Python爬虫——简单网页抓取（实战案例）

已于 2024-07-10 18:36:31 修改
阅读量3.1k 收藏 46
点赞数 24
文章标签： python 爬虫 开发语言
于 2024-06-17 16:55:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_78095812/article/details/139748603
版权

在着手写爬虫抓取网页之前，要先把其需要的知识线路理清楚。

  • 首先：了解相关的Http协议知识；
  • 其次：熟悉Urllib、Requests库；
  • 再者：开发工具的掌握 PyCharm、Fiddler；
  • 最后：网页爬取案例；

下面就按这个路线逐一讲讲各部分的内容；

一、Http协议

HTTP协议是一个应用层面向对象协议，也叫超文本传输协议。

是基于TCP协议的可靠传输，采用客户端/服务器端模式，指定了客户端可能发送给服务器什么样的消息，以及服务端给出什么样的响应。

1）HTTP协议组成

HTTP协议请求由状态行、请求头和请求正文三部分组成；

请求端的HTTP报文叫做请求报文，响应端的叫做响应报文，通常，并不一定要有报文主体。

  • 状态行：包括请求方式Method、资源路径URL、协议版本Version；
  • 请求头：包括一些访问的域名、用户代理、Cookie等信息；
  • 请求正文：就是HTTP请求的数据，允许为空字符串；

2）HTTP 请求方法

HTTP1.0 定义了三种请求方法： GET, POST 和 HEAD方法。

HTTP1.1 新增了六种请求方法：OPTIONS、PUT、PATCH、DELETE、TRACE 和 CONNECT 方法。

以上是HTTP所有的方法，但常见的方法有以下：

3）HTTP的请求响应模型

HTTP协议永远都是客户端发起请求，服务器回送响应。

这样就限制了使用HTTP协议，无法实现在客户端没有发起请求的时候，服务器将消息推送给客户端。

注意：HTTP协议是一个无状态的协议，同一个客户端的这次请求和上次请求是没有对应关系。

4）HTTP的状态码

Http状态码能告诉我们当前请求响应的状态，通过状态码判断和分析服务器的运行状态，以便更好的进行下一步的操作。

5）工作流程

一次HTTP操作称为一个事务，其工作过程可分为四步：

  • 首先客户机与服务器需要建立连接，只要单击某个超级链接，HTTP的工作开始。
  • 建立连接后，客户机发送一个请求给服务器；请求方式的格式为：统一资源标识符（URL）、协议版本号，后边是MIME信息包括请求修饰符、客户机信息和可能的内容。
  • 服务器接到请求后，给予相应的响应信息；其格式为一个状态行，包括信息的协议版本号、一个成功或错误的代码，后边是MIME信息包括服务器信息、实体信息和可能的内容。
  • 客户端接收服务器所返回的信息通过浏览器显示在用户的显示屏上，然后客户机与服务器断开连接。

如果在以上过程中的某一步出现错误，那么产生错误的信息将返回到客户端，有显示屏输出。

这些过程由HTTP自己完成，我们等待信息显示就可以了。

二、Urllib、Requests库

这两个库都建议新手能够熟练掌握，在Python爬虫中使用频率非常高。

下方也有分享安装教程资源，有需要的点击进群找群管理获取即可↓↓

<Python学习交流群 安装教程资源获取>

Urllib库

Urllib是Python中请求url连接的官方标准库，在Python2中主要为urllib和urllib2，在Python3中整合成了urllib。

1）主要包含以下4个模块

  • urllib.request：用于打开和阅读URL
  • urllib.error：包含由引发的异常urllib.request
  • urllib.parse：用于解析URL
  • urllib.robotparser：用于解析robot.txt文件

2）urllib.request.urlopen()

模块定义了有助于在复杂环境中打开URL（主要是HTTP）的函数和类-基本身份验证和摘要身份验证，重构定向，Cookie等。

语法结构

urllib.request.urlopen（url，data = None，[ timeout，] *，cafile = None，capath = None，cadefault = False，context = None）

