本文转载自数据EDTA,相亲可以扫描下方二维码:
很久以前写了一篇爬虫的文章,把它放在CSDN上(livan1234)没想到点击量竟然暴涨,足以看到大家在数据获取方面的需求,爬虫技术现在已经非常普遍,其用途也非常广泛,很多牛人在各个领域做过相关的尝试,比如:
1)爬取汽车之家数据,利用论坛发言的抓取以及NLP,对各种车型的车主做画像。
2)抓取各大电商的评论及销量数据,对各种商品(颗粒度可到款式)沿时间序列的销量以及用户的消费场景进行分析。
3)还可以根据用户评价做情感分析,实时监控产品在消费者心目中的形象,对新发布的产品及时监控,以便调整策略。
4)抓取房产买卖及租售信息,对热热闹闹的房价问题进行分析。
5)抓取大众点评、美团网等餐饮及消费类网站:各种店面的开业情况以及用户消费和评价,了解周边变化的口味,所谓是“舌尖上的爬虫”。以及各种变化的口味,比如:啤酒在衰退,重庆小面在崛起。
6)58同城等分类信息网站:抓取招商加盟的数据,对定价进行分析,帮助网友解惑。
7)拉勾网、中华英才网等招聘网站:抓取各类职位信息,分析最热门的职位以及薪水。
8)挂号网等医疗信息网站:抓取医生信息并于宏观情况进行交叉对比。
9)应用宝等App市场:对各个App的发展情况进行跟踪及预测。(顺便吹一下牛,我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑)
10)携程、去哪儿及12306等交通出行类网站:对航班及高铁等信息进行抓取,能从一个侧面反映经济是否正在走入下行通道。
11)雪球等财经类网站:抓取雪球KOL或者高回报用户的行为,找出推荐股票
12)58同城二手车、易车等汽车类网站:什么品牌或者型号的二手车残值高?更保值?反之,什么类型的贬值较快?- 二手车,找出最佳的买车时间以及最保值的汽车。
13)神州租车、一嗨租车等租车类网站:抓取它们列举出来的租车信息,长期跟踪租车价格及数量等信息。
14)各类信托网站:通过抓取信托的数据,了解信托项目的类型及规模。其实还有很多数据,不一一列举了。
上次的文章是在讨论移动端的数据获取:https://blog.csdn.net/livan1234/article/details/80850978
本文对爬虫做一个全面的总结,不一定包治百病,但是能治好大部分疾病,希望能够对大家有所帮助:
1、 urllib 库:这是一个在爬虫领域绕不开的库,他支持 http 的爬取,几乎可以取到方方面面的内容。
以下面的豆瓣案例做一个简要的解释:
豆瓣小案例:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import re data = urllib.request.urlopen("https://read.douban.com/provider/all").read() |
data = data.decode("utf-8") pattern = ' mydata = re.compile(pattern).findall(data) fh = open("出版社.txt", "w") for i in range(0,len(mydata)): fh.write(mydata[i]+"\n") fh.close() |
常用函数:
import urllib.request #一、常用函数: #1、将第一个参数中的网址,直接下载到filename 路径下,爬下来的数据为一个网页。 data = urllib.request.urlretrieve("http://www.hellobi.com", |
filename="F:\python_workspace\spider_douban") #2\清除缓存,清除urlretrieve 等下载时保存的数据 urllib.request.urlcleanup() #3\爬取页面数据file = urllib.request.urlopen("http://www.hellobi.com") #4\返回当环境的信息file.info() #5\获取当前网页的状态码和网址。 print(file.getcode()) print(file.geturl()) print(file.getcode()) print(file.geturl()) |
2、超时设置:
由于网络速度或者对方服务器的问题,我们爬取一个网页的时候,都需要设置时间,我们访问一个网页,如果该网页长时间未响应,那么我们的系统就会判断该网页超时了,即无法打开该网页。
有时候,我们需要根据自己的需求,来设置超时的时间值,比如:有些网站会反应快,我们希望2秒种没有反应则判断为超时,那么此时,timeout=2即为设置方式,即在 urlopen 中加入 timeout 参数。再比如,有些网站服务器反应慢,那么我们希望100秒没有反应,才判断超时,此时的timeout即设置为100,接下来为大家讲解爬虫超时的设置。
file = urllib.request.urlopen("http://www.hellobi.com",timeout=10)
for i in range(0,100):
try:
file=urllib.request.urlopen("http://yum.iqianyue.com", timeout=1)
data=file.read()
print(len(data))
except Exception as e:
print("出现异常:"+str(e))
3、自动模拟 Http 请求:
客户端如果要与服务器端进行通信,需要通过http进行请求,http请求有很多种,我们在此会讲post与get两种请求方式,比如登录、搜索某些信息的时候会用到。
1)处理 get 请求:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request keywd = "python" #对网址中出现的中文进行相应的编码,得到进行编码之后的中文,后面可以直接使用。keywd=urllib.request.quote(keywd) url = "http://www.baidu.com/s?wd"+keywd+"&ie=urf-8&tn=96542061_hao_pg" |
