python爬虫入门到进阶(1)——爬取京东手机图片并保存

文章目录

  • 爬虫概念
  • 爬虫基本流程
  • http协议 请求与响应
    • http协议
    • request
    • response
  • 基础模块
    • requests
    • re 正则表达式
    • XPath
    • BeautifulSoup
    • Json
    • threading
  • 方法实例
    • get方法实例
    • post方法实例
    • 添加代理
    • debug_log实例
    • URLError实战
  • 爬虫框架
    • Srcapy框架
    • Scrapy主要组件
    • Scrapy的运作流程
    • 制作Scrapy爬虫4步曲
  • 常用工具
    • fidder
    • XPath Helper
  • 分布式爬虫
    • scrapy-redis
    • 分布式策略
  • 京东手机图片爬取并保存本地实战

随着大数据时代的来临,网络爬虫在互联网中的地位将越来越重要。互联网中的数据是海量的,如何自动高效地获取互联网中我们感兴趣的信息并为我们所用是一个重要的问题,而爬虫技术就是为了解决这些问题而生的。我们感兴趣的信息分为不同的类型:如果只是做搜索引擎,那么感兴趣的信息就是互联网中尽可能多的高质量网页;如果要获取某- 垂直领域的数据或者有明确的检索需求,那么感兴趣的信息就是根据我们的检索和需求所定位的这些信息,此时, 需要过滤掉一些无用信息。 前者我们称为通用网络爬虫,后者我们称为聚焦网络爬虫。

爬虫概念

爬虫(spider,又网络爬虫),是指向网站/网络发起请求,获取资源后分析并提取有用数据的程序。

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。

爬虫基本流程

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。

在这里插入图片描述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)、xpath(主要使用)、beautifulsoup、css
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)或 文件的形式。

http协议 请求与响应

http协议

python爬虫入门到进阶(1)——爬取京东手机图片并保存_第1张图片
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。

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

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)response header
响应头需要注意的参数:Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来
(3)preview就是网页源代码
json数据
如网页html,图片
二进制数据等

基础模块

requests

requests是python实现的简单易用的HTTP库,是由urllib的升级而来。
开源地址:
https://github.com/kennethreitz/requests
中文API:
http://docs.python-requests.org/zh_CN/latest/index.html

re 正则表达式

在 Python 中使用内置的 re 模块来使用正则表达式。
缺点:处理数据不稳定、工作量大

XPath

Xpath(XML Path Language) 是一门在 XML 文档中查找信息的语言,可用来在 XML 文档中对元素和属性进行遍历。
在python中主要使用 lxml 库来进行xpath获取(在框架中不使用lxml,框架内直接使用xpath即可)
lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,我们可以利用之前学习的XPath语法,来快速的定位特定元素以及节点信息。

BeautifulSoup

和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。
使用BeautifulSoup需要导入bs4库
缺点:相对正则和xpath处理速度慢
优点:使用简单

Json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景,比如网站前台与后台之间的数据交互。
在python中主要使用 json 模块来处理 json数据。Json解析网站:
https://www.sojson.com/simple_json.html

threading

使用threading模块创建线程,直接从threading.Thread继承,然后重写__init__方法和run方法
03

方法实例

get方法实例

get_demo.py

import urllib.request
keywd="hello"
url="https://www.baidu.com/baidu?tn=monline_3_dg&ie=utf-8&wd="+keywd
req=urllib.request.Request(url)
data=urllib.request.urlopen(req).read()
fhandle=open("D:/python爬虫/myweb/4/4.html","wb")
fhandle.write(data)
fhandle.close()

post方法实例

post_demo.py

import urllib.request
import urllib.parse
url="https://www.iqianyue.com/mypost/"
postdata=urllib.parse.urlencode({
    "name":"[email protected]",
    "pass":"aA123456"
}).encode('utf-8')
req=urllib.request.Request(url,postdata)
req.add_header('User-Agent','Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:68.0) Gecko/20100101 Firefox/68.0')
data=urllib.request.urlopen(req).read()
fhandle=open(r"D:\python_crawler\myweb\4\6.html","wb")
fhandle.write(data)
fhandle.close()

添加代理

proxies_demo.py

def use_proxy(proxy_addr,url):
    import urllib.request
    proxy=urllib.request.ProxyHandler({'http':proxy_addr})
    opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
    urllib.request.install_opener(opener)
    data=urllib.request.urlopen(url).read().decode('utf-8')
    return data
proxy_addr="202.75.210.45:7777"
data=use_proxy(proxy_addr,"https://www.baidu.com/")
print(len(data))

debug_log实例

debuglog_demo.py

import urllib.request
httphd=urllib.request.HTTPHandler(debuglevel=1)
httpshd=urllib.request.HTTPHandler(debuglevel=1)
opener=urllib.request.build_opener(httphd,httpshd)
urllib.request.install_opener(opener)
data=urllib.request.urlopen("http://www.51cto.com/")
print(data)