语法详解

  • url：传入的对象可以是url也可以是一个request的对象；
  • data：data必须是一个直接要发送搭服务器的其他数据的对象，如果没有data数据的话可以为None，也可以不写。
  • timeout：以秒为单位制定用于组织链接尝试之类的操作超时；

3）urllib.openurl：返回对象的方法

  # 设置一个url对象
  url = "百度一下，你就知道"
  #发送请求，打开url
  up = urllib.request.urlopen(url)
  print(type(up))
  
  #返回对象
>>> <class 'http.client.HTTPResponse'>

上面我们可以看出返回的对象是HTTPResponse类型的，下面一起来看一下HTTPResponse类的方法

发送GET请求：

from urllib import request
response = request.urlopen('百度一下，你就知道')
print(response.read().decode())

发送post请求：

from urllib import reuqest
response = 	request.urlopen('Method Not Allowed', data=b'word=hello')
print(response.read().decode())   #decode()解码

我们已经知道在讲urlopen中传入一个网址的时候他就会主动的去访问目标的网址，会返回一个HTTPResponse类型的对象，那么我们是怎么知道我们发送的get请求和post请求呢？

    def get_method(self):
    """Return a string indicating the HTTP request method."""
    default_method = "POST" if self.data is not None else "GET"
    return getattr(self, 'method', default_method)

这个是源码中的一个方法，根据代码我们得知如果data是不为空的话，就是post请求，否则就是get请求。

4）urllib.request.Request

上面的urllib是可对网页发起请求，在我们实际的爬虫应用中，如果频繁的访问一个网页，网站就会识别我们是不是爬虫，这个时候我们就要利用Request来伪装我们的请求头。

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

推荐使用request()来进行访问的，因为使用request()来进行访问有两点好处：

  • 可以直接进行post请求，不需要将 data参数转换成JSON格式
  • 直接进行GET请求，不需要自己拼接url参数

如果只进行基本的爬虫网页抓取，那么urllib足够用了。

Requests库

requests库是一个常用于http请求的模块，可以方便的对网页进行爬取，是学习python爬虫比较好的http请求模块，比urllib库更加简洁，并且自带json解析器。

掌握了它，Cookies、登录验证、代理设置等操作都不是事儿。

1）request提供的方法

get(url,params,**kwargs)
  • url: 需要爬取的网站地址。
  • params: url中的额外参数，字典或者字节流格式，可选。
  • **kwargs : 控制访问的参数
post(url, data=None, json=None, **kwargs):
  • url: 需要爬取的网站地址。
  • data:传递的内容。
  • json:json格式传递的内容
  • **kwargs : 控制访问的参数
request(method, url, **kwargs):
  • method:需要使用的方法
  • url：爬行的路径
  • **kwargs : 控制访问的参数

2）控制访问的参数

通过上面方法返回的是一个Response对象，该对象有以下这些属性和方法：

requests的优势在于使用简单，相同一个功能，用requests实现起来代码量要少很多。

三、开发工具的掌握

  • PyCharm – 交互很好的Python一款IDE；
  • Fiddler – 网页请求监控工具，我们可以使用它来了解用户触发网页请求后发生的详细步骤；

（1）PyCharm

PyCharm是一款著名的Python IDE开发工具，拥有一整套可以帮助用户在使用Python语言开发时提高其效率的工具。

具备基本的调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。

此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。

pycharm官网分为两个版本：

第一个版本是Professional(专业版本)，这个版本功能更加强大，主要是为Python和web开发者而准备，是需要付费的。

第二个版本是社区版，一个专业版的阉割版，比较轻量级，主要是为Python和数据专家而准备的。

一般我们做开发，下载专业版本比较合适。

（2）Fiddler

Fiddler是一个http调试代理，它能够记录所有的你电脑和互联网之间的http通讯。

Fiddler 可以也可以让你检查所有的http通讯，设置断点，以及Fiddle 所有的“进出”的数据（指cookie,html,js,css等文件，这些都可以让你胡乱修改的意思）。