#将url 封装为一个请求req = urllib.request.Request(url) data = urllib.request.urlopen(req).read() fh = open("test.txt","wb") fh.write(data) |
2)理 post 请求:
姓名:
密码:
点击提交”>
在新浪 login.sina.com.cn 中即可看到,form 为 post 方式。我们只需要 form 表单中的 name 属性即可。
如下图:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.requestimport urllib.parse"http://www.iqianyue.com/mypost/" #设置对应的表单信息,urlencode 中针对代码中的name 值。 mydata = urllib.parse.urlencode({ |
"name":"[email protected]" "pass":"123456" }).encode("utf-8") #将数据转换为请求req = urllib.request.Request(url, mydata) #发送请求data = urllib.request.urlopen(req).read() fh = open("test_post.txt","wb") fh.write(data) |
4、爬虫的异常处理:
爬虫在运行的过程中,很多时候都会遇到这样或那样的异常。如果没有异常处理,爬虫遇到异常时就会直接崩溃停止运行,下次再次运行时,又会重头开始,所以,要开发一个具有顽强生命力的爬虫,必须要进行异常处理。
异常处理主要是为了增强代码的稳定性。
两者都是异常处理的类,HTTPError是URLError的子类,HTTPError有异常状态码与异常原因,URLError没有异常状态码,所以,在处理的时候,不能使用URLError直接替代HTTPError。如果要替代,必须要判断是否有状态码属性。
接下来我们通过实战讲解:
urlError:
1、连不上服务器2、远程的url 不存在
3、本地没有网络
4、触发了对应的 httpError 子类
具体的实战为:
#!/usr/bin/env python # _*_ UTF-8_*_
import urllib.error import urllib.request
try:
urllib.request.urlopen("http://blog.csdssn.net")
print("111")
except urllib.error.URLErroras e:
if hasattr(e, "code"):
print(e.code)
if hasattr(e, "reason"):
print(e.reason)
5、爬虫的伪装技术:
浏览器伪装技术原理:
我们可以试试爬取csdn博客,我们发现会返回403,因为对方服务器会对爬虫进行屏蔽。此时我们需要伪装成浏览器才能爬取。
浏览器伪装我们一般通过报头进行,接下来我们通过实战分析一下。
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.error import urllib.request url="http://blog.csdn.net/weiwei_pig/article/details/52123738" header = ("User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36") #用来添加报头信息opener = urllib.request.build_opener() opener.addheaders=[header] data = opener.open(url).read() |
fh = open("test_header","wb") fh.write(data) |
6、新闻网站爬取:
需求:将新浪新闻首页(http://news.sina.com.cn/)所有新闻都爬到本地。
思路:先爬首页,通过正则获取所有新闻链接,然后依次爬各新闻,并存储到本地。
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import re data = urllib.request.urlopen("http://news.sina.com.cn/").read() data2 = data.decode("utf-8", "ignore")'href="(http://news.sina.com.cn/.*?)">'allurl = re.compile(pat).findall(data2) for i in range(0, len(allurl)): try: print("第"+str(i)+"次爬取")str(i)+".html" urllib.request.urlretrieve(thisurl, file) print("------成功-------") |
except urllib.request.URLError as e: if hasattr(e, "code"): print(e.code)if hasattr(e, "reason"): print(e.reason) |
7、爬虫防屏蔽手段之代理服务器:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import re url = "http://blog.csdn.net/" headers = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36") #建一个浏览器opener |
opener = urllib.request.build_opener() #将头加入到opener 中opener.addheaders=[headers] #将opener 安装为全局urllib.request.install_opener(opener) data = urllib.request.urlopen(url).read().decode("utf-8", "ignore") |
href="(.*?)"'
