爬虫学习

自学爬虫笔记

一.基础知识学习：

1.re正则

贪婪模式：尽可能多的匹配

懒惰模式：尽可能少的匹配，精准模式

*？

+？

模式修正符：在不改变正则表达式的情况下通过模式修正符是匹配结果发生更改

修正符	含义
re.S	让. 也可以匹配多行
re.I	让匹配时忽略大小写

2.XPath表达式

表达式	含义
/	逐层提取
text()	提取标签下面的文本
//标签名[@属性='属性值']	提取属性为XX(属性值)的标签
@属性名	代表取某个属性值

二.urllib - 爬网页

1.导包

import urllib.request
import re 
url="想要爬取的网页地址"
# 爬取到内存中去
data=urllib.request.urlopen(url).read().decode("utf-8","ignore")

# 分析代码：
# 首先urllib.request.urlopen(url)是通过模块打开连接网页，read()读取数据，decode("utf-8","ignore")防止内容出错进行解码，ignore参数是为避免在出现小问题的时候继续进行
len(data)    # 获取数据长度，看是否有数据
pat=""     # 设定正则表达式
rst=re.compile(pat,re.S).findall(data)     # 全局匹配

# 将网页爬取到硬盘上的文件中
urllib.request.urlretrieve(url,filename="")

2.浏览器伪装

有些时候网站会禁止你去爬取信息，但是你还可以浏览网页，那就说明并不是封了你的ip，此时你需要将自己伪装成浏览器进行爬取

3.爬取方式

目前我只知道三种，后续再加：

1.直接爬取，用urlopen

2.浏览器伪装爬取，需要用到opener

3.用户代理池浏览器伪装和2几乎一致，不同就是，将多个浏览器的user-agent放到一个列表中去

4.抓包分析

这一步是爬虫的重点也是难点，在爬虫来时的时候我们需要明确我们想要爬取什么信息

然后：

1.查看网址，查看网址的变化(简化网址，去掉无用参数仍可以定位到)

2.分析数据，查看数据中的关键字(可以查看网站源码)

5.抓包工具

fiddler----》相当于代理服务器

抓包原理:用户将信息---提交--->fiddler--->浏览器---响应--->fiddler---回馈--->用户

默认地址：127.0.0.1

默认端口：8888

如果在配置fiddler时HTTPS出现变成灰锁的情况，参考-------------

https://weibo.com/ttarticle/p/show?id=2309404103263770292716

常用命令：

命令	含义
clear	清空

三.Requests模块

1.简介与基础：

我们除了使用Urllib模块编写爬虫之外，还有很多可以选择的模块。其实，Requests模块就是另一个非常常用的模块，除此之外，后续我们还会为大家介绍Scrapy框架。这些不同的技术手段都可以实现同样的爬虫功能，具体选择那种技术手段大家可以根据爱好选择，但在此我们会分别为大家介这些常见的技术手段的使用。另外，爬虫的难点不在于技术手段本身，而在于网页分析与反爬攻克，这些我们都会逐渐介绍。

接下来我们首先为大家介绍Requests模块的基础使用。

2.requests请求方式：get,post,but...

常用的是：get

其中的参数：

参数	含义
params	一般放get请求的参数，以字典的方式存储
headers	如果要伪装浏览器，需要用到headers，主要用于添加头信息，同样以字典的方式存储
proxies	添加代理，同样以字典的方式存储，所以可以放置代理ip到里面 key值就是协议名，values 就是代理ip
cookies	添加cookies到里面，
data	如果使用post发数据时，可以使用data将数据发过去，data存储post需发送的数据

3.响应

在得到响应之后，也可以用一些属性来获得一些相应信息

属性	含义
text	代表对应请求响应的数据decode之后的
content	响应的数据 二进制类型的流数据
encoding	当前网页编码
cookies	当前网页的cookies
url	得到当前响应的url
status_code	状态码

​ 4.参数和属性的使用

rst=requests.get("http://www.aliwx.com.cn/")

