( ) 用于分组的符号
[ ] 指定匹配字符的范围,如 [a-c_B-F]
{ } 指定匹配的长度(量词表示)
- 写出pymysql.Connect()连接数据库的核心参数
Connect(host,
port=3306,
user,
password,
db,
charset)
-
豆瓣动作电影排行榜
-
肯德基店铺位置
爬虫第二天
回顾知识点
核心的网络请求库 -> urllib库
-
urllib.request 模块
-
urlopen(url | request: Request, data=None) data是bytes类型
-
urlretrieve(url, filename) 下载url的资源到指定的文件
-
build_opener(*handlder) 构造浏览器对象
-
opener.open(url|request, data=None) 发起请求
-
Request 构造请求的类
data={
‘wd’: ‘’
}
urlencode(data) => ‘wd=%f5%e6%e6%f5%e6%e6’
request = Request(url, data=urlencode(data).encode())
-
HTTPHandler HTTP协议请求处理器
-
ProxyHandler(proxies={‘http’: ‘http://proxy_ip:port’}) 代理处理
-
HTTPCookieProcessor(CookieJar())
-
http.cookiejar.CookieJar 类
-
urllib.parse模块
-
quote(txt) 将中文字符串转成url编码
-
urlencode(query: dict) 将参数的字典转成url编码,结果是key=value&key=value形式,即以
application/x-www-form-urlencoded
作为url编码类型。
requests库【重点】
requests库也是一个网络请求库, 基于urllib和urllib3封装的便捷使用的网络请求库。
安装环境
pip install requests -i https://mirrors.aliyun.com/pypi/simple
核心的函数
- requests.request() 所有请求方法的基本方法
以下是request()方法的参数说明
-
method: str 指定请求方法, GET, POST, PUT, DELETE
-
url: str 请求的资源接口(API),在RESTful规范中即是URI(统一资源标签识符)
-
params: dict , 用于GET请求的查询参数(Query String params);
-
data: dict , 用于POST/PUT/DELETE 请求的表单参数(Form Data)
-
json: dict 用于上传json数据的参数, 封装到body(请求体)中。请求头的Content-Type默认设置为
application/json
-
files: dict, 结构 {‘name’: file-like-object | tuple}, 如果是tuple, 则有三种情况:
-
(‘filename’, file-like-object)
-
(‘filename’, file-like-object, content_type)
-
(‘filename’, file-like-object, content_type, custom-headers)
指定files用于上传文件, 一般使用post请求,默认请求头的Content-Type
为multipart/form-data
类型。
-
headers/cookies : dict
-
proxies: dict , 设置代理
-
auth: tuple , 用于授权的用户名和口令, 形式(‘username’, ‘pwd’)
-
requests.get() 发起GET请求, 查询数据
可用参数:
-
url
-
params
-
json
-
headers/cookies/auth
-
requests.post() 发起POST请求, 上传/添加数据
可用参数:
-
url
-
data/files
-
json
-
headers/cookies/auth
-
requests.put() 发起PUT请求, 修改或更新数据
-
requests.patch() HTTP幂等性的问题,可能会出现重复处理, 不建议使用。用于更新数据
-
requests.delete() 发起DELETE请求,删除数据
requests.Respose
以上的请求方法返回的对象类型是Response, 对象常用的属性如下:
-
status_code 响应状态码
-
url 请求的url
-
headers : dict 响应的头, 相对于urllib的响应对象的getheaders(),但不包含cookie。
-
cookies: 可迭代的对象,元素是Cookie类对象(name, value, path)
-
text : 响应的文本信息
-
content: 响应的字节数据
-
encoding: 响应数据的编码字符集, 如utf-8, gbk, gb2312
-
json(): 如果响应数据类型为
application/json
,则将响应的数据进行反序化成python的list或dict对象。 -
扩展-javascript的序列化和反序列化
-
JSON.stringify(obj) 序列化
-
JSON.parse(text) 反序列化
数据解析方式之xpath
xpath属于xml/html解析数据的一种方式, 基于元素(Element)的树形结构(Node > Element)。选择某一元素时,根据元素的路径选择,如
/html/head/title
获取<title>
标签。
绝对路径
从根标签开始,按tree结构依次向下查询。
如 /html/body/table/tbody/tr。
相对路径
相对路径可以有以下写法
- 相对于整个文档
//img
查找出文档中所有的<img>
标签元素
- 相对于当前节点
//table
假如当前节点是<table>
, 查找它的<img>
的路径的写法
.//img
数据提取
- 提取文本
//title/text()
- 提取属性
//img/@href
位置条件
获取网页中的数据类型与字符集, 获取第一个<meta>
标签
//meta[1]//@content