要比其他的网络调试器要更加简单，因为它仅仅暴露http通讯还有提供一个用户友好的格式。

1）基本工作原理

会话的概念：一次请求和一次响应就是一个会话。

2）fiddler主界面

工具栏

  • 1：给会话添加备注信息
  • 2：重新加载当前会话
  • 3：删除会话选项
  • 4：放行，和断点对应
  • 5：响应模式。也即是，当Fiddler拿到远程的response后是缓存起来一次响应给客户端还是以stream的方式直接响应。
  • 6：解码，有些请求是被编码的，点击这个按钮后可以根据响应的编码格式自动解码。
  • 7：查找会话
  • 8：保存会话
  • 9：截屏。截屏后，会以会话的方式返回一个截图

判断get和post请求

会话列表属性说明

查看请求头和请求体

3）Fiddler设置过滤（抓取指定服务器地址的数据）

填写服务器地址多个ip之间需要用;隔开，或者每个ip或域名单独写一行；

Hosts 第二个下拉选说明：

No Host Filter 不设置hosts过滤

Hide The Following Hosts 隐藏过滤到的域名

Show Only The Following Hosts 只显示过滤到的域名

Flag The Following Hosts 标记过滤到的域名

类型过滤：图片、CSS、JS这类的静态素材也不需要看的情况下，直接全部过滤掉

.*\.(bmp|css|js|gif|ico|jp?g|png|swf|woff)

在这里插入图片描述

4）开启 Https 抓包监听

Fiddler 默认下，Fiddler不会捕获HTTPS会话，需要你设置下。

from all processes : 抓取所有的 https 程序, 包括 本机 和 手机

from browsers only : 只抓取浏览器中的 https 请求

from non-browsers only : 只抓取除了浏览器之外的所有 https 请求

from remote clients only ： 抓取远程的客户端的 https ,可以代表手机

Fiddler是最好用的Web调试工具之一，它能记录所有客户端和服务器的http和https请求，允许你监视，设置断点，甚至修改输入输出数据。

Fiddler包含了一个强大的基于事件脚本的子系统，并且能使用.net语言进行扩展。

你对HTTP 协议越了解， 你就能越掌握Fiddler的使用方法，你越使用Fiddler，就越能帮助你了解HTTP协议。

四、网页爬取案例

案例1：爬取百度翻译接口

python
import requests

base_url = 'https://fanyi.baidu.com/sug'
kw = input('请输入要翻译的英文单词：')
data = {
    'kw': kw
}
headers = {
    # 由于百度翻译没有反扒措施，因此可以不写请求头
    'content-length': str(len(data)),
    'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'referer': '百度翻译-200种语言互译、沟通全世界！',
    'x-requested-with': 'XMLHttpRequest'
}
response = requests.post(base_url, headers=headers, data=data)
# print(response.json())
#结果：{'errno': 0, 'data': [{'k': 'python', 'v': 'n. 蟒; 蚺蛇;'}, {'k': 'pythons', 'v': 'n. 蟒; 蚺蛇;  python的复数;'}]}

#-----------------------------把他变成一行一行
result=''
for i in response.json()['data']:
    result+=i['v']+'\n'
print(kw+'的翻译结果为：')
print(result)

案例2：爬取百度产品列表

 # 1.导包
  import requests
  
  # 2.确定url
  base_url = '百度产品大全'
  
  # 3.发送请求，获取响应
  response = requests.get(base_url)
  
  # 4.查看页面内容,可能出现 乱码
  # print(response.text)
  # print(response.encoding)
  
  # 5.解决乱码
  
  # 方法一：转换成utf-8格式
  # response.encoding='utf-8'
  # print(response.text)
  
  #方法二：解码为utf-8
  with open('index.html', 'w', encoding='utf-8') as fp:
      fp.write(response.content.decode('utf-8'))
      
  print(response.status_code)
  print(response.headers)
  print(type(response.text))
  print(type(response.content))

