Python 爬虫从入门到入坑全系列教程(详细教程 + 各种实战)

  • 爬虫准备工作
  • 爬虫简介
  • urllib

详细可点击 --> python爬虫教程中转站 欢迎大家的订阅!!!

爬虫准备工作

  • 参考资料
    • python网络数据采集 ’ 图灵工业出版
    • 精通python爬虫框架Scrapy ’ 人民邮电出版社
    • python3网络爬虫
    • Scrapy官方教程
  • 前提知识
    • url
    • http协议
    • web前端 ’ html, css, js
    • ajax
    • re, xpath
    • xml

爬虫简介

  • 爬虫定义:网络爬虫(又被称为网页蜘蛛、网络机器人,在FOAF社区中间,更经常的称为网页追逐者),
    是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本
    另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫

  • 两大特征

    • 能按作者要求下载数据或者内容
    • 能自动在网络上流窜
  • 三大步骤

    • 下载网页
    • 提取正确的信息
    • 根据一定规则自动跳到另外的网页上执行上两步内容
  • 爬虫分类

    • 通用爬虫
    • 专用爬虫(聚焦爬虫)
  • Python网络包简介

    • python2.x:urllib,urllib2,urllib3,httplib,httplib2,requests
    • python3.x:urllib,urllib3,httplib2,requests
    • python2:urllib和urllib2配合使用,或者requests
    • python3:urllib,requests

urllib

  • 包含模块
    • urllib.request: 打开和读取urls
    • urllib.error: 包含urllib.request产生的常见的错误,使用try捕捉
    • urllib.parse: 包含解析url的方法
    • urllib.robotparse: 解析robots.txt文件
    • 案例v01
    '''
    案例v01
    使用urllib.request请求一个网页内容,并把内容打印出来
    '''
    from urllib import request
    
    if __name__ == '__main__':
        url = "https://www.zhaopin.com/taiyuan/"
        # 打开相应url并把相应页面作为返回
        rsp = request.urlopen(url)
    
        # 把返回的结果读取出来
        # 读取出来内容类型为bytes
        html = rsp.read()
        print(type(html))
    
        # 如果想把bytes内容转换成字符串,需要解码
        print(html.decode())
    
  • 网页编码问题解决
    • chardet 可以自动检测页面文件的编码格式,但是,可能有误
    • 需要安装,conda install chardet
    • 案例v02
    '''
    案例v02
    利用request下载页面
    自动检测页面编码
    
    '''
    import urllib
    import chardet
    
    if __name__ == '__main__':
        url = "http://stock.eastmoney.com/news/1407,20170807763593890.html"
    
        rsp = urllib.request.urlopen(url)
    
        html = rsp.read()
    
        # 利用chardet自动检测
        cs = chardet.detect(html)
        print(type(cs))
        print(cs)
    
        # 使用get取值保证不会出错
        html = html.decode(cs.get("encoding", "utf-8"))
        print(html)
    
  • urlopen的返回对象
    • 案例v03
    # 案例v03
    import urllib
    import chardet
    
    if __name__ == '__main__':
        url = "http://stock.eastmoney.com/news/1407,20170807763593890.html"
    
        rsp = urllib.request.urlopen(url)
    
        print(type(rsp))
        print(rsp)
    
        print("URL: {0}".format(rsp.geturl()))
        print("Info: {0}".format(rsp.info()))
        print("Code: {0}".format(rsp.getcode()))
    
        html = rsp.read()
    
        # 使用get取值保证不会出错
        html = html.decode()
    
    • geturl: 返回请求对象的url
    • info:请求反馈对象的meta信息
    • getcode:返回http code
  • request.data 的使用
    • 访问网络的两种方法
      • get:
        • 利用参数给服务器传递信息
        • 参数为dict,然后用parse编码
        • 案例v04
         # 案例v04
         from urllib import request, parse
        
         '''
         掌握对url进行参数编码的方法
         需要使用parse模块 
         '''
         
         if __name__ == '__main__':
             url = "http://www.baidu.com/s?"
             wd = input("Input your keyword: ")
         
             # 要想使用data,需要使用字典结构
             qs = {
                   
                 "wd": wd
             }
         
             # 转换url编码
             qs = parse.urlencode(qs)
             print(qs)
         
             fullurl =url + qs
             print(fullurl)
         
             # 如果直接用可读的带参数的url,是不能访问的
             # fullurl = "http://www.baidu.com/s?wd=大熊猫"
         
             rsp = request.urlopen(fullurl)
         
             html = rsp.read()
         
             # 使用get取值保证不会出错
             html = html.decode()
         
             print(html)
        
      • post
        • 一般向服务器传递参数使用
        • post是把信息自动加密处理
        • 如果想使用post信息,需要用data参数
        • 使用post,意味着http的请求有可能需要更改:
          • Content-Type:application/x-www.form-urlencode
          • Content-Length: 数据长度
          • 简而言之,一旦更改请求方法,请注意其他请求头部信息相适应
        • urllib.parse.urlencode可以将字符串自动转换成上面的格式
        • 案例v05
         '''
         案例v05
         利用parse模块模拟post请求
         分析百度词典
         分析步骤:
         1. 打开F12
         2. 尝试输入单词girl,发现每次敲一个字母后都有请求
         3. 请求地址是 https://fanyi.baidu.com/sug
         4. 利用 Network-All-Headers 查看,发现FormData的值是 kw:girl
         5. 检查返回内容格式,发现返回的是json格式内容==>需要用到json包
         '''
         
         from urllib import request, parse
         # 负责处理json格式的模块
         import json
         
         '''
         大致流程是:
         1. 利用data构造内容,然后urlopen打开
         2. 返回一个json格式的结果
         3. 结果就应该是girl的释义
         '''
         
         baseurl = 'https://fanyi.baidu.com/sug'
         
