数据如果想要发挥它的作用,必须要分析。
爬虫最重要的作用就是获取数据。
(1)定义:爬虫就是自动抓取互联网信息的脚本或者程序。
(2)爬虫可以解决的问题。
a、解决冷启动问题。
b、搜索引擎的根基:做搜索引擎少不了爬虫。
c、建立知识图谱,帮助建立机器学习知识图谱。【数据集】—>[训练集]+测试集
jquery是什么?
document.gete
选择器可以快速写代码。—使得js编程更加简单。
建议:大家找本书去读一读。因为做网页和爬虫js都非常重要。
(3)爬虫工程师的进阶之路
初级爬虫工程师
1.web 前端的知识: HTML、CSS、JavaSc1ipt、 DOM、 DHTML 、Ajax、jQuery、json 等;
2、正则表达式, 能提取正常一般网页中想要的信息,比如某些特殊的文字, 链接信息, 知道什么是懒惰, 什么是贪婪型的正则;
3、会使用 XPath 等获取一些DOM 结构中的节点信息;
4、知道什么是深度优先, 广度优先的抓取算法, 及实践中的使用规则;
5、能分析简单网站的结构, 会使用urllib或requests 库进行简单的数据抓取。
中级爬虫工程师:
1、了解什么事HASH,会简单地使用MD5,SHA1等算法对数据进行HASH一遍存储
2、熟悉HTTP,HTTPS协议的基础知识,了解GET,POST方法,了解HTTP头中的信息,包括返回状态码,编码,user-agent,cookie,session等。
3、能设置user-agent进行数据爬取,设置代理等。
4、知道什么事Request,什么事response,会使用Fiddler等工具抓取及分析简单地网络数据包;对于动态爬虫,要学会分析ajax请求,模拟制造post数据包请求,抓取客户端session等信息,对于一些简单的网站,能够通过模拟数据包进行自动登录。
5、对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息
6、并发下载,通过并行下载加速数据爬取;多线程的使用。
高级爬虫工程师:
1、能够使用Tesseract,百度AI,HOG+SVM,CNN等库进行验证码识别。
2、能使用数据挖掘技术,分类算法等避免死链。
3、会使用常用的数据库进行数据存储,查询。比如mongoDB,redis;学习如何通过缓存避免重复下载的问题。
4、能使用一些开源框架scrapy,scrapy-redis等分布式爬虫,能部署掌控分布式爬虫进行大规模数据爬取。
爬虫可以分为通用爬虫和聚焦爬虫。
1、通用爬虫:就是将互联网上的数据整体爬取下来保存到本地的一个爬虫程序,是搜索引擎的重要组成部分。
(1)搜索引擎:就是运用特定的算法和策略,从互联网上获取页面信息,并将信息保存到本地为用户提供检索服务的系统。
(2)搜索引擎的工作步骤:
第一步:抓取网页
涉及到一个问题,如果获取页面的Url,使得搜索引擎涉及到所有的网页。—>搜索引擎的url获取途径都哪些?
a、新网站会主动提交。
b、在其他网站设置的外链也会加入到待爬取的url队列里面。
c、和dns服务商合作,如果有新网站成立,搜索引擎就会获取网址。
第二步:数据存储
第三步:预处理
提取文字
中文分词
消除噪音(比如版权声明文字、导航条、广告等……)
除了HTML文件外,搜索引擎通常还能抓取和索引以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。
第四步:提供检索服务,网站排名
(3)搜索引擎的局限性。
1.通用搜索引擎所返回的结果都是网页,而大多情况下,网页里90%的内容对用户来说都是无用的。
2.不同领域、不同背景的用户往往具有不同的检索目的和需求,搜索引擎无法提供针对具体某个用户的搜索结果。
3.万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体等不同数据大量出现,通用搜索引擎对这些文件无能为力,不能很好地发现和获取。
4.通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
2、聚焦爬虫:在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
3、爬虫的准备工作。
(1)robots协议(重点)
定义:网络爬虫排除标准
作用:网站通过Robots协议告诉【搜索引擎】哪些页面可以抓取,哪些页面不能抓取。
将来写爬虫程序我们要规避robots协议即可。
(2)网站地图sitemap
sitemap 就是网站地图, 它通过可视化的形式, 展示网站的主要结构。
网上有很多sitemap生成网站:https://help.bj.cn/
(3)估算网站的大小
可以使用搜索引擎来做,比如在百度中使用site:www.zhihu.com
1、http协议:HyperText Transfer Protocol,超文本传输协议
作用:是一种收发html的【规范】。
2、http端口号:80
https端口号:443
HTTPS (Hypertext Transfer Protocol over Secure Socket Layer)简单讲是http的安全版,在http下加入SSL层。
SSL(Secure Sockets Layer 安全套接层)主要用于Web的安全传输协议,在传输层对网络连接进行加密,保障在Internet上数据传输的安全。
数字签证。(也要去在复习复习)。
3、http协议的特点(重点):
(1)应用层协议。(最顶层也是和用户交互的层。)
(2)无连接:http协议每次发送请求都是独立的。http 1.1以后有一个头:connection:keep_alive.
