python爬虫详细实例总结

1robots协议

隐匿身份：高匿商业代理–TOR(洋葱路由)

2.爬虫的分类：通用爬虫–定向爬虫

3.爬虫程序的一般步骤

URL -- Universal Resource Locator
URI -- Universal Resource Identifier
URI = URL + URN
协议：//用户名：口令@域名或IP地址：端口/路径1/路径2/资源名称

HTTP / HTTPS -- 超文本传输协议
HTTP请求 --> 服务器
    请求行 - 命令(GET/POST) 资源路径 协议版本
    请求头 - 键值对
    空行
    消息体 - 发给服务的数据

HTTP响应 <-- 服务器
    响应行 - 协议版本 响应状态码
    响应头 - 键值对
          - content-type:MIME
            - textml
            - application/json
            - text/xml
            - applicationf
            - image/jpeg
            - image/png
    空行
    消息体 - 服务器返回的数据

1)抓取页面

urllib - python原生库(难用)

requests - 第三方库
    - get() / post() -->Response -->text/content/json()
    - Session -->get() / post()  (高级用法)
    
aiohttp / httpx

import requests

session = requests.Session()
# session.verify = False
session.headers.update(
    {
        'User-Agent': ''
    }
)
res = session.get('https://movie.douban.com/top250')
# print(res.status_code)  # 状态码
# print(res.content)  #  内容

2)解析页面

正则表达式 --> re
CSS选择器解析 --> beautifulsoup4 / pyquery
XPath解析 --> 标签语言的查询语法 --> lxml

3)数据持久化

CSV --> csv --> writer() --> csvwriter --> writerow/writerows
Excel --> openpyxl --> Workbook() --> Worksheet --> add_sheet --> cell --> save()
数据库
    -关系型数据库 --> MySQL / Oracle / SQLServer / DB2 / PostgreSQL
    -NoSQL / NewSQL数据库
分布式文件系统 --> Hadoop --> HDFS + MapReduce / Spark --> Java / Scala / Python --> Hive --> SQL
    - GFS --> Google File System
    - TFS --> Taobap File System
    - TFS --> Tencent File System

实例1

import re

import openpyxl
import requests
from openpyxl.cell import Cell
from openpyxl.styles import Font, Alignment

session = requests.Session()
# session.verify = False
session.headers.update(
    {
        'User-Agent': ''
    }
)
res = session.get('https://www.sohu.com')
# pattern = re.compile(r'')
pattern = re.compile(r'.*?)".*?title="(?P.*?)".*?>')
# 其中?P<名字> 给分组命名
# finditer方法会返回一个迭代器对象
iter_obj = pattern.finditer(res.text)
# 创建一个工作簿
wb = openpyxl.Workbook()
# 获取第一个工作表
sheet = wb.active
sheet.title = '搜狐新闻'
# 修改表头单元格的宽度和高度
sheet.row_dimensions[1].height = 35
sheet.column_dimensions['A'].width = 80
sheet.column_dimensions['B'].width = 120
# 向单元格写入数据
sheet.cell(1, 1, '标题')
sheet.cell(1, 2, '链接')
# 修改指定单元格的样式
font = Font(size=18, name='华文楷体', bold=True, color='ff0000')
alignment = Alignment(horizontal='center', vertical='center')
for col_index in 'AB':
    curr_cell = sheet[f'{col_index}1']  # type: Cell
    curr_cell.font = font
    curr_cell.alignment = alignment
# 通过对迭代器对象的循环遍历可以获得Match对象
for index, matcher in enumerate(iter_obj):
    # # 获取整个a标签
    # print(matcher.group())
    # # 获取捕获组的内容
    # print(matcher.group('bar'))
    # print(matcher.group('foo'))
    sheet.cell(index + 2, 1, matcher.group('bar'))
    sheet.cell(index + 2, 2, matcher.group('foo'))

# 保存工作簿
wb.save('files/爬虫数据文件.xlsx')


# 通过对迭代器对象的循环遍历可以获得Match对象
# for matcher in iter_obj:
#     # 获取整个a标签
#     print(matcher.group())
#     # 获取捕获组的内容
#     print(matcher.group(1))
#     print(matcher.group(2))