result =re.compile(pat).findall(data)
for i in range(0, len(result)):
file = str(i)+".html" urllib.request.urlretrieve(result[i], filename=file) print("第"+str(i)+"次爬取成功")
#由此可以将 CSDN 首页所有的文章爬取下来。
如何做代理:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request def use_proxy(url, proxy_addr):"http": proxy_addr}) opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)"utf-8", "ignore") return data proxy_addr = [] "110.73.43.18:8123" url = "http://www.baidu.com"data = use_proxy(url, proxy_addr) |
print(len(data)) |
8、图片爬虫实战: 在浏览器爬取时,有时不同的浏览器会有不同的查询结果,解析出不同的源码。
首先在“审查元素”中确定元素的重点字段是哪些,然后再在“源码”中查找对应的图片位置,确定图片 url 的规则。
#!/usr/bin/env python # _*_ UTF-8 _*_
import urllib.request import re keyname = "短裙"key = urllib.request.quote(keyname) headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0") |
urllib.request.install_opener(opener) for i in range(0, 10): url = "https://s.taobao.com/search?q="+key+"&imgfile=&commend=all&ssid=s5- e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao- item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=4&ntoffset=4&p4 ppushleft=1%2C48&s="+str(i*44) data = urllib.request.urlopen(url).read().decode("utf-8", "ignore") pat = 'pic_url":"//(.*?)"'imagelist = re.compile(pat).findall(data)for j in range(0, len(imagelist)): thisimg = imagelist[j] thisimgurl = "http://"+thisimg"F:/python_workspace/test/pic/"+str(i)+str(j)+".jpg" urllib.request.urlretrieve(thisimgurl, filename=file) |
在源码解决不了的情况下,需要进行抓包。作业:千图网的爬取(可以通过调试找到报错原因):
#!/usr/bin/env python |
# _*_ UTF-8 _*_ import urllib.request import re for i in range(1,10):"http://www.58pic.com/piccate/3-153-652-"+str(i)+".html" data = urllib.request.urlopen(pageurl).read().decode("utf-8", "ignore")' imglist = re.compile(pat).findall(data)for j in range(0,len(imglist)): |
try:"_1024.jpg"file = "F:/python_workspace/test/pic2/"+str(i)+str(j)+".jpg" urllib.request.urlretrieve(thisimgurl, filename=file) print("第"+str(i)+"页第"+str(j)+"个图片爬取成功") except urllib.error. URLError as e: if hasattr(e, "code"): print(e.code)if hasattr(e, "reason"): print(e.reason) |
except Exception as e: print(e) |
9、抓包分析实战(一)
获取淘宝的评论信息、腾讯的娱乐新闻信息等需要抓包分析。如何抓取 https 的数据包以及腾讯视频的评论。
TextView:显示返回的信息;
设置完 fiddler 之后,点击要爬取的页面,回到 fiddler 中,确定有 js 内容的链接:
对应的网址为:
https://rate.tmall.com/list_detail_rate.htm?itemId=42679128869&spuId=315119437&sellerId=2166475645&order=3¤tPage=1&append=0&content=1&tagId=&posi=&picture=&ua=098%23E1hv%2FpvEvbQvUvCkvvvvvjiPP2Lw0jEbPL59AjnEPmPZQj1Pn2L9QjEvR2MwljE8vphvC9vhvvCvpvyCvhQvryGvCzox9WFIRfU6pwet9E7rejZIYExr1EuK46en3OkQrEttpR2y%2BnezrmphQRAn3feAOHPIAXcBKFyK2ixrlj7xD7QHYWsUtE97Kphv8vvvvvCvpvvvvvmCc6Cv2UIvvUnvphvpgvvv96CvpCCvvvmCXZCvhhmEvpvV2vvC9jx2uphvmvvv98GEKUM72QhvCvvvMMGtvpvhvvvvv8wCvvpvvUmm3QhvCvvhvvv%3D&isg=AoKCecM7b7NouHNtRCUm6rar0osk--IFkGgfUsyboPWxHyKZtOPWfQjduSCd&needFold=0&_ksTS=1508769919830_1070&callback=jsonp1071
然后确定其中的 itemId 等字段的内容,其中的部分内容未必有用处,可以直接删除,比如 上面 url的 ua 字段。
如果要抓取 https 的数据:
Fiddler 默认只能抓取 HTTP 协议的网页,不能抓取 HTTPS 协议的网页,而我们很多时候,都需要抓 HTTPS 协议的网页,比如抓淘宝数据等。今天,韦玮老师会为大家讲解如何使用 Fiddler 抓取 HTTPS 协议的网页。