(3)无状态:http协议不记录状态,进而产生了两种记录http状态的技术:cookie和session。
4、url:统一资源定位符。
(1)url的作用:用来定位互联网上的【任意】资源的【位置】。
(2)url的组成:
https://www.baidu.com/s?wd=python&rsv_spt=1
https://www.baidu.com/index.html
协议:https/http
netloc(网络地址):ip:port
ip主要用来定位电脑(网卡)。
port主要用来定位应用。mysql(3306),mongo(27017)----相当于一个门户。
path:资源在服务器的相对路径。—路由(router)
(3)url中的特殊符号。
?:get请求的参数在?后面
&:get请求的多个参数用&连接
#:锚点,定位到页面中任意位置。
(4)python中用来解析url的模块。
from urllib import parse
url = ‘https://ww.baidu.com:8888/index.html?username=222&password=123#abc’
result = parse.urlparse(url)
print(result)
‘’’
ParseResult(
scheme=‘https’,
netloc=‘ww.baidu.com:8888’,
path=’/index.html’,
params=’’,
query=‘username=222&password=123’,
fragment=‘abc’)
‘’’
print(result.scheme)
print(result.netloc)
5、http工作过程:(重点)
(1)地址解析
(2)封装HTTP请求数据包
(3)封装成TCP包,建立TCP连接(TCP的三次握手)
(4)客户机发送请求命令
(5)服务器响应
(6)服务器关闭TCP连接
6、客户端请求(重要)
(1)组成:请求行、请求头部、空行、请求数据(实体)四个部分组成
请求行:协议,url,请求方法
请求头:主要的作用就是来限定这个请求的详细信息。(非常重要,必须要知道一些重要的请求头的含义。)
请求数据:post请求的数据是放到这里面的。
(2)重要请求头(针对于爬虫而言)
user-agent:客户端标识
cookie:请求的状态信息,很重要
Referer:表示产生请求的网页来源于哪里。
防盗链。
accept:允许传入的文件类型。
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3。
x-requested-with:ajax请求必须要封装的头
--------------------------
content-type:post请求的数据类型
content-length:post请求数据的长度
(3)请求方法:get/post/put(推送)/delete(删除)/trace(诊断)/options(性能)/connect(连接,预留字段)。
get方法:get获取–从服务器获取资源–条件(请求参数)—请求参数是拼接到url里面的?后面–不安全(容易被别人获取:用户名和密码)—大小受限。
post方法:post传递–向服务器传递数据–请求数据是放在实体里面。----安全—大小不受限
记忆知识,千万不要被–理解记忆。
7、服务器响应(重要)
(1)组成:
状态行:状态码
消息报头:
空行
响应正文
(2)响应头
Content-Type: text/html;charset=utf-8:响应的类型
(3)状态码(状态码)(重要)
100~199:表示服务器成功接收部分请求,要求客户端继续提交其余请求才能完成整个处理过程。
200~299:表示服务器成功接收请求并已完成整个处理过程。常用200(OK 请求成功)。 300~399:为完成请求,客户需进一步细化请求。例如:请求的资源已经移动一个新地址、常用302(所请求的页面已经临时转移至新的url)、307和304(使用缓存资源)。
400~499:客户端的请求有错误,常用404(服务器无法找到被请求的页面)、403(服 务器拒绝访问,权限不够—DDos)。
500~599:服务器端出现错误,常用500(请求未完成。服务器遇到不可预知的情况)。
8、当我们在客户端输入一个url,客户端是如何请求加载出整个页面的?(重点)
(1)客户端解析url,封装数据包,发送请求给服务器。
(2)服务器从请求中解析出客户端想要内容,比如index.html,就把该页面封装成响应数据包,发送给客户端。
(3)客户端检查该inde.html中是否有静态资源需要继续请求,比如js,css,图片,如果有继续请求获取静态资源。
(4)客户端按照html的语法结合静态资源将页面完美的显示出来。
Urllib和requests模块是发起http请求最常见的模块。
安装:pip install reqeusts
1、response = requests.get(
url=请求url地址,
headers = 请求头字典,
params=请求参数字典,
)
2、response对象
(1)响应正文:
a、字符串格式的响应正文:response.text
b、字节类型(bytes)的响应正文:response.content
(2)响应正文的乱码问题解决:
response.content.decode(‘页面的正确编码’)
2、案例:百度产品页面下载
问题:下载好的页面打开之后,相比较原来的页面没有图标,为什么?
