python爬虫基础详细教程
文章目录
-
-
-
- 什么是url
- 第一个爬虫
- Web请求过程剖析
- HTTP协议
- Requests
-
- 案例一（get方式）
- 案例二（post方式）
-
- get与post的区别
- 案例三
- 数据解析概述
-
- re解析
-
- findall
- finditer
- search
- match
- complie
- 迭代
- （？P<分组名字>正则）
- 豆瓣电影网练手
- 将数据保存在csv文件中
- bs4解析
-
- 图片链接爬取
- xpath解析
-
- 猪八戒网实战
-
-
本篇内容全部基于B站视频link.内容所做的笔记，UP主讲的十分详细，大家可以去看一看。
爬虫不一定要用python，也可以用java和C，但是python是所有编程中最好上手的
robots.txt协议：君子协议，规定了网络中哪些数据可以被爬取数据，哪些不可以
爬虫：通过编写程序来获取网络上的资源
什么是url
URL是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎处理它。
URL由两个主要的部分构成：协议（Protocol）和目的地（Destination）。
“协议”是告诉我们自己面对的是何种类型的Internet资源。
web中最常见的协议是http，它表示从Web中取回的是HTML文档。其他协议还有gopher，ftp和telnet等。
目的地可以是某个文件名、目录名或者某台计算机的名称。
第一个爬虫
#页面源代码
from urllib.request import urlopen
url = "https://blog.csdn.net/Jurbo/article/details/52313636"
resp = urlopen(url)
print(resp.read().decode("UTF-8"))//输出的字节解码后的
由于各大网站反爬虫的防护做的还是相当可以的，所以这样的基础代码只能算是一个小尝试，并不能拿来应用。
Web请求过程剖析
-
服务器渲染
在服务器那边直接把数据和html整合在一起，统一返回给浏览器，在页面源代码中能看到数据
-
客户端渲染
第一次请求只要一个html骨架，第二次请求拿到数据，进行数据展示，在页面源代码中看不到数据
HTTP协议
协议：两个电脑传输数据时进行的君子约定
HTTP全称Hyper Text Transfer Protocol（超文本传输协议），浏览器和服务器之间数据交互遵守的是HTTP协议
HTTP不论是请求还是响应都是三块内容
#请求
请求行 ——> 请求方式（get/post） 请求url地址 协议
请求头 ——> 放一些服务器需要的附加信息
请求体 ——> 一段放一些请求参数#真正要的东西
#响应
状态行 ——> 协议 状态码
响应头 ——> 放一些客户端要使用的一些附加信息
响应体 ——> 服务器返回的真正客户端要用的内容（HTML,json等）
请求头中常见的一些内容（爬虫需要）：
- User-Agent：请求载体的身份标识（用什么发送的请求）
- Referer：防盗链（此次请求是从哪个页面来的）
- cookie：本地字符串数据信息（用户登录信息，反爬的token）
Requests
Request模块需要额外安装
案例一（get方式）
import requests
url = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'
resp = requests.get(url)
print(resp)
print(resp.text)
从运行结果可以看出，网页给出了响应，但是明显制止了程序的爬虫操作。为了能够逃过网页的监视，我们要为自己设置一个浏览器身份。
网页鼠标右键点击检查，并进入网络，刷新一下便出现了如下页面。
往下翻看，可以看到一个User-Agent，这是网页所显示的访问的浏览器身份，我们将它复制。
代码更改如下：
import requests
url = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'
dic = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
resp = requests.get(url,headers = dic)
print(resp)
print(resp.text)
此刻便如愿爬取了网页的源代码
案例二（post方式）
我们用post方式来发送请求，想要获取什么就在右边寻找对应的文件，此时我想要获取蓝色圈住的这些数据，于是我找到了sug文件，并查看它的url。
我们将url赋值给代码的数据，并设置字典来保存我们想要查询的数据
import requests
url = "https://fanyi.baidu.com/sug"
s = input("输入")
dic = {
"kw": s
}
resp = requests.post(url, data=dic)
print(resp.json())
post请求一个数据，网页返回了这个单词的意思，就像pycharm的一个字典一样
发送post的请求必须放在字典中，并用data传递数据
get与post的区别