案例3：爬取百度贴吧前十页（get请求）

# _--------------------爬取百度贴吧搜索某个贴吧的前十页
import requests, os

base_url = '登录_百度贴吧
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
}
dirname = './tieba/woman/'
if not os.path.exists(dirname):
    os.makedirs(dirname)
for i in range(0, 10):
    params = {
        'ie': 'utf-8',
        'kw': '美女',
        'pn': str(i * 50)
    }
    response = requests.get(base_url, headers=headers, params=params)
    with open(dirname + '美女第%s页.html' % (i+1), 'w', encoding='utf-8') as file:
        file.write(response.content.decode('utf-8'))

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

包括：Python激活码+安装包、Python web开发，Python爬虫，Python数据分析，Python自动化测试学习等教程。带你从零基础系统性的学好Python！

一、Python学习大纲

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

二、Python必备开发工具

在这里插入图片描述

三、入门学习视频

温馨提示：篇幅有限，已打包文件夹，获取方式在：这里

👉Python学习视频合集👈

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉实战案例👈

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉100道Python练习题👈

检查学习结果。

👉面试刷题👈

这份完整版的Python全套学习资料已经打包好了，朋友们如果需要可以微信添加文末 Python笔记领取即可获取二维码免费获取

豆本-豆豆奶
关注
Python爬虫教程:入门爬取网页数据
weixin_68789096的博客
09-09 3294
本文简单介绍了爬虫的基础知识以及需要用的库和方法，并做了非常简单的示例。总地来说，爬虫就是模拟网络请求，并解析、提取出我们想要的数据。爬虫可以帮助我们更快地获取网站上的数据，为工作和生活带来诸多便利。当然，也希望在学习 python 爬虫的过程中，大家能够更好的理解和应用 python的语法。
Python写爬虫——抓取网页并解析HTML
Bluestorm's Space
06-20 3797
CUHK上学期有门课叫做Semantic Web，课程project是要搜集整个系里面的教授信息，输入到一个系统里，能够完成诸如“如果选了A教授的课，因时间冲突，B教授的哪些课不能选”、“和A教授实验室相邻的实验室都是哪些教授的”这一类的查询。这就是所谓的“语义网”了啊。。。然而最坑爹的是，所有这些信息，老师并没有给一个文档或者数据库，全要靠自己去系主页上搜集。唯一的想法是写个爬虫，令人悲哀的
python简单爬虫抓取网页内容实例
06-08
一个简单的python示例，实现抓取 嗅事百科 首页内容 ，大家可以自行运行测试
Python爬取网页内容
05-31
使用Python爬取网页内容，通常可以使用requests库来发送HTTP请求，以及BeautifulSoup库来解析HTML文档。以下是一个简单的示例，展示如何使用这两个库来爬取网页内容 这个示例首先发送一个GET请求到指定的URL，然后检查响应的状态码是否为200（表示请求成功）。如果请求成功，它会使用BeautifulSoup来解析响应的HTML内容，并提取所有的<p>标签内的文本。 请注意，爬取网页时应该遵守目标网站的robots.txt文件规定，尊重版权和隐私政策，不要对网站造成过大的访问压力。此外，有些网站可能需要处理JavaScript渲染的内容，这时可能需要使用如Selenium或Pyppeteer等工具来模拟浏览器行为。 此外，由于网站结构的不同，你需要根据实际情况调整选择器来定位你感兴趣的HTML元素。