)
2、get请求一般带参数,带参数就将参数封装到params字典中就可以了。
案例:新浪新闻,两种分装params请求参数方式
3、response对象
(1)响应正文:
a、字符串格式的响应正文:response.text
b、字节类型(bytes)的响应正文:response.content
(2)响应正文的乱码问题解决:
a、encode和decode就是二进制和字符串之间转换方法。
编程里面数据载体
存储用变量或者常量
可以看到数据的内容一定是字符串格式。
正常的计算机数据本质都是二进制–bytes。
str.encode(‘编码’)—>bytes《-----》bytes(str,encoding=‘编码’)
bytes.decode(‘编码’)---->str《-----》str(bytes,encoding=‘编码’)
乱码:编解码不一致造成的。
response.content.decode(‘页面的正确编码’)—得到页面正确的字符串内容
b、response.text之所以可以获取字符串格式,其实在requests模块的底层用
response.encoding这个属性所对应的编码来将二进制内容变成字符串。其实就是response.encoding所对应的编码错了。只需要指定正确的即可。
response.encoding这个属性值值是requests模块自动识别。
response.encoding=‘页面正确编码’
response.text—》正确的页面内容
如果response.text乱码了,可以先给response.encoding设置正确编码,在通过response.text就可以获取正确的页面内容。
内置函数&内置模块:python自带的模块
dir()
str()
(3)状态码:response.status_code
(4)响应头:response.headers
4、分页如何实现?
分页的请求的每一页url基本上都是通过get请求的一个请求参数决定的,所以其实只需要通过get请求的params字典中的分页字段找到规律,就可以了。
案例:百度贴吧分页信息爬取
response = requests.post(
url = 请求url地址,
headers = 请求头字典,
data=请求数据字典,
)—response对象。
案例:百度翻译案例
破解百度翻译,做到可以查询任意单词效果
(1)结构化数据:能用关系型数据库描述的数据。
特点:数据以行为单位,一行数据表示一、个实体的信息,每一行的数据的属性是相同的。
举例:关系数据库中存储的表
处理方法:sql—结构化查询语言—语言—可以在关系型数据库中对数据的操作。
(2)半结构化数据:拥有自描述结构数据
特点:包含相关标记,用来分隔语义元素以及对记录和字段进行分层----也别成为自描述结构
举例:html,xml,json。
处理方法:正则,xpath(xml,html)
(3)非结构化数据:
特点:没有固定结构的数据。
举例:文档,图片,视频,音频等等,都是通过整体存储二进制格式来保存的。
如果下载视频,音频。
处理:
response = requests.get(url=‘视频的地址’)
保存response.content即可,文件名称后要注意。
json是一种数据【交换】的格式。
json是如何来进行交换的。
【json其实是在js语言中,用’字符串’的形式来表示json中的对象和数组的一种技术。】所以json本质上是字符串。
js中的对象:var obj = {name:‘zhangsan’,age:‘10’}----在python中这个可以当成:字典
js中的数组:var arr = [‘a’,‘b’,‘c’,‘d’]----在python中这个可以当成:list。
(1)使用json模块处理。
json_str:json数据
json.loads(json_str)—>python的list或者字典
json.dumps(python的list或者字典)—>json_str
(2)在requests模块中,response对象有个json方法,可以直接得到相应json字符串解析后的内容
response.json()—>python的list或者字典
JSON作为数据包格式传输的时候具有更高的效率,这是因为JSON不想xml那样具有严格的闭合标签,这就让有效数据量与总数据包比大大提升,从而减少同等数据流量的情况下,网络的传输的压力大大减低。
cookie是网站用来辨别用户身份,进行会话跟踪,存储在本地终端上的数据。
session(会话)起来本含义是指有始有终的一系列动作和消息。在web中,session主要用来在服务器端存储特定用户对象会话所需要的信息。
http协议是一个无状态协议,在特定操作的时候,需要保存信息,进而产生了cookie和session。
由服务器来产生,浏览器第一次请求,服务器发送给客户端进而保存。
浏览器继续访问时,就会在请求头的cookie字段上附带cookie信息,这样服务器就可以识别是谁在访问了。
但是cookie存在缺陷:
1、不安全–本地保存,容易被篡改。
2、大小受限,本身最大4kb。
cookie虽然在一定程度上解决了‘保持状态’的需求,但是我们希望有一种新的技术可以克服cookie缺陷,这种技术就是session。
session在服务器保存。----解决安全问题。
问题来了:服务器上的session,但是客户端请求发送过来,服务器如何知道session_a,session_b,到底和那个请求对应。
所以为了解决这个问题:cookie就作为这个桥梁。在cookie有一个sessionid字段,可以用来表示这个请求对应服务器中的哪一个session。
禁用cookie,一般情况下,session也无法使用。特殊情况下可以使用url重写技术来使用session。
url重写技术:将sessionid拼接到url里面。
session的生命周期:服务器创建开始,有效期结束(一般网站设定都是大约30分钟左右),就删除。
不会,服务器到底删除不删除session,由session的生命周期。有效期结束,就会被删除。
(1)Name : 该的名称。一旦创建, 该名称便不可更改。
(2)value : 该cookie 的值。如果值为Unicode 字符, 需要为字符编码。如果值为二进制数据, 则需要使用BASE64 编码。
(3)Domain : 可以访问该cookle 的域名。例如, 如果设置为.zhihu.com , 则所有以zhihu.com 结尾的域名都可以访问该cookie。
(4)MaxAge : 该cookie 失效的时间, 单位为秒, 也常和Expires一起使用, 通过它可以计算出其有效时间。Max Age 如果为正数, 则该cookie 在Max Age 秒之后失效。如果为负数, 则关闭浏览器时cookie 即失效, 也不会以任何形式保存该cookie 。