获取最后一个<meta>
标签
//meta[last()]//@content
获取倒数第二个<meta>
标签
//meta[position()-2]//@content
获取前三个<meta>
标签
//meta[position()❤️]//@content
属性条件
查找 class为circle-img
的<img>
标签
//img[@class=“circle-img”]
在Python中应用
安装包 pip install lxml
作业
-
写出urllib库的请求处理器有哪些类(尽量写全路径)
-
urllib.request.HTTPHandler
-
urllib.request.HTTPCookieProcessor
-
urllib.request.ProxyHandler
-
写出json.loads()和pickle.loads()返回的数据类型
-
json.loads() 返回list或dict, 加载的是字符串
-
pickle.loads() 返回是python中的对象, 加载的是字节数组 bytes
-
写出pymysql的cursor.execute()方法中的参数及作用
-
有两个参数, 一个是sql, 一个是args
-
args可以是tuple,对应sql字符串的
%s
-
args也可以是dict, 对应sql字符串的
%(xxx)s
, xxx是dict中的key
-
买家秀的模特的所有图片, 图片的名称是姓名-序号, 如’Disen-1.jpg’, ‘Disen-2.jpg’
-
中国图书网
爬虫所有的小说的基本信息(名称、作者、出版社、原价、折扣价、活动标签、 简介)
扩展
-
在Ubuntu 下安装docker
-
基于docker部署ElasticSearch搜索引擎库。
-
基于requests实现索引库及文档的添加和查询。
爬虫第三天
回顾知识点
requests库
- requests.request(method, url, **kwargs)
常用的参数
-
params/data/json 上传数据
-
files 上传文件
-
headers/cookies
-
proxies 代理服务器
-
auth 授权
-
requests.get(url, params, **kwargs)
-
requtests.post(url, data, json, **kwargs)
-
requests.put(url, data, json, **kwargs)
-
requests.delete(url, **kwargs)
-
requests.session() - > session对象, 可以调用 s.get()/post()/put()/delete()等方法,多次请求的会话(连接Session)是同一个
所有的请求返回的对象是requests.Response类的实例, 实例的属性:
-
status_code
-
headers
-
encoding
-
text/content
-
cookies
-
json() 反序列化json文本字符串为python的list或dict的对象
xpath解析
-
路径写法
-
/
依次查找 -
//
间接查找 -
./
从当前元素下查找 -
.//
从当前元素的间接子节点查找 -
位置条件
-
//li[1]
整个文档中的第一个<li>
标签 -
//li[last()]
最后一个 -
//li[position() < 3]
前2个 -
//li[position() - 2]
倒数第2个 -
属性条件
-
//li[@id="xxxx"]
-
//li[@class=""]
@class 属性名 -
//li[@class="" and @name=""]
多个属性的且的关系 -
同时提取两个元素
-
//title/text() | //img/@src
-
模糊条件
-
//div[contains(@class, "page")]
查找class属性包含page的所有div标签 -
//div[starts-with(@class, "box")]
第一个class的属性值为box的div标签 -
//div[ends-with(@class, "clearfix")]
最一个class的属性值为clearfix的div标签
扩展封装ES-SDK
“”"
基于requests库封装操作ElasticSearch搜索引擎的函数 (SDK)
“”"
from urllib.parse import quote
import requests
INDEX_HOST = ‘119.3.170.97’
INDEX_PORT = 80
class ESIndex():
“”“ES的索引库的类”“”
def __init__(self, index_name, doc_type):
self.index_name = index_name
self.doc_type = doc_type
def create(self): # 创建索引库
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}’
json_data = {
“settings”: {
“number_of_shards”: 5,
“number_of_replicas”: 1
}
}
resp = requests.put(url, json=json_data)
if resp.status_code == 200:
print(‘创建索引成功’)
print(resp.json())
def delete(self): # 删除索引库
resp = requests.delete(f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}')
if resp.status_code == 200:
print(‘delete index ok’)
def add_doc(self, item: dict):
向库中增加文档
doc_id = item.pop(‘id’, None)
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/’
if doc_id:
url += str(doc_id)
resp = requests.post(url, json=item)
if resp.status_code == 200:
print(f’{url} 文档增加成功!')