通过以上两个案例我们可以看到get请求方式仅仅是获取浏览器的数据，称为“显式访问”，而post在访问的时候会发送一个数据，比如上述案例的百度翻译原本我们想要查到的是dog的翻译，post方式发送了mun单词，最后我们获取到了mun的汉语意思，这称为“隐式访问”
案例三
XHR：第二次请求数据
import requests
url = "https://movie.douban.com/j/chart/top_list"
#封装参数
param = {
"type": "24",
"interval_id": "100:90",
"action":"",
"start": "0",
"limit": "20"
}
reps = requests.get(url=url, params=param)
print("默认User-Agent")
print(reps.request.headers)#输出默认访问身份
我们寻找浏览器可以进入的User-Agent，并输入
import requests
url = "https://movie.douban.com/j/chart/top_list"
#封装参数
param = {
"type": "24",
"interval_id": "100:90",
"action":"",
"start": "0",
"limit": "20"
}
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
reps = requests.get(url=url, params=param,headers=headers)
print(reps.text)
reps.close()
如愿爬取到了信息，但是此时我们看起来不是很方便，转为json换成我们更熟悉的文件。
爬取完信息一定要记得关掉访问，不然会被反爬盯上
数据解析概述
re解析
re解析即正则解析，在线正则表达式测试：在线正则表达式测试 (oschina.net)
正则语法：使用元字符进行排列组合来匹配字符串
元字符：具有固定含义的特殊符号
常用元字符
. 匹配换行符以外的任意字符
\w 匹配字母或数字或下划线
\s 匹配任意的空白符
\d 匹配数字
\n 匹配一个换行符
\t 匹配一个制表符
^ 匹配一个字符串的开始
$ 匹配字符串的结尾
\W 匹配非字母或数字或下划线
\D 匹配非数字
\S 匹配非空白符
a|b 匹配字符a或字符b
() 匹配括号内的表达式，也表示一个组
[...] 匹配字符组中的字符
[^...] 匹配除了字符组中的所有字符
量词：控制前面的元字符出现的次数
* 重复零次或更多次
+ 重复一次或更多次
？ 重复零次或一次
{n} 重复n次
{n,} 重复n次或更多次
{n,m} 重复n次到m次
贪婪匹配和惰性匹配
.* 贪婪匹配（匹配最长的一条）
.*? 惰性匹配（匹配最短的一条）
findall
import re
# findall:匹配字符串中所有符合正则的内容
lst = re.findall(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(lst)
finditer
和findall差不多，只不过返回的是迭代器
import re
# findall:匹配字符串中所有符合正则的内容
lst = re.findall(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(lst)
# finditer:匹配字符串中所有的内容[返回的是迭代器]
it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(it)
将代码替换
it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
for i in it:
print(i)
想要调用迭代器中的内容，就要使用group，再对代码进行更改
it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
for i in it:
print(i.group())
结果为迭代器中的内容，运行无误。
search
# search:找到一个结果就返回，返回的是一个match对象，拿数据需要.group()
s = re.search(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(s.group())
search与find的不同之处在于search只要知道有匹配的字符存在就返回，只寻找一个字符串
match
# match：默认从头开始匹配，如果字符串的第一个字符不是可匹配字符，则无返回值
s = re.match(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(s.group())
complie
预加载正则表达式
当正则表达式过长时，我们可以使用预加载正则表达式，将要寻找的正则表达式格式储存住，调用时可以用不同的字符串，相当于用一种匹配格式匹配多次字符串，不用我们每次都去编写匹配格式，而且将匹配格式和待匹配语句分开写代码看起来更加整洁。
import re
obj = re.compile(r"\d+")
ret = obj.finditer("我的电话号码是10086，我女朋友的电话号码是:10010")
print(ret)
for i in ret:
print(i.group())