(5)Path : 该cookie 的使用路径。如果设置为/path/ , 则只有路径为/ path / 的页面可以访问该cookie 。如果设置为/ , 则本域名下的所有页面都可以访问该cookieo
(6)Size 字段: 此Cookie 的大小。
(8)HTTP 字段: cookie 的httponly 属性。若此属性为true , 则只有在HTTP 头中会带有此Cookie 的信息, 而不能通过document.cookie 来访问此Cookie。
(9)Secure : 该cookie 是否仅被使用安全协议传输。安全协议有H TTP s 和SSL 等, 在网络上传输数据之前先将数据加密。默认为false。
会话cookie:Max Age 为负数,则关闭浏览器时cookie 即失效,保存在内存中的cookie。
持久cookie:Max Age 如果为正数, 则该cookie 在Max Age 秒之后失效。保存在硬盘上的cookie
持久化:将内存中数据持久化到硬盘上。其实就是数据保存到文件或者数据库中。
内存主要的作用就是由于速度快速度快,启动应用软件或者程序的时候,就会分配一定内存空间作为该程序运行内存。
内存一旦断点,就会被清空。
序列化:将对象持久化到硬盘中。
(1)将登录后的cookie封装到请求头字典中,这样就可以了。
案例:人人网登录
192.168.0.101
(1)突破自身IP 访问限制, 访问一些平时不能访问的站点。
(2)访问一些单位或团体内部资源: 比如使用教育网内地址段免费代理服务器, 就可以用于对教育网开放的各类FTP 下载上传, 以及各类资料查询共享等服务。
(3)提高访问速度:通常代理服务器都设置一个较大的硬盘缓冲区, 当有外界的信息通过时, 同时也将其保存到缓冲区中, 当其他用户再访问相同的信息时, 则直接由缓冲区中取屮信息传给用户, 以提高访问速度。
4、隐藏真实IP : 上网者也可以通过这种方法隐藏自己的IP , 免受攻击。对于爬虫来说, 我们用代理就是为了隐藏自身IP , 防止自身的被封锁。
(1)根据协议区分
根据代理的协议, 代理可以分为如下类别。
FTP 代理服务器:主要用于访问FTP 服务器, 一般有上传、下载以及缓存功能, 端口一般为21 、2121 等。
HTTP 代理服务器:主要用于访问网页, 一般有内容过滤和缓存功能, 端口一般为80 、8080 、3128 等。
SSL/TLS 代理:主要用于访问加密网站, 一般有SSL 或TLS加密功能( 最高支持128 位加密强度) , 端口一般为443 。
RTSP 代理:主要用于访问Real 流媒体服务器, 一般有缓存功能, 端口一般为554 。
Telnet 代理:主要用于telnet 远程控制( 黑客人侵计算机时常用于隐藏身份),端口一般为23 。
POP3/SMTP 代理:主要用于POP3/SMTP 方式收发邮件, 一般有缓存功能, 端口一般为110 / 25 。
SOCKS 代理:只是单纯传递数据包, 不关心具体协议和用法, 所以速度快很多, 一般有缓存功能, 端口一般为1080 。SOCKS 代理协议又分为SOCKS4 和SOCKS5 , 前者只支持TCP ,而后者支持TCP 和UDP , 还支持各种身份验证机制、服务器端域名解析等。简单来说,SOCKS4 能做到的SOCKS5 都可以做到, 但SOCKS5 能做到的SOCKS4 不一定能做到。
(2)根据匿名程度区分
根据代理的匿名程度, 代理可以分为如下类别。
高度匿名代理: 会将数据包原封不动地转发, 在服务端看来就好像真的是一个普通客户端在访问, 而记录的IP 是代理服务器的IPO
普通匿名代理: 会在数据包上做一些改动, 服务端上有可能发现这是个代理服务器, 也有一定几率追查到客户端的真实伊代理服务器通常会加人的HITP 头有HTTP_VIA 和HTTP_X_FORWARDED FOR 。
透明代理:不但改动了数据包, 还会告诉服务器客户端的真实IPO 这种代理除了能用缓存技术提高浏览速度, 能用内容过滤提高安全性之外, 并无其他显著作用, 最常见的例子是内网中的硬件防火墙。
间谍代理:指组织或个人创建的用于记录用户传输的数据, 然后进行研究、监控等目的的代理服务器。
proxies = {
‘http’:‘http://114.99.11.179:9999’,#http和https都可以用http作为key
}
response = requests.get/post(proxies = proxies)
^ —行首
$—行尾
? —0或者1
* ---->=0
+ — >=1
{n,}—>=n
{n,m}—》n,《m
{n}—n次
[]----表示匹配单字符
[abc]–匹配a或者b或者c中的其中一个
[a-zA-Z0-9]—匹配所有小写,大写和数字中的一个
\b—单词的边界
\d—表示数字
\w–数字、字母下、划线
\s—空白字符(空格,换行,制表)
.—除换行以外的任意字符
#(1)导包
import re
#(2)将正则表达式编译成一个pattern对象
pattern = re.compile(
r’正则表达式’,
‘匹配模式’,#可以不指定,默认就按正则表达式本来的含义进行匹配。
)
正则匹配模式:
re.S----.可以匹配换行符
re.I—忽略大小写
#(3)pattern对象的方法(match,search、findall)匹配字符串。
match对象的属性:
match.group()等价于match.group(0)----返回匹配结果内容
match.span()–匹配范围
match.start()
match.end()
(1)match方法:默认从头开始匹配,只匹配一次,返回一个match对象
Match对象 = pattern.match(
string,#要匹配的目标字符串
start,#要匹配目标字符串的起始位置(可选)
end#结束位置(可选)
)
(2)search 方法:全文匹配,只匹配一次,返回一个match对象
Match = pattern.search(
string,#要匹配的目标字符串
start,#要匹配目标字符串的起始位置(可选)
end#结束位置(可选)
)
(3)findall方法:全文匹配,匹配多次,返回一个list
list= pattern.findall(
string,#要匹配的目标字符串
start,#要匹配目标字符串的起始位置(可选)
end#结束位置(可选)
)
(4)finditer方法:全文匹配,匹配多次,返回一个迭代器,迭代器里面存储的是match对象
迭代器= pattern.findall(
string,#要匹配的目标字符串
start,#要匹配目标字符串的起始位置(可选)
end#结束位置(可选)
)
什么是迭代器?