def remove_doc(self, doc_id):
删除文档
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/{doc_id}’
resp = requests.delete(url)
if resp.status_code == 200:
print(f’delete {url} ok’)
def update_doc(self, item: dict):
更新文档
doc_id = item.pop(‘id’)
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/{self.doc_type}/{doc_id}’
resp = requests.put(url, json=item)
assert resp.status_code == 200
print(f’{url} update ok’)
def query(self, wd=None):
查询
q = quote(wd) if wd else ‘’
url = f’http://{INDEX_HOST}:{INDEX_PORT}/{self.index_name}/_search?size=100’
if q:
url += f’&q={q}’
resp = requests.get(url)
datas = []
if resp.status_code == 200:
ret = resp.json()
hits = ret[‘hits’][‘hits’]
if hits:
for item in hits:
data = item[‘_source’]
data[‘id’] = item[‘_id’]
datas.append(data)
return datas
if __name__ == ‘__main__’:
index = ESIndex(‘gushiwen’, ‘tuijian’)
index.create()
index.add_doc({
‘id’: 1,
‘name’: ‘disen’,
‘price’: 19.5
})
index.add_doc({
‘id’: 2,
‘name’: ‘jack’,
‘price’: 10.5
})
print(index.query())
正则解析数据
扩展Linux文件权限
100 ->4 -> r
010 -> 2-> w
001 -> 1 -> x
100 | 010 = 110 # 增加权限
110 & 100 == 100 # 验证100权限
110 ^ 100 = 010 # 删除100权限
re面试中的问题
-
compile() /match()/search() 三者之间的区别
-
search()/findall()区别
-
贪婪模式和非贪婪模式
解析站长之家
“”"
基于正则re模块解析数据
“”"
import re
import os
import requests
from utils.header import get_ua
base_url = ‘http://sc.chinaz.com/tupian/’
url = f’{base_url}shuaigetupian.html’
headers = {
‘User-Agent’: get_ua()
}
if os.path.exists(‘mn.html’):
with open(‘mn.html’, encoding=‘utf-8’) as f:
html = f.read()
else:
resp = requests.get(url, headers=headers)
print(resp.encoding) # IOS-8859-1
resp.encoding = ‘utf-8’ # 可以修改响应的状态码
assert resp.status_code == 200
html = resp.text
with open(‘mn.html’, ‘w’, encoding=resp.encoding) as f:
f.write(html)
print(html)
[\u4e00-\u9fa5]
compile = re.compile(r’')
compile2 = re.compile(r’')
imgs = compile.findall(html) # 返回list
if len(imgs) == 0:
imgs = compile2.findall(html)
print(len(imgs), imgs, sep=‘\n’)
下一页
next_url = re.findall(r’20<a href=“(.*?)” class=“nextpage”',html, re.S)
print(base_url+next_url[0])
作业
-
写出requests.request()方法常用的参数及参数类型
-
method: str 请求方法, 可以指定 get, post, put, delete, options
-
url : str 请求路径或api接口
-
params/data/json : dict 上传的请求参数及json或form的data数据
-
headers/cookie: dict 请求头或Cookie信息
-
files: dict 上传的文件信息
-
写出正则的贪婪模式有哪些
-
.*
0或多个任意字符 -
.+
1或多个任意字符 -
.?