ret = obj.findall("我的电话号码是10086，我女朋友的电话号码是:10010")
print(ret)
预加载正则表达式的好处是我们可以在多个地方多次使用。
迭代
在这里我们要区分几个概念
-
可迭代对象
列表、元组、字符串、字典等都是可迭代对象，可以使用for循环遍历出所有元素的都可以称为可迭代对象（Iterable）。
-
迭代器
迭代器是一个可以记住遍历的位置的对象。 迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。
-
迭代器和可迭代对象的联系
-
可迭代对象是包含迭代器的(迭代器一定是可迭代对象，反之却不一定)
-
如果一个对象定义了__iter()__方法，那它就是可迭代对象。
-
如果一个对象定义了__iter()__方法和__next()方法，那它就是迭代器。(因为迭代器是可迭代对象，所以一定有__iter())
-
（？P<分组名字>正则）
可以单独从正则匹配内容中单独匹配内容
import re
s = '''
宋轶
郭麒麟
'''
# re.S让.可以匹配换行符
obj = re.compile(r".*?", re.S)
ret = obj.finditer(s)
for i in ret:
print(i.group())
此时我们可以在结果中看到惰性匹配为我们把语句全部匹配了出来，但是如果我们只需要’赘婿‘’女主‘这样的信息的话，还需要再添加一个标签，将所需信息保存在标签中并将标签打印输出。
我们将代码更改如下
import re
s = '''
宋轶
郭麒麟
'''
# re.S让.可以匹配换行符
obj = re.compile(r"'.*?')>(?P.*?) ", re.S)
ret = obj.finditer(s)
for i in ret:
print(i.group("class"))
print(i.group("id"))
print(i.group("name"))
完美爬取。如果不想要进行换行输出，可以在print后加上end=""，但是建议加上循环换行
豆瓣电影网练手
#拿到页面源代码 requests
#通过re来提取想要的有效信息 re模块
import requests
import re
url = 'https://movie.douban.com/top250'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码
obj = re.compile(r'.*?.*?(?P.*?) ', re.S)
result = obj.finditer(page_content)
for i in result:
print(i.group("name"))
成功爬取电影名称
这段代码的思路很简单，首先通过responses获取信息，再建立预加载正则表达式，注意在建立的时候我们要观察所有代码的共同点，不然容易匹配错误从而获取不到我们想要的信息，最后再finditer匹配打印输出。
进一步爬取电影年份信息
#拿到页面源代码 requests
#通过re来提取想要的有效信息 re模块
import requests
import re
url = 'https://movie.douban.com/top250'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码
obj = re.compile(r'.*?.*?(?P.*?) .*?.*?
(?P.*?) ', re.S)
result = obj.finditer(page_content)
for i in result:
print(i.group("name"))
print(i.group("year").strip())#strip()函数可以消除字符前面或后面的空格，不能消除字符中间的空格
成功获取年份
同理我们也可以根据这种方式获取电影评分和观看人数。
#拿到页面源代码 requests
#通过re来提取想要的有效信息 re模块
import requests
import re
url = 'https://movie.douban.com/top250'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码
obj = re.compile(r'.*?.*?(?P.*?) .*?.*?
(?P.*?)'
r' .*?.*?(?P.*?)人评价' , re.S)
result = obj.finditer(page_content)
for i in result:
print(i.group("name"))
print(i.group("year").strip())
print(i.group("point"))
print(i.group("people"))
将数据保存在csv文件中
csv文件中的东西都是通过，分隔开的，对我们以后做数据分析很有帮助
import requests
import re
import csv
url = 'https://movie.douban.com/top250'
header = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码
obj = re.compile(r'.*?.*?(?P.*?) .*?.*?