当有一种数据或者内容比较多的时候,可以将其分装迭代器。—通过for循环来使用这个迭代器就可以获取其中的每一个数据。
有__next__和__iter__。
可迭代对象?有__iter__方法对象。
str
bytes
list
dict
tuple
文件流
需求:打印输入文件内容,同时输出行号。
(5)split:安正则方法表示内容进行分割字符串,返回分割后子串list
Pattern.split(
String,
Maxsplit#指定最大分隔次数,默认全部分隔,可选
)
http://www.baidu.com:8080/index.html
(6)sub:按照正则表示的内容替换字符串(重要的)
Pattern.sub(
repl, #替换成什么
String,#替换什么
Count#替换次数,可选,默认全部替换
)—>替换后的字符串
(1)repl字符串
import re
p = re.compile(r’(\w+) (\w+)’)
s = ‘hello 123,hello 456’
#提前用p去匹配目标串,找到能匹配出来的内容,就是替换找出来的这个内容的。
print(p.sub(r’hello world’,s))#使用‘hello world’替换’hello 123’和’hello 456’
print(p.sub(r’\2 \1’,s))#引用分组
(2)当repl是一个函数的时候,这个函数是有要求的:
a、必须带一个参数,这个参数其实就是提前用p去匹配目标串,得到match对象。
b、这个函数必须有返回值,返回值是一个字符串,这个字符串将来就作为替换的内容。
分组在正则表达式中就是用()来表示的。一个括号就是一个分组。分组的作用主要有以下两个:
(1)筛选特定内容
(2)引用分组
(1)贪婪是用*来控制,python默认是贪婪模式,所以默认所有的数量控制符都是取所能匹配的最大值。
(2)非贪婪是用?来控制的,?放在数量控制符后面,表示数量控制符匹配最小的次数。
5、.*? 大法
非负整数 0 90 ^\d+$
匹配正整数 100 29 1\d*$
非正整数 0 -20 2\d*$
qq邮箱:qq号5位—14 [1-9]\d{4,13}@qq.com
匹配11位电话号码:第一位是1,第二位是3-9第三位开始不限定 1[3-9]\d{9}
匹配日期:比如:2019-12-19 3\d{3}-(1[0-2]|0?[1-9])-(3[01]|[12]\d|0?[1-9])$
长度为8-10的用户密码:开头字母:必须大写,每一位可以是数字,字母,_ [A-Z]\w{7,9}
我们学的任何知识,都是在解决前面的问题,或者是优化前面的问题。
正则之所以强大:可以处理任何的文本数据的提取,速度非常快
1、定义:可扩展标记性语言(EXtensible Markup Language)
2、特定:xml是具有自描述特性的半结构化数据。
3、作用:xml主要用来传输数据
(1)在html中不区分大小写,在xml中严格区分
(2)在html中,有时不严格,如果上下文清楚地显示出段落或者列表键在何处结尾,那么你可以省略
或者标记。在xml中,是严格的树状结构,绝对不能省略任何标记。 (3)在xml中,拥有单个标记二没有匹配的结束标记的元素必须用一个/字符作为结尾。
(4)在xml中,属性值必须分装在引号中。在html中,引号可用可不用。
(5)在html中属性名可以不带属性值,xml必须带
(6)xml文档中,空白部分不会被解析器自动删除,但是html是过滤掉空格的
·(1)html使用固有的标记,xml没有固有标记
·(2)html标签是预定义的,xml标签是自定义的、可扩展的。
(1)html的设计宗旨是用来显示数据。
(2)xml使用来传输数据的。
xpath就是用来筛选html或者xml中元素语法。
元素
标签
属性
内容
(1)选取节点
. --当前节点
… —代表父节点
/—从根节点开始选
// —从文档中的任意位置
nodename—选取标签或元素
@属性名—选取属性名所对应的属性值
text()----选取内容
(2)谓语:语言中就是用来限定主语的成分。
a、可以通过位置限定
[数字]选取第几个----//body/div[3]
[last()]:选取最后一个//body/div[last()]
[last()-1]:选取倒数第二个//body/div[last()]
[position()>1]:选取位置大于1----//dl/dd[position()>1]
b、通过属性限定
[@class=‘属性值’]:选取class属性等于属性值的。----//div[@class=“container”]
c、通过子标签的内容来限定
//book[price>35]–选取book标签的price字标签的内容大于35的book标签。
(3)通配符:*
@*—任意属性
* —任意节点
第三方模块:pip install lxml
C:\Anaconda3\Lib\site-packages
xpath方法返回的都是列表,查元素和标签的时候装的是对象,查属性和元素的时候,装的是字符串?
