url = 'http://jiagu.360.cn/web/apk/list?offset=%d&limit=5&name=&fileName=' %number
    r = session.get(url,
                headers={'user-agent': agent,'Cookie':cookies_str})
    jsonArray = json.loads(r.html.html,object_pairs_hook=OrderedDict)
    pprint(json.loads(r.html.html))
    jsonObject = json.loads(r.html.html,object_hook=JSONObject)  
    getList_appinfo(jsonObject)
# In[227]:

//导入数据框工具
import pandas as pd
# In[228]:
df = pd.DataFrame(myList)
# In[229]:
df
# In[230]:
//修改列名
df.columns = ['title','md5','pm','version','url']
# In[231]:
df
# In[232]:
//导出为csv文件
df.to_csv('ceshi.csv',encoding='gbk' ,index=False)

3、以上是一个简单的实例,下边介绍

requests_html网络请求的源码以及使用的api

基本使用

获取网页

requests-html和其他解析HTML库最大的不同点在于HTML解析库一般都是专用的,所以我们需要用另一个HTTP库先把网页下载下来,然后传给那些HTML解析库。而requests-html自带了这个功能,所以在爬取网页等方面非常方便。

下面的代码获取了糗事百科上面的文字段子页面,返回的对象r是requests.Reponse类型,更确切的说是继承自前者的requests_html.HTMLResponse类型。这里其实和requests库的使用方法差不多,获取到的响应对象其实其实也没啥用,这里的关键就在于r.html这个属性,它会返回requests_html.HTML这个类型,它是整个requests_html库中最核心的一个类,负责对HTML进行解析。我们学习requests_html这个库,其实也就是学习这个HTML类的使用方法。

from requests_html import HTMLSession

session = HTMLSession()
r = session.get('https://www.qiushibaike.com/text/')
// 查看页面内容
print(r.html.html)

获取链接
linksabsolute_links两个属性分别返回HTML对象所包含的所有链接和绝对链接(均不包含锚点)。

获取链接

print(r.html.links)
print(r.html.absolute_links)
结果为下(因为结果太长,所以我随便取了一点,看个意思就行):

{'/article/104353012', '/article/120616112', '/users/32331196/'}
{'https://www.qiushibaike.com/imgrank/', 'https://www.qiushibaike.com/article/120669516', 'https://www.qiushibaike.com/article/120682041'}
获取元素

request-html支持CSS选择器和XPATH两种语法来选取HTML元素。首先先来看看CSS选择器语法,它需要使用HTML的find函数,该函数有5个参数,作用如下:

selector,要用的CSS选择器;
clean,布尔值,如果为真会忽略HTML中style和script标签造成的影响(原文是sanitize,大概这么理解);
containing,如果设置该属性,会返回包含该属性文本的标签;
first,布尔值,如果为真会返回第一个元素,否则会返回满足条件的元素列表;
_encoding,编码格式。
下面是几个简单例子:

首页菜单文本

print(r.html.find('div#menu', first=True).text)