# #根据正则表达式匹配a标签的href和title属性得到一个列表
# anchors_list = pattern.findall(res.text)
# for href, title in anchors_list:
#     print(href)
#     print(title)

4.HTML页面的结构

超文本标签语言 -- 所有的内容都放在标签下

    - 标签：承载内容
    - CSS(Cascading Style Sheet):页面渲染
        选择器 --> 样式属性名：样式属性值
        - 标签选择器
        - 类选择器
        - ID选择器
        - 父子选择器：div>p
        - 后代选择器：div p
        - 兄弟选择器：div - p
        - 相邻兄弟选择器：div + p
        - 伪类/伪元素：a:visited / p:first-letter
    - JavaScript(JS):交互式行为

5.解析页面的三种方式

正则表达式解析 --> re

    - 直接调用re模块的函数
        - search --> Match
        - findall --> list[str]
        - finditer --> iterator --> Match --> group()
    - 创建Pattern对象，给对象发消息
        - compile --> Pattern
        - search --> Match --> group()
        - findall / finditer

# CSS选择器解析

    - BeautifulSoup --> beautifulsoup4 --> bs4
    - PyQuery --> pip install pyquery --> 有jQuery使用经验

# XPath解析
#     -lxml --> pip install lxml

6.数据持久化

# CSV文件
# Excel文件
# 数据库
# 大数据平台

实例2

from selenium.webdriver import Chrome, ChromeOptions


# 1.创建谷歌浏览器的配置对象
options = ChromeOptions()

# 1)添加取消测试环境选项
options.add_experimental_option('excludeSwitches', ['enable-automation'])

# 2)取消图片加载
# options.add_experimental_option("prefs", {"profile.managed_default_content_settings.images": 2})

browser = Chrome(options=options)

# 破解selenium反爬的重要代码
# 防止selenium被监测
# 先修改js，再加载js
browser.execute_cdp_cmd(
    "Page.addScriptToEvaluateOnNewDocument",
    {
        "source": "Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"
    }
)

browser.get('https://www.baidu.com')
browser.implicitly_wait(10)
anchor = browser.find_element_by_css_selector('#s-top-left > a:nth-child(7)')
# 通过WebElement对象的is_displayed方法判定元素是否可见
# 注意：不可见的超链接一般都不能访问，因为它极有可能是一个诱使爬虫访问的蜜罐链接
print(anchor.is_displayed())
# 该标签的尺寸
print(anchor.size)
# 该标签在当前页面的位置
print(anchor.location)

# 浏览器窗口截图
browser.get_screenshot_as_file('files/baidu.png')

光学文字识别

import easyocr

reader = easyocr.Reader(['ch_sim', 'en'], gpu=False)
print(reader.readtext('files/idcard.jpg', detail=0))

从页面上抠图

from PIL import Image as img
from PIL import ImageFilter
from PIL.Image import Image

image = img.open('files/idcard.jpg')  # type: Image
print(image.size)
# 使用滤镜处理图片
emboss_image = image.filter(ImageFilter.EMBOSS)
emboss_image.show()
# 抠图
head = image.crop((320, 50, 460, 235))
# # 显示图片
head.show()
# 保存图片
# head.save('files/head.jpg')

7.常见的反爬方式及破解

请求头检查
    - User-Agent
    - Referer --> 网站防盗链接
    - Accept
    - Accept-Language
    - Accept-Encoding
限速和封禁IP
    - 商业IP代理 --> 蘑菇代理 / 芝麻代理 / 快代理 / 阿布云代理
    - 代理池(提前放置好一堆代理，有对应的维护机制，能够动态替换掉失效代理)
身份验证
    - 服务器如何识别你是否登录？
        - 从请求中获取用户的身份标识
        - 对于登录成功的用户，服务器通常会将用户身份标识写入浏览器本地存储
            - Cookie
            - localStorage / sessionStorage
            - IndexedDB
            --> 下次请求要带上自己的身份标识(修改请求头、修改Cookie信息)
    - Cookie池(提前准备好多个登录用户的身份信息，轮换着使用)