Python指南：六步教你如何使用python爬虫爬取数据
最新发布
WANGWUSAN66的博客
09-19 1979
找到网页上的Network部分。然后，我们浏览Name这部分，找到我们想要爬取的文件，鼠标右键，选择copy，复制下网页的URL。由于我们需要的是网页上的一类信息，所以我们需要对获取的地址进行分析，提取。用左上角的小框带箭头的标志，如下图，点击网页内容，这个时候网页就会自动在右边显示出你获取网页部分对应的代码。不过没有js类语言基础也没关系，主要步骤就是，保留相同的部分就行，慢慢的试，总会对的。如上图所示，我们在找到想要爬取的页面部分的网页代码后，将鼠标放置于代码上，右键，copy到selector部分。
Python 爬取股票数据源码实现方案
03-19
Python 爬取股票数据源码实现方案
Python爬虫（一文通）
qq_73339471的博客
08-29 6663
Python爬虫（基本篇） 一：静态页面爬取 Requests库的使用 1）基本概念+安装+基本代码格式 应用领域：适合处理**静态页面数据和简单的 HTTP 请求响应**。 Requests库的讲解 含义：requests 库是 Python 中一个非常简单且强大的库，相当于urllib的升级版（此处不对urllib进行讲解），在Cookie，登录验证，代理设置等操作更加的便利。 请求头（UA） UA介绍：UA全名是User Agent，中文名为用户代理。它是一个特殊字符串头，使得服务器能够识
使用Python抓取网页信息
weixin_34292287的博客
02-27 940
之前用C#帮朋友写了一个抓取网页信息的程序，搞得好复杂，今天朋友又要让下网页数据，好多啊，又想偷懒，可是不想用C#了，于是想到了Python，大概花了两个小时，用记事本敲的，然后在IDLE (Python GUI)里面测试。发现Python之类的解释性语言很不错，又不用编译，写个脚本就好了。代码如下： # -*- coding:gb2312 -*- import sys ...
Python网页抓取教程
candice931020的博客
09-24 1万+
​— Python网页抓取教程:循序渐进 — 抓取网页入门其实挺简单的。在之前的文章中我们介绍了怎么用C#和JAVA两种方法来抓取网页，这一期给大家介绍一种更容易，也是使用最广泛的一种抓取方法，那就是Python。 说起Python，大家应该并不陌生，它是目前入门最简单的一种方法了，因为它是一种面向对象的语言。Python的类和对象比任何其他语言都更容易使用。此外，Python存在许多库，因而在Python中构建用于网页抓取的工具轻而易举。 在这篇Python网络抓取教程中，我们将分步骤讲解如何利..
使用python抓取网页
阿义的专栏
06-08 1万+
 使用python抓取网页(以人人网新鲜事和团购网信息为例)from http://www.pinkyway.info/2010/12/19/fetch-webpage-by-python/?replytocom=448by 颖风斯特  BeautifulSoup, Python, urllib, 人人网, 团购 12 Comments前一段时间写的小东西，一直没工夫把他系
使用 Python 进行网页抓取
前端好玩的小案例、游戏、工具
12-30 3万+
面对铺天盖地的大数据，怎样才能快速发现其中的趋势、找到数据走势，从而改变工作模式，这是摆在数据工作者面前的难题。如果您知道如何做到这一点，那么对于企业和个人使用来说，网络抓取似乎是一种非常有用的节省时间的工具。我们将重点介绍为什么您应该使用 Python 进行网页抓取，并为您提供有关如何完成它的快速教程，包括使用哪些Python 开发工具。因此，下一步是部署抓取程序，将信息复制到您请求的数据库中。要获得您希望抓取为Python友好格式的信息，您需要使用执行HTTP请求的Python包。
爬虫抓取网页数据
07-23
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。具体功能是，通过scrapy和Python编程对BBS网站进行抓取数据。
Python爬虫——简单网页抓取（实战案例）小白篇_python爬虫爬取网页数据
2401_84562810的博客
05-02 1647
pythonkw = input(‘请输入要翻译的英文单词：’)data = {‘kw’: kw# 由于百度翻译没有反扒措施，因此可以不写请求头‘referer’: ‘百度翻译-200种语言互译、沟通全世界！’,
Python爬虫——简单网页抓取（实战案例）小白篇_python爬虫爬取网页数据(2)