(?P.*?)'
r' .*?.*?(?P.*?)人评价' , re.S)
result = obj.finditer(page_content)
f = open("data.csv", mode="w",encoding='UTF-8')
cswriter = csv.writer(f)
for i in result:
dic = i.groupdict()
dic['year'] = dic['year'].strip()
cswriter.writerow(dic.values())
运行结果如下：
pycharm会自动生成一个csv文件，爬取的数据会自动保存到该文件中，看起来是不是特别条理清晰
bs4解析
bs全称Beatiful Soup ，也需要另外安装，如果使用的是pycharm编译器，点击Terminal输入pip install bs4，pycharm便自动为我们安装好了bs模块
#1. 拿到页面源代码
#2. 使用bs4进行解析，拿到数据
解析数据：
1.把页面源代码交给BeautifulSoup进行处理，生成bs对象
page = BeautifulSoup（resp.text, "html.parser"）#指定html解析器
2.从bs对象中查找数据
- find（标签，属性=值）：只找第一个
- find_all（标签，属性=值）：返回页面所有符合要求的
page.find("table", class_ = "hq_table")
#class是python的关键字，所有这里加上_
但是每次这么写都要记得class后面加_，我们可以换一种方式来写
page.find("table", attrs={"class":"hq_table"})
图片链接爬取
#1.拿到主页面的源代码，提取到子页面的链接地址
#2.通过href拿到子页面的内容，从子页面中拿到图片的下载地址
#3.下载图片
import requests
from bs4 import BeautifulSoup
import re
url = "http://bizhi360.com/weimei/"
resp = requests.get(url)
resp.encoding = "UTF-8"
main_page = BeautifulSoup(resp.text, "html.parser")
alist = main_page.find("div", attrs={"class": "pic-list"}).find_all("a")
for a in alist:
s = "http://bizhi360.com/"+a.get("href")
#拿到子页面的源代码
headers ={
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
}
child_page_resp = requests.get(s, headers=headers)
child_page_resp.encoding = "UTF-8"
child_page_text = child_page_resp.text
#从子页面中拿到图片的下载途径
child_page = BeautifulSoup(child_page_text, "html.parser")
p = child_page.find("figure")
print(p)
resp.close()
通过一个网站进入子网链接，并对图片地址进行爬取，但是可能是因为进入次数太多，遭到了反爬，只能进行到如上图所示这一步，下次我换个网站试试吧
xpath解析
xpath需要下载lxml模块
XPath 使用路径表达式来选取 XML 文档中的节点或节点集，节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
表达式
描述
nodename
选取此节点的所有子节点。
/
从根节点选取。
//
从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.
选取当前节点。
…
选取当前节点的父节点。
@
选取属性。
./
从当前节点选取
举例说明：
路径表达式
结果
bookstore
选取 bookstore 元素的所有子节点。
/bookstore
选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book
选取属于 bookstore 的子元素的所有 book 元素。
//book
选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book
选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang
选取名为 lang 的所有属性。
路径表达式：
路径表达式
结果
/bookstore/book[1]
选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]
选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]
选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()❤️]
选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]
选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=‘eng’]
选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]
选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title
选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。
通配符
描述
*
匹配任何元素节点。
@*
匹配任何属性节点。
node()
匹配任何类型的节点。
路径表达式
结果
/bookstore/*
选取 bookstore 元素的所有子元素。
//*
选取文档中的所有元素。
//title[@*]
选取所有带有属性的 title 元素。
猪八戒网实战
#拿到页面源代码
#提取和解析数据
import requests
from lxml import etree
url = "https://taiyuan.zbj.com/search/f/?kw=saas"
resp = requests.get(url)
#解析
html = etree.HTML(resp.text)
divs = html.xpath("/html/body/div[6]/div/div/div[2]/div[5]/div[1]/div")
for div in divs:#每一个服务商的div
price = div.xpath("./div/div/a[2]/div[2]/div[1]/span[1]/text()")[0].strip('¥')
title = 'saas'.join(div.xpath("./div/div/a[2]/div[2]/div[2]/p/text()"))
com_name = div.xpath("./div/div/a[1]/div[1]/p/text()")[1]
print(price)
print(title)
print(com_name)
resp.close()
运行结果还算完美吧
一路学下来，感觉爬虫其实只是一些包的运用，多动手做些案例都能搞明白，继续加油吧！