动态内容
    - 抓取接口
        - 浏览器开发者工具 --> Network --> Fetch/XHR(异步请求)
        - 专业(HTTP)抓包工具
            - Charles / Fiddler --> 将它设置为浏览器的代理
            - WireShark --> Ethereal --> 协议分析工具
    - Selenium WebDriver --> 用代码驱动浏览器    
    - Puppeteer --> Pyppeteer --> Chromium

爬虫蜜罐
    - Selenium --> WebElement --> is_displayed()

验证码
    CAPTCHA --> 图灵测试
    OCR --> Optical Character Recognition
    teseract --> pytesseract
    
    
    - easyocr
    - 打码平台

字体反爬
JS加密和混淆

8.加速爬取的方式

并发编程
    - 多线程
        - Thread(target=..., args=(...,...)) --> start()
        - 继承Thread，重写run()方法 --> 创建自定义类的对象 --> start()
        - ThreadPoolExecutor() --> submit(fn,...) / map(fn,[...])
        
        
    - 多进程   
        - Prcoess(target=..., args=(...,...)) --> start()
        - 继承Thread，重写run()方法 --> 创建自定义类的对象 --> start()
        - ThreadPoolExecutor() --> submit(fn,...) / map(fn,[...])
        
        
    - 异步编程(异步IO)
    
    - I/O密集型任务 --> 大量的操作都是输入输出的操作，需要CPU运算很少
    - 计算密集型任务  --> 大量的操作都是需要CPU做运算，I/O中断很少发生
    
    官方的CPython因为是用C语言实现的Python解释器，因为C语言底层申请和释放内存的操作
    并不是线程安全的，所有在Python解释器中引入了GIL(全局解释器锁)。因为GIL的存在，
    CPython中的多线程并不能够发挥CPU多核的优势。在处理计算密集型任务时，应该考虑使用
    多进程，因为每个进程都有自己的GIL，每个进程可以在不同的核上运转起来，这样才能发挥
    CPU多核特性的优势。
    
分布式爬虫
    一台机器必然有能力的极限，为了突破这个极限，我们可以选择将单机结构变成一个多机结构，这个多机结构就是一个分布式系统
    如何协调多个机器的行为，让他们可以互相协作，共同完成一个目标？
    数据中转站
    
    要点：一般会通过部署Redis数据库(KV数据库)，通过这个数据库保存待爬取的页面、
    爬取过的页面、有可能还要保存一些数据，这样多个运行爬虫程序的计算机，就可能彼此
    协调行为，最终达成一个共同的目标。

9.爬虫框架的应用

框架 ---> 把项目开发中常用功能和样板代码全部都封装好了，你可以专注于核心问题，
    而不要再次编写重复的样板代码，重复的去实现之前已经实现过无数次的功能。

    ~ Scrapy ---> 命令行工具 ---> 创建爬虫项目
        - 安装：pip install scrapy
        - 创建Scrapy项目：scrapy startproject demo
        - 创建一个蜘蛛：scrapy genspider douban movie.douban.com
        - 编写蜘蛛代码：

            class DoubanSpider(scrapy.Spider):
                name = 'douban'
                allowed_domains = ['movie.douban.com']
                start_urls = ['https://movie.douban.com/top250']

                def parse(self, response):
                    sel = Selector(response)
                    movie_items = sel.css('#content > div > div.article > ol > li')
                    for movie_sel in movie_items:
                        item = MovieItem()
                        item['title'] = movie_sel.css('.title::text').extract_first()
                        item['score'] = movie_sel.css('.rating_num::text').extract_first()
                        item['motto'] = movie_sel.css('.inq::text').extract_first()
                        yield item
            
        - 修改配置文件：
            - USER-AGENT
            - DOWNLOAD_DELAY
            - CONCURRENT_REQUESTS
        - 运行一个蜘蛛：scrapy crawl douban
            ~ scrapy crawl douban -o douban.csv
            ~ scrapy crawl douban -o douban.json

    ~ PySpider