-
.{n, }
至少n个以上的任意字符 -
.{n, m}
至少n个以上的任意字符 -
写出str对象的常用方法(10+)
-
join()
-
split()
-
strip()
-
replace()
-
upper()
-
lower()
-
title()
-
index()/rindex()
-
find()/rfind()
-
insert()
-
just()/ljust()/rjust()
-
capitalize() # 每个单词的首字母大写
要求: 自动生成订单号
订单号的格式: 20191226000001
当天的单号按自增,第二天的序号是从1开始。
-
count()
-
encode()
-
startswith()/endswith()
-
format()
-
基于Flask实现文件上传服务器, 通过requests测试文件上传接口。
-
优化美女网爬虫,将数据存到es搜索引擎中
-
完成站长之家的多任务爬虫的数据存储(ES引擎/csv)
爬虫第四天
回顾知识点
re正则
-
字符的表示
-
.
任意一个字符, 除了换行 -
[a-f]
范围内的任意一个字符 -
\w
字母、数字和下划线组成的任意的字符 -
\W
-
\d
-
\D
-
\s
-
\S
-
量词(数量)表示
-
*
0或多个 -
+
1或多个 -
?
0 或 1 个 -
{n}
n 个 -
{n,}
至少n个 -
{n, m}
n~m个 -
分组表示
-
( )
普通的分组表示, 多个正则分组时, search().groups() 返回是元组 -
(?P<name> 字符+数量)
带有名称的分组, 多个正则分组时,search().groupdict()返回是字典, 字典的key即是分组名。
import re
text = ‘123abc90ccc’
re.search(r’(?P\d+?)[a-z]+?(?P\d+)', text).groupdict()
-
Python中的正则模块
-
re.compile() 一次生成正则对象,可以多次匹配查询
-
re.match(正则对象, 字符串)
-
re.search()
-
re.findall()
-
re.sub()
re.sub(‘\d+’, ‘120’, text) # 将text中的所有数字替换成120
分享面试题:
给定列表,每一个元组中包含字母和数字, 要求字母和数字分开排序
如:
[‘abc12’, ‘abc9’, ‘abc10’, ‘ac8’, ‘ac12’]
排序之后结果是:
[‘abc9’, ‘abc10’, ‘abc12’, ‘ac8’, ‘ac12’]
def format_number(item):
replace_number = re.findall(r’\d+',item)[0].rjust(2, ‘0’)
return re.sub(r’\d+',replace_number,item)
arr = [‘abc12’, ‘abc9’, ‘abc10’, ‘ac8’, ‘ac12’]
sorted(arr, key=format_number)
- re.split()
进程和线程
-
multiprocessing模块(进程)
-
Process 进程类
-
Queue 进程间通信的队列
-
put(item, timeout)
-
item = get(timeout)
-
threading 模块(线程)
-
Thread 线程类
-
线程间通信(访问对象)
-
queue.Queue 线程队列
-
回调函数(主线程声明, 子线程调用函数)
BS4数据解析
- 安装包
pip install bs4
-
from bs4 import BeautifulSoup
-
生成bs4根节点对象
root = BeautifulSoup(html, ‘lxml’)
-
查找节点(bs4.element.Tag)
-
root.find(‘标签名’, class_=“”, id_=“”) 返回单节点Tag对象
-
root.find_all(‘标签名’, class_=“”, id_=“”, limit=3) 返回limit指定数量的Tag对象的列表
-
root.select(‘样式选择器’)
-
#id
-
.class
-
标签名
-
[属性]
-
div ul
间接子节点, 或div > ul
直接子节点 -
节点的属性
-
获取文本数据
-
div.text/div.string/div.get_text()
-
获取属性
-
div.get(‘属性名’)
-
div[‘属性名’]
-
div.attrs[‘属性名’]
-
div.attrs.get(‘属性名’)
-
获取子节点
-
contents 获取所有文本子节点
-
descendants 获取所有子节点对象
协程爬虫
协程是线程的替代品, 区别在于线程由CPU调度, 协程由用户(程序)自己的调度的。协程需要事件监听模型(事件循环器),它采用IO多路复用原理,在多个协程之间进行调度。
协程的三种方式
-
基于生成器 generator (过渡)
-
yield