首页菜单元素

print(r.html.find('div#menu a'))
#### 段子内容
print(list(map(lambda x: x.text, r.html.find('div.content span'))))
结果如下,因为段子太多,所以随便选了两个: 热门 24小时 热图 文字 穿越 糗图 新鲜
[<Element 'a' href='/' rel=('nofollow',)>, <Element 'a' href='/hot/'>, <Element 'a' href='/imgrank/'>, <Element 'a' id='highlight' href='/text/'>, <Element 'a' href='/history/'>, <Element 'a' href='/pic/'>, <Element 'a' href='/textnew/'>]
['有一次,几位大城市的朋友来家里玩,我招待他们吃风干羊肉做臊子的饸饹面,这是我们老家最具特色的美食!饭快熟的时候,老婆让我在园子里摘点“芫荽 ”,朋友问我,“芫荽”是什么东东?我给他们翻译解释说:我们本地土话叫“芫荽”,你们城里人讲普通话叫香菜,他们还大笑了一场。\n前天下雨没事儿干,翻看新华字典,突然发现“芫荽”才是香菜的学名,Tm香菜才是土话!而且我们地方方言就这两个字发音还特别标准!', '昨天晚上跟老婆吵架,他抓起我的手机就摔了。我立马摔了他的,结果我的还能用,他的坏了。高潮是人家立刻出门买了个新的!我艹,是不是中计了??', '小姨要去高铁站,我看着大大小小的箱子说:坐公交车要转车,转来转去要一个多小时,太不方便了,不如我开车送你吧。\n小姨迟疑了一下,同意了。\n我准时把小姨送到了高铁站,正好赶上检票。\n小姨高兴地说:自己开车就是方便,不过幸好你妈聪明,让我们提前两个多小时就出发了!'
然后是XPATH语法,这需要另一个函数xpath的支持,它有4个参数如下: selector,要用的XPATH选择器; clean,布尔值,如果为真会忽略HTML中style和script标签造成的影响(原文是sanitize,大概这么理解); first,布尔值,如果为真会返回第一个元素,否则会返回满足条件的元素列表; _encoding,编码格式。 还是上面的例子,不过这次使用XPATH语法:
print(r.html.xpath("//div[@id='menu']", first=True).text)
print(r.html.xpath("//div[@id='menu']/a"))
print(r.html.xpath("//div[@class='content']/span/text()"))
输出和上面那个几乎一样,之所以说是“几乎”,因为第三个输出会多出几个换行符,不知道什么原因。需要注意的一点是如果XPATH中包含text()或@href这样的子属性,那么结果相应的会变成简单的字符串类型,而不是HTML元素。
['\n\n\n我一份文件忘家里了,又懒得回家取,就给小姨子发短信息: 帮我把文件送来,晚上我谢谢你。等半天也没送来文件,我只好打个车回家自己拿,到家一进屋,我就发现气氛不对劲,老婆铁青着脸,两手掐着腰,小姨子站旁边对我怒目而视。']

元素内容
糗事百科首页LOGO的HTML代码如下所示:

<div class="logo" id="hd_logo">
<a href="/"><h1>糗事百科h1>a>
div>

我们来选取这个元素:

e = r.html.find("div#hd_logo", first=True)

要获取元素的文本内容,用text属性:

print(e.text)

糗事百科

要获取元素的attribute,用attr属性:

print(e.attrs)

要获取元素的HTML代码,用html属性:

print(e.html)
#### <div class="logo" id="hd_logo">
#### <a href="/"><h1>糗事百科h1>a>
#### div>

要搜索元素的文本内容,用search函数,比如说我们现在想知道是糗事什么科:

print(e.search("糗事{}科")[0])

最后还有前面提到的两个链接属性:

print(e.absolute_links)
print(e.links)
#### {'https://www.qiushibaike.com/'}
#### {'/'}

进阶用法
这一部分我懒得找例子了,所以用官网上的例子。

JavaScript支持

有些网站是使用JavaScript渲染的,这样的网站爬取到的结果只有一堆JS代码,这样的网站requests-html也可以处理,关键一步就是在HTML结果上调用一下render函数,它会在用户目录(默认是~/.pyppeteer/)中下载一个chromium,然后用它来执行JS代码。下载过程只在第一次执行,以后就可以直接使用chromium来执行了。唯一缺点就是chromium下载实在太太太太太太慢了,没有科学上网的同学可能无法使用该功能了。

>>> r = session.get('http://python-requests.org/')