URLError实战

urlerror_demo.py

import urllib.request
import urllib.error
try:
    urllib.request.urlopen("https://www.csdn.net/")
except urllib.error.URLError as e:
    print(e.code)
    print(e.reason)

爬虫框架

Srcapy框架

Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛。
Scrapy 使用了 Twisted异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。
python爬虫入门到进阶(1)——爬取京东手机图片并保存_第2张图片

Scrapy主要组件

Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求,并按照一定的方式进行整理排列,入队,当引擎需要时,交还给引擎。
Downloader(下载器):负责下载Scrapy Engine(引擎)发送的所有Requests请求,并将其获取到的Responses交还给Scrapy Engine(引擎),由引擎交给Spider来处理,
Spider(爬虫):它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给引擎,再次进入Scheduler(调度器),
Item Pipeline(管道):它负责处理Spider中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.
Downloader Middlewares(下载中间件):你可以当作是一个可以自定义扩展下载功能的组件。
Spider Middlewares(Spider中间件):你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses;和从Spider出去的Requests)

Scrapy的运作流程

引擎:Hi!Spider, 你要处理哪一个网站?
Spider:老大要我处理xxxx.com。
引擎:你把第一个需要处理的URL给我吧。
Spider:给你,第一个URL是xxxxxxx.com。
引擎:Hi!调度器,我这有request请求你帮我排序入队一下。
调度器:好的,正在处理你等一下。
引擎:Hi!调度器,把你处理好的request请求给我。
调度器:给你,这是我处理好的request
引擎:Hi!下载器,你按照老大的下载中间件的设置帮我下载一下这个request请求
下载器:好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后引擎告诉调度器,这个request下载失败了,你记录一下,我们待会儿再下载)
引擎:Hi!Spider,这是下载好的东西,并且已经按照老大的下载中间件处理过了,你自己处理一下(注意!这儿responses默认是交给def parse()这个函数处理的)
Spider:(处理完毕数据之后对于需要跟进的URL),Hi!引擎,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。
引擎:Hi !管道 我这儿有个item你帮我处理一下!调度器!这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。
管道``调度器:好的,现在就做!

制作Scrapy爬虫4步曲

1 新建爬虫项目 scrapy startproject mySpider
2 明确目标 (编写items.py) 打开mySpider目录下的items.py
3 制作爬虫 (spiders/xxspider.py) scrapy genspider gushi365 "gushi365.com"
4 存储内容 (pipelines.py) 设计管道存储爬取内容

常用工具

fidder

fidder是一款抓包工具,主要用于手机抓包。

XPath Helper

xpath helper插件是一款免费的chrome爬虫网页解析工具。可以帮助用户解决在获取xpath路径时无法正常定位等问题。
谷歌浏览器插件xpath helper 的安装和使用:
https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

分布式爬虫

scrapy-redis

Scrapy-redis是为了更方便地实现Scrapy分布式爬取,而提供了一些以redis为基础的组件(pip install scrapy-redis)
github网站:https://github.com/rolando/scrapy-redis
学习redis可以看我的前两篇博文
Python操作Redis详解
redis安装及其图形化界面安装以及与Python的交互

分布式策略

Master端(核心服务器) :搭建一个Redis数据库,不负责爬取,只负责url指纹判重、Request的分配,以及数据的存储
Slaver端(爬虫程序执行端) :负责执行爬虫程序,运行过程中提交新的Request给Master

好啦,刚刚我们已经经历了爬虫从入门到进阶
下面开始实战吧

京东手机图片爬取并保存本地实战

进入京东官网搜索手机,用如下代码爬取手机图片并保存到本地文件夹

import re
import urllib.request
def craw(url, page):
    html1 = urllib.request.urlopen(url).read()
    html1 = str(html1)
    pat1 = '
' # 分析源代码构建的正则表达式(过滤源代码) result1 = re.compile(pat1, re.S).findall(html1) result1=result1[0] pat2 = '' # 分析源代码构建的正则表达式(用于提取图片) imagelist = re.compile(pat2, re.S).findall(result1) x = 1 for imageurl in imagelist: imagename = "D:/python_crawler/myweb/4/image1/" + str(page) + "_" + str(x) + ".jpg" imageurl = "http://" + imageurl try: urllib.request.urlretrieve(imageurl, filename = imagename) except urllib.error.URLError as e: if hasattr(e, "code"): x += 1 if hasattr(e, "reason"): x += 1 x += 1 for i in range(1, 101): url = "https://list.jd.com/list.html?cat=9987,653,655&page=" + str(i) craw(url, i)

好啦,爬到了

怎么样,开不开心

你可能感兴趣的:(python爬虫实战)