1、爬虫项目分析流程。—第一阶段完成
见图片
(1)通过user-agent客户端标识来判断是不是爬虫。
解决的办法:封装请求头:user-agent
(2)封ip
设置代理ip
(3)通过访问频率来判断是否是非人类请求。
解决的办法:设置爬取间隔和爬取策略。
(4)验证码
解决办法:识别验证码
(5)页面数据不再直接渲染,通过前端js异步获取
解决办法:a通过selenium+phantomjs来获取数据
b找到数据来源的接口(ajax接口)
(1)js:他是一种语言。
获取页面的元素,可以对这些页面元素做些操作。
网络数据的获取
(2)jquery:他就是一个js库,这个库可以使得js编程变得轻松容易。
(3)ajax
同步请求和异步请求。
解决办法:如果想要解决页面js的问题,主要需要一个工具,这个工具(具备浏览器的功能)可以帮助我们来运行获取到的js。
selenium是一个web自动化测试工具。但是他本身不带浏览器的功能,他这工具就相当于一个驱动程序,通过这工具可以帮助我们自动操作一些具有浏览器功能外部应用。
phantomjs就是内置的无界面浏览器引擎。他可以像浏览器那样加载页面,运行页面中的js代码。
chromedriver.exe这个是谷歌浏览器驱动程序,通过这个程序可以使得selenium可以调用chrome浏览器。—有界面浏览器。
这两个的功能有界面的更加强大:很多网站还是可以识别你是不是用phantomjs来进行爬取的,也会被禁。
但是有界面的chrome浏览器是不会被禁的,他就像一个真正用户在请求一样。
(1)下载phantomjs和chromedriver.exe
搜索phanomjs镜像
(2)安装:
解压
找到两个压缩包中exe文件,将其复制到anaconda/Scripts目录下面就ok了。
C:\Anaconda3\Scripts
C:\Anaconda3
(3)测试:
在cmd中输入:phantomjs
chromedriver
(4)selenium安装:pip isntall selenium==2.48.0
path路径:里面的路径就是为了在cmd中进行命令输入时候进行exe工具查找。
python的安装最重要的两个工具:
python.exe
pip.exe----最重要
where pip 可以查看哪些路径下面有pip,在配置环境变量的时候,把anaconda的C:\Anaconda3\Scripts方法系统path环境变量最最前面。
python多版本共存问题:
python2,python3,怎么一起使用?
python2:pip2.exe----pip2 install
python3:pip3.exe----pip3 install
anaconda— conda_pip
python —pip
python.exe
pip.exe----最重要
当环境变量path更改之后,需要重启cmd。
文档:selenuim常用方法总结.note
链接:http://note.youdao.com/noteshare?id=0142a95cf23fadbaea95809ccb5674b2&sub=02896A50836E4995997A821419D9A063
文档:selenium的三种等待.note
链接:http://note.youdao.com/noteshare?id=8f6a0765e4017a4140a05485a9d80a48&sub=48D9761ED13A49EDAC64D180C8340613
分析ajax请求最重要的是参数。所以在分析ajax的主要方向就是找到参数的意义的实现方法。
(1)通过user-agent客户端标识来判断是不是爬虫。
解决的办法:封装请求头:user-agent
(2)封ip
设置代理ip
封ip最主要的原因就是请求太频繁。让人家发现你了。
(3)通过访问频率来判断是否是非人类请求。
解决的办法:设置爬取间隔和爬取策略。
(4)验证码
解决办法:识别验证码
(5)页面数据不再直接渲染,通过前端js异步获取
解决办法:a通过selenium+phantomjs来获取数据
b找到数据来源的接口(ajax接口)
(6)能获取列表页,就不获取详情页,为了避免增加请求的数量。
将详情页放到每条数据中心,第一次爬取先爬取列表。
第二次在从数据库中拿出详情页链接,在做第二次爬取。
(7)能一次性获取,就不分页获取,正对ajax请求。可以将每一页获取数量调大。
程序:就相当于一个应用。
进程:程序运行资源(内存资源)分配的最小单位,一个程序可以有多个进程。
线程:cpu最小的调度单位,必须依赖进程而存在。线程没有独立资源,所有线程共享该进程的全部资源。
线程的划分尺度比进程更小。
提高cpu的利用率。
解决的方式:cpu不用休息就可以做到。
现在我们的程序有一个线程。cpu就只处理他。
如果在程序中遇到:阻塞。一旦阻塞了,cpu就休息了。休息的这段时间,就浪费了cpu的资源。
有两种方式可以阻塞:time.sleep()
遇到io
多线程:多个任务。cpu会在这多个任务之间切换,如果其中一个线程阻塞了,cpu不会休息,会处理其他线程。
增加cpu,让每个cpu处理一个任务。
cpu的多核的。—利用cpu的多核进行解决。—cpu每一个核处理一个进程。–用多进程去处理。
《操作系统原理》
《编译原理》
《数据结构和算法》
全局性解释锁:python多任务处理效率并不好。
cpython–c语言实现的编译器—默认。
jpython—java实现的