-
send()
-
Python3 之后引入了 asyncio模块
-
@asyncio.coroutine 协程装饰器, 可以在函数上使用此装饰器,使得函数变成协程对象
-
在协程函数中,可以使用yield from 阻塞当前的协程,将执行的权限移交给 yield from 之后的协程对象。
-
asyncio.get_event_loop() 获取事件循环模型对象, 等待所有的协程对象完成之后结束。
-
Python3.5之后,引入两个关键字
-
async 替代 @asyncio.coroutine
-
await 替代 yield from
协程第三方的框架
-
gevent
-
eventlet
-
Tornado/Twisted
动态js渲染
Selenium
Selenium是驱动浏览器(chrome, firefox, IE)进行浏览器相关操作(打开url, 点击网页中按钮功连接、输入文本)。
在Python程序中使用时,需要selenium的库和相关浏览的驱动程序(Window, Linux, Mac)。
Splash
Splash 是Web服务, 基于WebKit技术框架,可以动态加载网页。
作业
-
写出生成dict对象的方式有哪些
-
{ }
-
dict([(key, value), …])
-
json.loads(‘json格式的字符串’)
-
OrderDict
-
dict(zip([ ], [ ]))
-
dict.fromkeys([], value)
-
dict(key=value, key=value)
-
写出bs4查找的节点对象的类是什么,它有哪些属性及方法
-
bs4.element.Tag/bs4.Tag 节点对象的类
-
Tag的方法
-
find()
-
find_all()
-
select()
-
get_text()
-
Tag的属性
-
string 标签的文本
-
text 标签的文本
-
contents 所有文本的子节点
-
descendants 所有的子节点对象
-
attrs 属性字典
-
写出创建线程Thread类的实例时的参数有哪些
提示: Thread(参数列表)
-
name 线程名
-
target 线程执行的目标函数
-
args 函数中位置传参, tuple
-
kwargs 指定函数中关键参数传值 , dict
-
使用docker搭建Splash服务
-
股票信息提取
-
腾讯公司招聘需求抓取
爬虫最五天
回顾知识点
协程的爬虫
- 协程和线程区别
线程是CPU调度的,多线程是共享同一进程中的内存的(线程本地变量 Local、同步锁Lock、条件变量)。
线程是threading模块
协程是在线程(主)中声明及调度的。协程由用户(程序)调度的,是基于事件模型(IO多路复用模型-select/poll/epoll)。
协程是asyncio模块(Python 3.4+)
-
协程的知识点
-
@asyncio.coroutine 将函数升级为协程对象(闭包函数)
-
yield from 将执行的权限移交给其它协程对象
-
loop = asyncio.get_event_loop() 获取事件模型
-
loop.run_until_complete(协程对象) 事件模型启动协程,直到协程执行完成后,释放事件模型对象。
-
如果是多个协程对象时, 需要使用asyncio.wait() 将多个协程对象以元组方式传入到wait()方法中。
-
Python 3.5+增加两个关键字
-
async 替代@asyncio.coroutine
-
await 替代 yield from
注意: async 和 await 必须同时使用
Seleinum库
- 安装python库
pip install selenium
-
下载浏览器的驱动
-
chrome
-
firefox
-
在Python中使用
-
selenium.webdriver.common.by.By
-
By.CLASS_NAME
-
By.CSS_SELECTOR
-
By.ID
-
By.NAME
-
By.TAG_NAME
-
By.XPATH
-
By.LINK_TEXT
-
selenium.webdriver.Chrome
-
在实例化Chrome()对象中, 需要指定driver.exe浏览驱动程序的位置。如果位置在环境变量的Path添加了,则不需要指定位置参数。
-
chrome.get(url) 打开url
-
chrome.find_element(by, value) 根据by 查找value的一个元素。
-
chrome.find_elements(by, value) 查找多个元素
-
chrome.window_handlers: list 可以获取窗口标签页
-
chrome.execute_script(js) 当前窗口中执行js脚本
-
chrome.swich_to.window/frame() 切换窗口
-
chrome.close()
-
chrome.page_source 渲染之后的html网页源码
-