         # 存放用来模拟form的数据一定是dict格式
         data = {
                   
             # girl是翻译输入的英文内容,应该是由用户输入,此时使用硬编码
             'kw': 'girl'
         }
         
         # 需要使用parse模块对data进行编码
         data = parse.urlencode(data).encode('utf-8')
         print(type(data))
         
         # 我们需要构造一个请求头,请求头部应该至少包含传入的数据的长度
         # request要求传入的请求头是一个dict格式
         
         headers = {
                   
             # 因为使用post请求,至少应该包含content-length 字段
             'Content-Length':len(data)
         }
         
         # 有了headers,data,url,就可以尝试发出请求了
         
         rsp = request.urlopen(baseurl, data=data)
         
         json_data = rsp.read().decode('utf-8')
         print(type(json_data))
         print(json_data)
         
         # 把json字符串转化成字典
         json_data = json.loads(json_data)
         print(type(json_data))
         print(json_data)
         
         for item in json_data['data']:
             print(item['v'], "--", item['v'])
        
         
          
          {"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;"},{"k":"girls","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;  girl\u7684\u590d\u6570;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u60c5\u4eba; (\u5973\u5b50\u7684)\u5973\u4f34\uff0c\u5973\u53cb;"},{"k":"girl friend","v":" \u672a\u5a5a\u59bb; \u5973\u6027\u670b\u53cb;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}
          
          {'errno': 0, 'data': [{'k': 'girl', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;'}, {'k': 'girls', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;'}, {'k': 'girlfriend', 'v': 'n. 女朋友; 女情人; (女子的)女伴,女友;'}, {'k': 'girl friend', 'v': ' 未婚妻; 女性朋友;'}, {'k': "Girls' Generation", 'v': ' 少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合);'}]}
          n. 女孩; 姑娘; 女儿; 年轻女子; 女郎; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;
          n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;
          n. 女朋友; 女情人; (女子的)女伴,女友; -- n. 女朋友; 女情人; (女子的)女伴,女友;
           未婚妻; 女性朋友; --  未婚妻; 女性朋友;
           少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合); --  少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合);
        
        • 为了更多的设置请求信息,单纯的通过urlopen函数不太好用
        • 需要利用request.Request 类
        • 案例v06
         '''
         案例v06
         任务要求和内容跟v05一样
         本案例只是利用Request来实现v05的内容
         
         利用parse模块模拟post请求
         分析百度词典
         分析步骤:
         1. 打开F12
         2. 尝试输入单词girl,发现每次敲一个字母后都有请求
         3. 请求地址是 https://fanyi.baidu.com/sug
         4. 利用 Network-All-Headers 查看,发现FormData的值是 kw:girl
         5. 检查返回内容格式,发现返回的是json格式内容==>需要用到json包
         '''
         
         from urllib import request, parse
         # 负责处理json格式的模块
         import json
         
         '''
         大致流程是:
         1. 利用data构造内容,然后urlopen打开
         2. 返回一个json格式的结果
         3. 结果就应该是girl的释义
         '''
         
         baseurl = 'https://fanyi.baidu.com/sug'
         
         # 存放用来模拟form的数据一定是dict格式
         data = {
                   
             # girl是翻译输入的英文内容,应该是由用户输入,此时使用硬编码
             'kw': 'girl'
         }
         
         # 需要使用parse模块对data进行编码
         data = parse.urlencode(data).encode('utf-8')
         
         # 我们需要构造一个请求头,请求头部应该至少包含传入的数据的长度
         # request要求传入的请求头是一个dict格式
         
         headers = {
                   
             # 因为使用post请求,至少应该包含content-length 字段
             'Content-Length':len(data)
         }
         
         # 构造一个Request的实例
         
         req = request.Request(url=baseurl, data=data, headers=headers)
         
         # 因为已经构造了一个Request的请求实例,则所有的请求信息都可以封装在Request实例中
         rsp = request.urlopen(req)
         
         json_data = rsp.read().decode('utf-8')
         print(type(json_data))
         print(json_data)
         
         # 把json字符串转化成字典
         json_data = json.loads(json_data)
         print(type(json_data))
         print(json_data)
         
         for item in json_data['data']:
             print(item['v'], "--", item['v'])
        
         
          {"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;"},{"k":"girls","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;  girl\u7684\u590d\u6570;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u60c5\u4eba; (\u5973\u5b50\u7684)\u5973\u4f34\uff0c\u5973\u53cb;"},{"k":"girl friend","v":" \u672a\u5a5a\u59bb; \u5973\u6027\u670b\u53cb;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}
          
          {'errno': 0, 'data': [{'k': 'girl', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;'}, {'k': 'girls', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;'}, {'k': 'girlfriend', 'v': 'n. 女朋友; 女情人; (女子的)女伴,女友;'}, {'k': 'girl friend', 'v': ' 未婚妻; 女性朋友;'}, {'k': "Girls' Generation", 'v': ' 少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合);'}]}
          n. 女孩; 姑娘; 女儿; 年轻女子; 女郎; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;
          n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;
          n. 女朋友; 女情人; (女子的)女伴,女友; -- n. 女朋友; 女情人; (女子的)女伴,女友;
           未婚妻; 女性朋友; --  未婚妻; 女性朋友;
           少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合); --  少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合);
        


Python爬虫之 urllib、UA、代理、Cookie、Session详解

你可能感兴趣的:(手把手教你学爬虫,爬虫,urllib,request,python)