pypython–python语言实现的。
区块链:公共记事账本。去中心化的数据库----分布式数据库。
go语言很火:天生支持并发。
一个功能的实现不外乎就两种:调用别人接口,自己丰衣足食
(1)使用threading模块的方法
t = threading.Thread(
target=线程执行的任务(方法)名字,
args = 执行方法的参数,是一个元组
)—创建线程
t.start()—启动线程
(2)使用自定类的形式来创建线程
利用面向对象继承的思想。
子类继承父类,子类拥有父类非私有的任何资源。
程序在运行时,当子类调用一个方法或者属性的时候,先去子类中找,如果找不到,就一层层向上,取父类中找。(继承具有传递性)
自定义线程类:
a、继承threading.Thread–拥有功能
b、保证父类的init方法能够被调用。
如何调用父类的init方法:
super().init()
threading.Thread.init(self)
用类取创建线程的步骤:
1、继承Thread
2、重写run方法
3、实例化线程类,就相当于创建一个线程,用这个对象调用start()方法就可以启动这个线程
4、如果自定义线程类要实现init方法,必须先调动父类的init方法。
线程对象.name查看:默认是Thread-1,Thread-2…
自定名称:其实就是给self.name赋值
threading.enumerate()–可以查看当前进程中的线程的数量
原因是:线程的状态决定的。
死锁的发生会让程序永久阻塞。
(1)同一个线程,先后获取两次锁对象,在第二次获取所对象时,会死锁。
(2)线程a拥有锁1,线程b拥有锁2,线程a在不释放锁1的情况下,试图获取锁2,线程b在不释放锁2情况下试图获取锁1,此时在获取对方锁的时候,会发生死锁。
多线程和多进程都能做到多任务。
进程:程序运行资源(内存资源)分配的最小单位,一个程序可以有多个进程。
线程:cpu最小的调度单位,必须依赖进程而存在。线程没有独立资源,所有线程共享该进程的全部资源。
(1)关系:一个程序至少有一个进程,一个进程至少有一个线程.
(2)有无资源:进程拥有独立资源,线程依赖于进程,没有独立资源,所有该进程的线程共享所在进程的所有资源。
(3)划分尺度:线程的划分尺度小于进程(资源比进程少),使得多线程程序并发性更高。
线程:线程的执行开销小,但不利于资源的管理和保存。
进程:多个进程之间相互独立,不利于进程间信息交互。进程拥有独立资源。
在设计数据交互频繁的场景,多进程比多进程更加适合。
在并发程度上,多进程比多线程的效率更高。
GIL:cpython就内置。—很多模块或者开发者刚开始觉得他好,所以在很多模块内置GIL作为多线程数据处理的锁机制。
GIL效率低,觉得不好,也没办法了。
join()–阻塞方法—阻塞当前进程。
mongo:客户端
mongo --host-h --port-p
mongod:服务端
mongod --dbpath(数据库存放数据的位置)
服务器就相当于一个数据库程序,程序可以绑定在多个端口上,每个端口就相当于启动一个服务器。
客户端和服务端到底是啥
数据库一般都有客户端和服务端命令,
服务端:相当于启动这个数据库,比如启动mongo,mysql,启动之后,你才能CRUD。
cmd开启,开启之后这个cmd窗口就相当于一个服务端程序,你不能关闭,关闭之后数据库就关闭了。
客户端:就相当于链接数据库的窗口,连接好之后,就可以进行CRUD操作了。
c\s架构。
任务:关闭mongo服务,手动开启两个服务器,一个绑定27018,一个绑定27019,并分别用客户端连接他们。
show dbs 查看当前的数据库
use databaseName 选库
show collections 查看当前库下的collection,show tables
redis数据库运行在内存上,可以持久化到硬盘。
当redis启动的时候,就会从硬盘上读出数据,全部加载到内存中,让用户使用。
数据结构都有哪几种。
每一种的结构要有清晰直观的概念。
每种数据结构优势还有作用都有哪些。
hash表:[{},{},{}]
stringvalue
list:[1,2,3,4,5,6]
set:{a1,a2,a3}–不重复。
掌握持久化机制。
https://www.cnblogs.com/saoqiang/p/12450106.html#%E6%B5%81%E7%A8%8B分布式爬虫笔记
scrapy框架功能:爬虫框架,可以简单快速的实现一个爬虫。
优势:
现在我们可以手动实现一个爬虫,框架有优势采取学习。
爬取速度很快,底层是通过异步框架来实现的。—他帮我们已经开好了多线程。
scrapy也不是万能的,自己写的爬虫程序才能万能的。
2、学习框架:
(1)清楚框架组件有哪些。
(2)每个组件的功能是什么–这些组件和代码中的那些文件对应。
(3)组件之间的数据流转。—流转的是什么,组件中对应是哪个方法接受的。
(1)spiders组件:爬虫组件
爬虫程序中,主要可以总结为两部:获取url请求,返回response处理
功能:
a、告诉scrapy都下载那些url
b、处理下载器下载好的response
(2)Scrapy Engine(引擎):
负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯,信号、数据传递等。
(3)pipelines: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.