WebElement 是查找元素的对象类型
-
click() 点击
-
send_keys() 输入内容
-
等待WebElement元素出现
-
selenium.webdriver.support 模块
-
ui
-
WebDriverWait(driver, timeout)
-
until(expected_conditions, err_msg)
-
expected_conditions
-
visibility_of_all_elements_located((By, value))
Chrome-headless
options = Options()
options.add_argument(‘–headless’)
options.add_argument(‘–disable-gpu’)
options.binary_location=r’/Users/apple/PycharmProjects/xpy905_spider/day04/chromedriver’
chrome = Chrome(options=options)
headless 无窗口
Splash渲染
下载镜像
通过docker下载splash镜像
官方服务器
sudo docker pull scrapinghub/splash
私有的docker仓库下载
sudo docker pull 10.36.173.95:5000/splash
启动镜像
sudo docker run -itd --name splash-s -p 8050:8050 10.36.173.95:5000/splash
-p 指定宿主机和容器的端口映射关系,
格式: [宿主机端口]:[容器的端口]
-d 后台启动, -t 可以打开容器的终端, -i 可进入容器
进入容器
sudo docker exec -it splash-s bash
未进入容器时,也可以通过exec
命令执行容器中的命令
sudo docker exec splash-s ls -l
ls -l
命令会列出splash-s
容器当前的目录下的所有文件。
render.html接口
渲染动态js的接口: http://ip:port/render.html
接口的参数:
-
url 目标的网址
-
wait 等待渲染或加载的时间
-
proxy
-
headers
-
timeout
如,渲染jd.com网页
http://10.36.173.186:8050/render.html?url=https://jd.com
自动化测试
单元测试
Pythonu单元测试模块-unittest
from unittest import TestCase
class TestIndex(TestCase):
def setUp(self):
print(‘–测试前的资源准备工作—’)
def test_a_add_index(self):
print(‘–添加索引–’)
data[‘index_name’] = ‘person_sos’
def test_b_query_index(self):
print(‘–查询索引–’)
def test_c_delete_index(self):
print(‘–删除索引–’)
def tearDown(self):
print(‘–测试后的资源回收工作—’)
集成测试
单元测试套件 unitest.TestSuit
“”"
使用单元测试,测试ES搜索引擎的RESTful接口
-
requests
-
unittest
“”"
from unittest import TestCase, TestSuite, TextTestRunner
data = {
}
class TestDoc(TestCase):
def test_a2_add_doc(self):
print(f’-{data[“index_name”]}-增加doc文档–')
def test_a3_query_doc(self):
print(f’-{data[“index_name”]}-查询doc文档–')
if __name__ == ‘__main__’:
必须以普通的Python脚本运行
suite = TestSuite()
suite.addTest(TestIndex.test_a_add_index)
suite.addTest(TestDoc.test_a2_add_doc)
suite.addTest(TestDoc.test_a3_query_doc)
TextTestRunner().run(suite)
作业
-
写出Python协程的模块及核心函数
-
写出Selenium的查找元素的方式
-
写出Python获取命令行参数的方式
爬虫第六天
回顾知识点
爬虫的认知
- 数据请求(网络请求库)
-
数据解析(re/xpath/bs4)
-
数据存储(csv/pymysql/json??)
-
反反爬的策略
-
ip代理
-
ua池
-
cookie池: 收集手动登录之后的响应的Cookie信息
-
请求间隔(2~5秒)
-
验证码处理(打码平台、机器学习???)