>>> r.html.render()
[W:pyppeteer.chromium_downloader] start chromium download.
Download may take a few minutes.
[W:pyppeteer.chromium_downloader] chromium download done.
[W:pyppeteer.chromium_downloader] chromium extracted to: C:\Users\xxxx\.pyppeteer\local-chromium\571375
>>> r.html.search('Python 2 will retire in only {months} months!')['months']
'25'

render函数还有一些参数,顺便介绍一下(这些参数有的还有默认值,直接看源代码方法参数列表即可):

retries: 加载页面失败的次数
script: 页面上需要执行的JS脚本(可选)
wait: 加载页面钱的等待时间(秒),防止超时(可选)
scrolldown: 页面向下滚动的次数
sleep: 在页面初次渲染之后的等待时间
reload: 如果为假,那么页面不会从浏览器中加载,而是从内存中加载
keep_page: 如果为真,允许你用r.html.page访问页面
比如说简书的用户页面上用户的文章列表就是一个异步加载的例子,初始只显示最近几篇文章,如果想爬取所有文章,就需要使用scrolldown配合sleep参数模拟下滑页面,促使JS代码加载所有文章。

智能分页
有些网站会分页显示内容,例如reddit。

r = session.get(‘https://reddit.com‘)
for html in r.html:
… print(html)
https://www.reddit.com/‘>
https://www.reddit.com/?count=25&after=t3_81puu5‘>
https://www.reddit.com/?count=50&after=t3_81nevg‘>
https://www.reddit.com/?count=75&after=t3_81lqtp‘>
https://www.reddit.com/?count=100&after=t3_81k1c8‘>
https://www.reddit.com/?count=125&after=t3_81p438‘>
https://www.reddit.com/?count=150&after=t3_81nrcd‘>

这样的话,请求下一个网页就很容易了。

r = session.get(‘https://reddit.com‘)
r.html.next()
‘https://www.reddit.com/?count=25&after=t3_81pm82’
直接使用HTML
前面介绍的都是通过网络请求HTML内容,其实requests-html当然可以直接使用,只需要直接构造HTML对象即可:

from requests_html import HTML
doc = “”“https://httpbin.org‘>”“”

html = HTML(html=doc)
html.links
{‘https://httpbin.org‘}
直接渲染JS代码也可以:

和上面一段代码接起来

script = “””
() => {
return {
width: document.documentElement.clientWidth,
height: document.documentElement.clientHeight,
deviceScaleFactor: window.devicePixelRatio,
}
}
“””
val = html.render(script=script, reload=False)

print(val)
{‘width’: 800, ‘height’: 600, ‘deviceScaleFactor’: 1}

print(html.html)

自定义请求
前面都是简单的用GET方法获取请求,如果需要登录等比较复杂的过程,就不能用get方法了。HTMLSession类包含了丰富的方法,可以帮助我们完成需求。下面介绍一下这些方法。

自定义用户代理
有些网站会使用UA来识别客户端类型,有时候需要伪造UA来实现某些操作。如果查看文档的话会发现HTMLSession上的很多请求方法都有一个额外的参数**kwargs,这个参数用来向底层的请求传递额外参数。我们先向网站发送一个请求,看看返回的网站信息。

from pprint import pprint
r = session.get(‘http://httpbin.org/get‘)
pprint(json.loads(r.html.html))
返回的结果如下:

{‘args’: {},
‘headers’: {‘Accept’: ‘/‘,
‘Accept-Encoding’: ‘gzip, deflate’,
‘Connection’: ‘close’,
‘Host’: ‘httpbin.org’,
‘User-Agent’: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) ’
‘AppleWebKit/603.3.8 (KHTML, like Gecko) ’
‘Version/10.1.2 Safari/603.3.8’},
‘origin’: ‘110.18.237.233’,
‘url’: ‘http://httpbin.org/get‘}
可以看到UA是requests-html自带的UA,下面换一个UA:

ua = ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0’
r = session.get(‘http://httpbin.org/get‘, headers={‘user-agent’: ua})
pprint(json.loads(r.html.html))
可以看到UA确实发生了变化:

{‘args’: {},
‘headers’: {‘Accept’: ‘/‘,
‘Accept-Encoding’: ‘gzip, deflate’,
‘Connection’: ‘close’,
‘Host’: ‘httpbin.org’,
‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:62.0) ’
‘Gecko/20100101 Firefox/62.0’},
‘origin’: ‘110.18.237.233’,
‘url’: ‘http://httpbin.org/get‘}
当然这里仅仅是换了一个UA,如果你有需要可以在header中修改其他参数。