打开 Fiddler,点击“Tools--FiddlerOptions--HTTPS”,把下方的全部勾上,如下图所示:
然后,点击 Action,选择将CA 证书导入到桌面,即第二项,导出后,点击上图的 ok 保存配置。
然后在桌面上就有了导出的证书,如下所示:
随后,我们可以在浏览器中导入该证书。我们打开火狐浏览器,打开“选项--高级--证书- -导入”,选择桌面上的证书,导入即可。随后,Fiddler 就可以抓 HTTPS 协议的网页 了。如下图所示。
抓取腾讯视频的评论:
其中有多个字段,commentid 等,在点击“加载更多”时,commentID 会发生变化,在第一个url 的源码中会找到下一个评论 url 的地址,找到 last 字段,即为下一个 url 的commentid, 以此来构造下一个 url。
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import reimport urllib.error headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0") |
opener = urllib.request.build_opener() opener.addheaders = [headers] urllib.request.install_opener(opener) comid = "6323280825454961655" url = "http://coral.qq.com/article/2102904258/comment?commentid="+comid+"&req num=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=15087 70934145"for i in range(0, 100): data = urllib.request.urlopen(url).read().decode() patnext = '"last":"(.*?)"' nextid = re.compile(patnext).findall(data)[0] patcom = '"content":"(.*?)",' comdata = re.compile(patcom).findall(data) for j in range(0, len(comdata)): print("------第"+str(i)+str(j)+"条评论内容是:") print(eval('u"'+comdata[j]+'"')) url = "http://coral.qq.com/article/2102904258/comment?commentid="+nextid+"&re qnum=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=1508 770934145" |
10、微信爬虫实战:
如何解决微信的限制?
微信爬虫的爬取依然是使用浏览器,即在搜狗浏览器上使用微信网页版,然后编辑这个页面的 url,以获取内容。
11、多线程爬取实战 糗事百科的代码:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import reimport urllib.error headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0") |
urllib.request.install_opener(opener) for i in range(1, 2):"https://www.qiushibaike.com/8hr/page/"+str(i) pagedata=urllib.request.urlopen(url).read().decode("utf-8","ignore") pat=' print("第"+str(i)+"页第"+str(j)+"个段子的内容是:") print(datalist[j]) |
将此程序改为多进程为:
#!/usr/bin/env python # _*_ UTF-8 _*_ import urllib.request import reimport urllib.error import threading |
headers = ("User_Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0") urllib.request.install_opener(opener) class One(threading.Thread): def __init__(self): threading.Thread.__init__(self) def run(self): for i in range(1, 36, 2): |
url = "https://www.qiushibaike.com/8hr/page/"+str(i) pagedata=urllib.request.urlopen(url).read().decode("utf- 8","ignore") pat=' datalist = re.compile(pat, re.S).findall(pagedata)for j in range(0, len(datalist)): print("第"+str(i)+"页第"+str(j)+"个段子的内容是:"). print(datalist[j]) class Two(threading.Thread): def __init__(self): |
threading.Thread.__init__(self) def run(self):for i in range(0, 36, 2): url = "https://www.qiushibaike.com/8hr/page/"+str(i) pagedata=urllib.request.urlopen(url).read().decode("utf- 8","ignore") pat=' datalist = re.compile(pat, re.S).findall(pagedata)for j in range(0, len(datalist)): one = One() one.start() two = Two() two.start() |
◆ ◆ ◆ ◆ ◆
长按二维码关注我们
数据森麟公众号的交流群已经建立,许多小伙伴已经加入其中,感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容,还没有加入的小伙伴可以扫描下方管理员二维码,进群前一定要关注公众号奥,关注后让管理员帮忙拉进群,期待大家的加入。
管理员二维码: