慕课心得---python网络爬虫及技术

1.环境搭建：pycharm 也安装了anocode便于后期数据分析

2.搭建web网站;自己编的客户端来访问。

   Flask安装-----自己写一个页面

   通过urllib requests来访问该页面----之后可以看到爬取的内容

3.web网站的get方法：客户端发送------>服务器获取

      客户端：编码---发送         urllib.request.urlopen(url)来访问服务器返回的数据

       flsk.requeddst.args.get("字段名")  服务器获取到客户端的

    web网站的post方法：【可发送大量数据 相比get】

 flsk.request.form.get("字段名")  服务器获取到客户端的

4.web下载文件：客户端通过URLopen（）打开网址，其read方法读取下来，open（）打开要保存的地址，write（）保存到指定路径。

5.web上传文件：

服务器端    获取上传名称flask.request.values.get()；获取上传的二进制数据flask.request.get_data().

客户端  打开要上传的文件并读取其内容，设置文件头信息 用headers字典，通过URLopen传到服务器端

6.web学生信息管理程序来练习：

客户端：创建student对象，增删改查的sql语句在服务器端-----这里只写入口方法

服务器：数据库放在服务器端。openDB来打开数据库，之后通过游标对数据看进行增删改查操作，根据客户端的操作值来匹配 决定调用哪个方法。通过json对象将内容传到客户端

7.正则表达式：

import re；//引入包

reg=r"\d"r表示正则表达式的原始数据

re.search(reg,st)会在st中找出符合reg的内容

[]匹配里面任意一个，^在里面表示“否定”

\b表示单词的结尾

\s匹配任何空白符

8.html文档结构和文档树：BeautifulSoup是一个函数库，BeautifulSoup（content，"lxml"）这就是一个BeautifulSoup对象，打点调用prettify就是吧content的BeautifulSoup对象整理好  打印出来-----就是文档结构类型。

9.BeautifulSoup的函数来查找元素：将网页代码转载成BeautifulSoup对象，BeautifulSoup对象有find/find_all方法  其中find_all方法功能强大，因为find方法只返回符合条件的第一个，而厚重返回的是列表

找元素find（name【=None时表示匹配所有的】,attrs={里面是键值对}）

找元素的属性值find（元素[属性名]）

获取文本值元素.text

高级搜索：可以设置自己查找的函数

获取元素父节点：tag.parent

获取元素的直接子节点：tag.children

获取元素的子孙节点：tag.desentent

获取节点的兄弟节点：tag.next_sibling /   tag.previous_sibling

使用css语法查找：类似jq选择器

二、深入

1.网页爬取的遍历方法（多个网页）

                树：   递归、深度优先---栈   、广度优先---队列

                图：深度优先----spi()方法----如果链接范文过，就加到urls里   每次判断当前url，不在urls中就继续访问  找到里面还有url 就spi()方法继续----最后直至访问玩跳出

                       广度优先-----队列的每个点组成一个数组，数组的的每个点（对每个点一个一个访问与其相邻的点）访问过就出站，数组为空时 就已经访问完了。

 2.python实现多线程:效率高，可靠性高

当一个数据爬取时间过长时，其他数据的爬取不受影响

t=Thread();t.start()就启动了一个线程

t.setDaemon(FALSE)设置这个线程是后台的线程，即当主程序结束运行时线程还可以继续运行

3.复杂爬取：多网站.....保存到数据库.....

   URLopen（）.read().decode()------创建bs4对象；soup.select(tagName)来获取标签的内容；request.urlretrive(url,保存的图片名称) 将url的图像保存下来；-----当这里有许多图片需要下载时，不能一个一个下载，得同步来提高效率：

                                                                              解决：设置图片的下载时间 URLopen（url，多少秒），在这段时间内没有下载                                                                              下放弃下载；设置下载 程为与主线程不同的子线程（更可取）

4.request.urljoin(a,b)将url作出绝对地址

open（url）打开要保存的地址

write（data）将数据写入对应地址

有许多图片要下载时，每个图像的url不调用doenload（）直接下载，而是将其创建一个线程：t=Threading.Thread(target=download,args=(download方法的参数));t.start(),threads.append(t)这句为了等待所有线程都完毕  threads中每一个t:t.join()

三、scrapy框架：访问过的他不会再访问

1.框架的安装：是python中的一个框架，需要很多库的支持

2.创建项目：class MySpider(scrapy.Spider){name="自定义"；

def start_requests(self){

   yield//返回genrator对象，直到完了所有再执行下一步  ---创建Requests类 scrapy.Request(url=url;callback=self.parse)//访问url网页，回调另一个方法}

def parse(self,response){response.body.decode()//变成了字符串来查看}

3.xpath()方法查找：

from scrapy import Selector//Selector对象可以调用xpath（）.extract()可以提取出来

s=Selector(text=htmlText)

      //全文档搜索

4.scrpy爬取与存储

管道：将数据爬取和数据存储分开做，是异步的

四.Selenium（是一个浏览器，功能强大）----有些动态的、JavaScript的，如果直接在代码中是没有的---所以引入了Selenium

1.使用：

driver.get("url");

result=driver.find_element_by_xpath("").text//找不到元素时会抛出异常，最好写在try--catch中

driver.close()

2.模拟键盘输入：元素.send_keys()

模拟鼠标点击：找到点击的元素，元素.click()

3.爬取有ajax控制的：通过获取来拿，而不是直接在网页上找。调用方法后在进行值的获取

五.Django是Python的Web开放框架