网络请求库
- urllib
-
request
-
urlopen()
-
urlretrieve(fullurl, filename)
-
Request(url, data=None, headers)
-
build_opener(*handlers)
-
HTTPHandler
-
HTTPCookieProcessor(http.cookiejar.CookieJar())
-
ProxyHandler(proxies={})
-
parse
-
quote()
-
urlencode()
-
http.client.HTTPResponse
-
code
-
getheaders()
-
getheader(name, default)
-
read() 读取的响应字节数据
-
requests (第三方)
-
request(method, url, params, data, json, files, headers, cookies, proxies, auth)
-
get(url, params, **kwargs)
-
post(url, data, json, **kwargs)
-
put(url, data, json, **kwargs)
-
delete(url, **kwargs)
-
Response
-
status_code
-
encoding
-
headers
-
content 字节数据
-
text 文本数据
-
json() json文本反序列化为Python的dict/list的对象
数据解析
- re
-
xpath (pip install lxml)
-
from lxml import etree
root = etree.HTML(html)
root.xpath(‘’) # list[‘’] / list[, ]
-
返回文本列表的xpath表示
-
@href/@src 标签属性
-
text() 标签文本
-
返回Element元素列表
-
//title
-
//ul/li[1]
-
bs4 (pip install bs4)
-
from bs4 import BeautifulSoup
root = BeautifulSoup(html, ‘lxml’) # bs4.element.Tag
-
查询元素标签的方法
-
find(‘标签名’, class_, id_) 查找第一个
-
find_all(‘标签名’, class_, id_, limit=N) 查找前N个
-
select(‘css选择器’)
-
#id
-
.classname
-
标签名
-
后代标签
-
兄弟标签 (查找多个标签)
-
属性标签
-
伪类
-
Tag属性
-
string/text
-
get_text()
-
attrs: dict 标签中所有属性的字典
-
contents 子标签的文本列表
-
descendants 子标签的Tag列表
多任务爬虫
-
多线程
-
threading
-
Thread
-
queue.Queue 线程队列
-
多进程
-
multiprocessing
-
Process
-
Queue 进程队列
-
协程
-
asyncio
-
coroutine 协程装饰器
-
get_event_loop()
-
wait()
-
sleep()
-
yield from
-
async / await
selenium框架
以driver程序驱动浏览器,对目标(网站或网页)进行操作(请求网页、提取数据、截图、切换或关闭页签-window)。
- chrome.get() 打开目标(发起请求)
-
chrome.quit() 退出浏览器
-
chrome.close() 关闭当前的窗口
-
chrome.find_element(By, value)
-
selenium.webdriver.common.by.By
-
ID
-
CLASS_NAME
-
NAME
-
XPATH
-
CSS_SELECTOR
_ LINK_TEXT
-
WebElement 查到的标签对象
-
get_attribute(‘属性名’, default)
-
text 标签文本
-
click()
-
send_keys()
-
rect 当前元素的位置(left, top, width, height)
-
chrome.find_elements(By, value)
-
execute_script()
-
save_screenshot(filename) 截图
-
等待某一个标签元素出现
-
selenium.webdriver.support
-
ui
-
WebDriverWait
-
expected_conditions
-
visibility_of_all_elements_located((By, value))
ui.WebDriverWait(dirver, timeout).until(
expected_conditions,
error_msg
)
docker
容器技术,将远程的docker仓库中的镜像下拉到本地, 再将镜像运行成为一个容器(进程)。
- 镜像操作
-
基本信息
-
名称
-
版本
-
ID
-
描述
-
docker images 查看所有镜像
-
docker rmi 名称:版本号 / ID 删除镜像
-
docker run 名称:版本号 / ID 启动镜像
-
-dit 后台启动镜像,启动后可进入容器并打开新的terminal(终端)