模拟表单登录
HTMLSession带了一整套的HTTP方法,包括get、post、delete等,对应HTTP中各个方法。比如下面我们就来模拟一下表单登录:

表单登录

r = session.post('http://httpbin.org/post', data={'username': 'yitian', 'passwd': 123456})
pprint(json.loads(r.html.html))

结果如下,可以看到forms中确实收到了提交的表单值:

{'args': {},
 'data': '',
 'files': {},
 'form': {'passwd': '123456', 'username': 'yitian'},
 'headers': {'Accept': '*/*',
             'Accept-Encoding': 'gzip, deflate',
             'Connection': 'close',
             'Content-Length': '29',
             'Content-Type': 'application/x-www-form-urlencoded',
             'Host': 'httpbin.org',
             'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) '
                           'AppleWebKit/603.3.8 (KHTML, like Gecko) '
                           'Version/10.1.2 Safari/603.3.8'},
 'json': None,
 'origin': '110.18.237.233',
 'url': 'http://httpbin.org/post'}

如果有上传文件的需要,做法也是类似的。如果了解过requests库的同学可能对这里的做法比较熟悉,没有错,这其实就是requests的用法。requests-html通过暴露**kwargs的方法,让我们可以对请求进行定制,将额外参数直接传递给底层的requests方法。所以如果有什么疑问的话,直接去看requests文档就好了。

爬虫例子
文章写完了感觉有点空洞,所以补充了几个小例子。不得不说requests-html用起来还是挺爽的,一些小爬虫例子用scrapy感觉有点大材小用,用requests和BeautifulSoup又感觉有点啰嗦,requests-html的出现正好弥补了这个空白。大家学习一下这个库,好处还是很多的。

爬取简书用户文章
简书用户页面的文章列表就是一个典型的异步加载例子,用requests-html的话可以轻松搞定,如下所示,仅仅5行代码。

r = session.get('https://www.jianshu.com/u/7753478e1554')
r.html.render(scrolldown=50, sleep=.2)
titles = r.html.find('a.title')
for i, title in enumerate(titles):
    print(f'{i+1} [{title.text}](https://www.jianshu.com{title.attrs["href"]})')

当然这个例子还有所不足,就是通用性稍差,因为文章列表没有分页机制,需要一直往下拉页面,考虑到不同的用户文章数不同,需要先获取用户总文章数,然后在计算一下应该下滑页面多少次,这样才能取得较好的效果。这里仅仅简单获取一些我自己的文章,就不往复杂写了。

爬取天涯论坛
以前经常在天涯论坛上追一些帖子,现在正好写一个爬虫,把连载的好帖子一次性爬下来弄成一个文件。

爬取天涯论坛帖子

url = 'http://bbs.tianya.cn/post-culture-488321-1.shtml'
r = session.get(url)

楼主名字

author = r.html.find('div.atl-info span a', first=True).text

总页数

div = r.html.find('div.atl-pages', first=True)
links = div.find('a')
total_page = 1 if links == [] else int(links[-2].text)

标题

title = r.html.find('span.s_title span', first=True).text

with io.open(f'{title}.txt', 'x', encoding='utf-8') as f:
    for i in range(1, total_page + 1):
        s = url.rfind('-')
        r = session.get(url[:s + 1] + str(i) + '.shtml')
        # 从剩下的里面找楼主的帖子
        items = r.html.find(f'div.atl-item[_host={author}]')
        for item in items:
            content: str = item.find('div.bbs-content', first=True).text
            # 去掉回复
            if not content.startswith('@'):
                f.write(content + "\n")

到此,他的基本用发都已经有了。上边部分代码是从其他博客拿过来用的,感觉写的不错,作者勿怪。

你可能感兴趣的:(Python)