2401_84562768的博客
05-02 148
上面的urllib是可对网页发起请求，在我们实际的爬虫应用中，如果频繁的访问一个网页，网站就会识别我们是不是爬虫，这个时候我们就要利用Request来伪装我们的请求头。如果只进行基本的爬虫网页抓取，那么urllib足够用了。requests库是一个常用于http请求的模块，可以方便的对网页进行爬取，是学习python爬虫比较好的http请求模块，比urllib库更加简洁，并且自带json解析器。掌握了它，Cookies、登录验证、代理设置等操作都不是事儿。
Python爬虫：教你四种姿势解析提取数据
xjt921122的博客
03-06 1654
爬取网页数据用正则表达式的话，可以直接从网页源代码文本中匹配，但出错率较高，且熟悉正则表达式的使用也比较难，需要经常翻阅文档。实际爬取数据大多基于 HTML 结构的 Web 页面，网页节点较多，各种层级关系。可以考虑使用 Xpath 解析器、BeautifulSoup解析器、PyQuery CSS解析器抽取结构化数据，使用正则表达式抽取非结构化数据。Xpath：可在 XML 中查找信息；支持 HTML 的查找；通过元素和属性进行导航，查找效率很高。
python爬虫爬取网站
2301_80544540的博客
01-30 4605
爬虫爬取豆瓣网站
python爬虫入门，轻松爬取网页上的数据(非常详细)
热门推荐
CSDN_430422的博客
11-04 6万+
随着网络的普及和信息爆炸式增长，我们可以通过网络来获取各种各样的数据。而Python作为一门强大而灵活的编程语言，可以帮助我们快速地从HTML网页中提取数据。本文将介绍Python爬虫的入门知识，并详细讲解如何使用Python爬虫来爬取HTML网页上的数据。1.了解HTML和网页结构2.安装和导入相关依赖库3.发送http请求获取网页内容4.解析HTML网页内容5.定位内容和提取数据6.保存抓取的数据在开始编写爬虫之前，了解HTML和网页的结构是非常重要的。
Python爬虫——入门爬取网页数据
Python966的博客
11-11 4206
本文介绍Python爬虫入门教程，主要讲解如何使用Python爬取网页数据，包括基本的网页数据抓取、使用代理IP和反爬虫技术。
使用Python进行网页数据爬取
String114514的博客
09-24 8375
Python是一门强大的编程语言，广泛应用于数据分析、网站开发和自动化任务等领域。其中，爬取网页数据是Python的一项重要用途之一。本文将带领你一步步学习如何使用Python编写一个简单且高效的网页数据爬取程序。希望这篇文章对你使用Python编写一个简单的网页数据爬取程序有帮助，并能够启发你在实际项目中应用这些技术。记得多进行实践和探索，不断提升你的爬虫技能。
python爬虫抓取网页数据
04-02
Python爬虫可以通过以下步骤抓取网页数据： 1.导入所需要的库。 ```python import requests from bs4 import BeautifulSoup ``` 2.通过requests库发送HTTP请求，获取网页的HTML内容。 ```python url = "https://www.example.com" response = requests.get(url) html_content = response.text ``` 3.使用BeautifulSoup库对HTML内容进行解析，获取需要的数据。 ```python soup = BeautifulSoup(html_content, 'html.parser') data = soup.find('div', {'class': 'data'}).text ``` 4.将获取的数据进行处理或存储。 ```python print(data) ``` 完整的代码示例： ```python import requests from bs4 import BeautifulSoup url = "https://www.example.com" response = requests.get(url) html_content = response.text soup = BeautifulSoup(html_content, 'html.parser') data = soup.find('div', {'class': 'data'}).text print(data) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值