# rst只是当前的一个响应    那如果相当到其中的信息则需要用到text属性，即响应数据
title=re.compile("",re.S).findall(rst.text)

# 如果想伪装浏览器则需要用到headers
# headers可以以字典的形式写入各种头信息：

# 例如：
hd = {"user-agent":"对应数据"}
rst=requests.get("http://www.aliwx.com.cn/",headers=hd)

# 将cookies转为正常字典的形式：
requests.utils.dict_from_cookiejar(rst.cookies)

爬取练习：爬取云栖社区博客

# -*- coding: utf-8 -*-
"""
# @Author    :   MHQ
# @Project   :   Crawl _practice
# @File      :   requests_yunxi.py
# @Function  :   爬取云栖博客文章
# @Time      :   2020/2/10 18:32
"""
import requests
import re
import time
import urllib3

urllib3.disable_warnings()
key="Python"
url="https://yq.aliyun.com/search/articles/"
# try:
# data=requests.get(url,params={"q":key},verify=False).text
data=requests.get(url,verify=False).text
pat1='
找到(.*?)条关于'
allline=re.compile(pat1,re.S).findall(data)[0]
# print(allline)
allpage=int(allline)//15+1
for i in range(0,int(allpage)):
    print("----正在爬第"+str(i+1)+"页----")
    index=str(i+1)
    getdata={"q":key,
             "p":index,
    }
    # data=requests.get(url,params=getdata,verify=False).text
    data = requests.get(url, verify=False).text
    pat_url='
.*?'
    articles=re.compile(pat_url,re.S).findall(data)
    for j in articles:
        thisurl="http://yq.aliyun.com"+j
        thisdata=requests.get(thisurl,verify=False).text
        print(len(thisdata))
        pat_title='
(.*?)
'
        pat_content='
(.*?)
'
        title=re.compile(pat_title,re.S).findall(thisdata)[0]
        content=re.compile(pat_content,re.S).findall(thisdata)[0]
        fh=open("D:\\爬虫测试\\"+str(i)+"_"+str(time.time())+".txt","w+",encoding="utf-8")
        fh.write(title+"

"+content)
        fh.close()
# except Exception:
#     print("出现异常")

四.Scrapy学习

1.Scrapy模块的安装

Scrapy模块是一个非常常用的爬虫框架，使用Scrapy可以快速创建爬虫项目。要使用Scrapy，首先需要安装Scrapy，接下来为大家介绍安装方式。

建议安装顺序：

尽量在网络好的情况下安装：
1.首先，升级pip: python -m pip install --upgrade pip
2.安装wheel
3.安装lxml
4.安装Twisted
5.pip install scrapy或pip install scrapy==1.1.0rc3
6.下载安装pywin32并配置
# 注意：如果在dos环境下安装失败，可以选择下载包之后再安装，下载相应包的地址是：lfd python(https://www.lfd.uci.edu/~gohlke/pythonlibs/)

# 第6步的配置需要把Python37--->Lib--->site-packages--->pywin32_system32中的两个dll文件放到C:\Windows\System32中

2.Scrapy指令学习

Scrapy 一般通过指令管理项目，常用的指令有：

指令	含义
startproject	创建爬虫项目
genspider -l	查看爬虫模板
genspider -t	模板 爬虫文件名 域名 创建爬虫
crawl	运行爬虫
list	查看有哪些爬虫

可以单独创建个文件夹进行爬虫练习

创建指令为：scrapy startproject 项目名

例：scrapy startproject ali_first

这项目下回有两个文件:
一个是ali_first文件夹 这是个核心文件夹
另一个是scrapy.cfg 这是一个配置文件

进入ali_first之后会有：

__init__.py   初始化文件
items.py    用于定义目标的，你想要的爬取什么信息，统统可以在这中定义好，比如说爬标题，文章内容什么的
middlewares.py   中间件 在中间处理相应的东西
pipelines.py   爬后处理  比如写入数据库等等
settings.py   做整个项目的总体配置 设置信息
进入爬虫项目 cd ali_first
然后scrapy genspider -l 

创建爬虫项目之后会有四个爬虫模板:(很多项目都是基于模板创建的)

模板名	含义
basic	基础模板
crawl	通用爬虫模板
csvfeed	爬取csv格式的数据
xmlfeed	爬取xml形式的数据

# 创建模板：(例：基于basic创建，最后哪一个是想要的模板名，然后另外的是域名)
scrapy genspider -t basic fst aliwx.com.cn

# 运行 
scrapy crawl fst

# 查看当前有哪些可用的爬虫文件：
scrapy list

# 查看scrapy指令可以直接输入:
scrapy


编写一个Scrapy爬虫项目，一般按照如下流程进行：
1.创建爬虫项目
2.编写items
3.创建爬虫文件
4.编写爬虫文件
5.编写pipelines  (可有可无吧)
6.配置settings