pipeliens.py
pipeline是管道的意思。这个管道中流淌数据是item
每个管道主要功能:对item的处理
处理:清洗item
item去重
管道的功能是由: def process_item(self, item, spider):
可以设置多个类,每个类中都可以定义process_item。
管道想要生效,必须在settings中配置。
ITEM_PIPELINES = {
‘baidu.pipelines.BaiduPipeline’: 300,#300优先级
爬虫项目:
1*、简单文件*
2*、类*
3*、用多线程爬虫方式*
4*、scrapy爬虫*
5*、scrapy-redis分布式爬虫*
增量爬虫:让数据库中数据,不断以增量形式增长的一种爬虫。
1、如何知道爬取的数据相比于之前是新的–也就是不重复的。
增量爬虫的核心就是去重。
2、如何去重?
用reids去重。–redis速度快,用redis的set查找和插入式O(1),他可以持久化数据,如果之后运行时候,之前的结果也是可以保存查看的。相当于所有的爬取记录,都会被保存下载。–实现简单。
set—>sadd添加一个数据到set集合,如果返回1,表示成功,0表示失败,失败就重复了。
def url_seen(url):—配合hash函数去做
re = redis.Redis()
result = re.sadd(‘set名称’,url)
return result==0
3、在哪里去重?
爬取之前:url—判断url是否重复?
爬取中:response = requests.get(url)—判断页面内容是否爬取过?
爬取后:保存—判断这个内容是否之前保存过?—update方法配合upsert=true
scrapy-redis分布式爬虫部署
1、什么是分布式?
一台机器提高利用率使用多线程或者多进程(多任务策略),来提高cup的执行效率。
一台电脑上执行程序,总有瓶颈。想要突破这种瓶颈,自然想到了使用多台机器。
分布式:使用多台机器共同来完成一个任务,多个机器之间的协调策略,可以通称为分布式。
分布式系统
分布式计算
分布式数据库
2、scrapy-redis分布式的原理
见图
3、安装以及如何部署分布式项目
安装:pip isntall scrapy-redis
(1)主要配置如下:
#配置scrapy-redis调度器
SCHEDULER = “scrapy_redis.scheduler.Scheduler”
#配置url去重
DUPEFILTER_CLASS = “scrapy_redis.dupefilter.RFPDupeFilter”
#配置优先级队列
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.PriorityQueue’
ITEM_PIPELINES = {
#如果配置redispipelines,就会将item数据保存到redis中。
‘scrapy_redis.pipelines.RedisPipeline’: 300
}
#主机名
REDIS_HOST = ‘主机的ip’
##端口号
REDIS_PORT = 6379
(2)部署流程:
1、导入from scrapy_redis import spiders包
spiders继承spiders.RedisSpider
2、start_urls注释掉,设置redis_key = ‘picture_caixi:start_urls’
redis-key就表示将来scrapy启动,会去这个key所指定的redis的list中取任务url。
3、添加配置:
这三条主机和从机都要添加
#配置scrapy-redis调度器
SCHEDULER = “scrapy_redis.scheduler.Scheduler”
#配置url去重
DUPEFILTER_CLASS = “scrapy_redis.dupefilter.RFPDupeFilter”
#配置优先级队列
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.PriorityQueue’
##端口号
REDIS_PORT = 6379
MONGO_DATABASE = ‘caixi’
主机:
#主机名
REDIS_HOST = ‘localhost’
MONGO_URI = ‘localhost’
【主机才负责初始化redis的任务列表】
从机里面: 主机ip要确定
REDIS_HOST = ‘目标主机的ip’
MONGO_URI = ‘目标主机的ip’
在启动scrapy-redis分布式项目之前,一定要远程连接一个主机的mongo和redis
4、scrapy-redis源码
4、scrapy-redis源码
(1)爬虫监控的由来:
爬虫监控相当于监控(自动)一个爬虫,由于爬虫可能会出现一些问题:页面结构变化,加载方式改变等等,就会造成获取数据大部分都为空。对于这种情况,如果能有一个类似监控的东西告诉我们是哪个代码出问题了,这样解决起来就很方便。
(2)监控如何实现?
可以通过发邮件的形式。
爬虫监控的重点就是发邮件。
(1)用pysseract库来识别验证码—tesseract(orc工具)
1-9 ↩︎
0- ↩︎
1-9 ↩︎