-
-p 宿主机端口: 容器端口
-
容器操作
-
docker ps 查看正运行的容器
-
-a 查看所有的容器
-
-l 查看最后一个启动的容器
-
docker logs 容器名或ID 查看容器运行的日志
-
docker exec 容器名或ID Linux命令 在容器中执行Linux命令
-
docker exec -it 容器名或ID bash 进入容器
-
docker stop 容器名或ID
-
docker start 容器名或ID
-
docker restart 容器名或ID
-
docker rm -f 容器名或ID 删除容器, -f强制删除正运行的容器
日志模块进阶
日志格式
| 格式 | 说明 |
| — | — |
| %(name)s | 记录器的名称, 默认为root |
| %(levelno)s | 数字形式的日志记录级别 |
| %(levelname)s | 日志记录级别的文本名称 |
| %(filename)s | 执行日志记录调用的源文件的文件名称 |
| %(pathname)s | 执行日志记录调用的源文件的路径名称 |
| %(funcName)s | 执行日志记录调用的函数名称 |
| %(module)s | 执行日志记录调用的模块名称 |
| %(lineno)s | 执行日志记录调用的行号 |
| %(created)s | 执行日志记录的时间 |
| %(asctime)s | 日期和时间 |
| %(msecs)s | 毫秒部分 |
| %(thread)d | 线程ID |
| %(threadName)s | 线程名称 |
| %(process)d | 进程ID |
| %(message)s | 记录的消息 |
- Python脚本中执行当前操作系统的命令的方法
-
os.chdir() 切换当前目录
-
os.system() 无返回结果 (打开一个子进程执行 命令)
-
os.popen() 可读取返回结果
日志模块的核心
-
四大核心
-
日志记录器 Logger
-
日志处理器Handler
-
日志的过滤器Filter
-
日志的格式化Formatter
scrapy框架
scrapy架构组成
-
五个核心
-
engine 引擎, 协调其它四个组件之间的联系,即与其它四个组件进行通信,也是scrapy框架的核心。
-
spider 爬虫类, 爬虫程序的编写代码所在, 也是发起请求的开始的位置。spider发起的请求,经过engine转入到scheduler中。
-
scheduler 调度器, 调度所有的请求(优先级高,则会先执行)。当执行某一个请求时,由engine转入到downloader中。
-
donwloader 下载器, 实现请求任务的执行,从网络上请求数据,将请求到的数据封装成响应对象,并将响应的对象返回给engine。engine将数据响应的数据对象(以回调接口方式)回传给它的爬虫类对象进行解析。
-
itempipeline 数据管道, 当spider解析完成后,将数据经engine转入到此(数据管道)。再根据数据类型,进行数据处理(图片、文本)
-
二个中间件
-
爬虫中间件, 介于Spider和Engine之间的,可以拦截Spider的发起的请求及数据。
-
下载中间件,介于Engine和Downloader之间的,可以拦截下载和响应。当然在下载处理之前,可以设置代理 、请求头、Cookie等操作(反反爬设置),还可以基于Splash或Selenium实现特定的操作。
scrapy指令
-
创建项目命令
-
scrapy startproject 项目名称
-
创建爬虫命令
-
scrapy genspider 爬虫名 域名
-
启动爬虫命令
-
scrapy crawl 爬虫名
-
调试爬虫命令
-
scrapy shell url
-
scrapy shell
-
fetch(url)
Response类
-
属性相关【重点】
-
body 响应的字节数据
-
text 响应的编码之后文本数据
-
headers 响应头信息, 是字节数据
-
encoding 响应数据的编码字符集
-
status 响应的状态码
-
url 请求的url
-
request 请求对象
-
meta 元数据,用于request和callback回调函数之间传值
-
解析相关【重点】
-
selector()
-
css() 样式选择器 , 返回Selector选择器的可迭代(列表)对象
-
scrapy.selector.SelectorList 选择器列表
-
x()/xpath()
-
scrapy.selector.Selector 选择器
-
样式选择器提取属性或文本
-
::text
提取文本 -
::attr("属性名")
提取属性 -
xpath() xpath路径
xpath路径,同lxml的xpath()写法
-
选择器常用方法
-
css()/xpath()
-
extract() 提取选择中所有内容,返回是list
-
extract_first()/get() 提取每个选择器中的内容, 返回是文本
Request类
- scrapy.http.Request
请求对象的属性
-
url
-
callback 解释数据的回调函数对象
-
headers 请求头
-
priority 请求的优先级, 值越高,优先级越高(优先下载)
作业
- 写出selenium向下和向右滚动的脚本
document.documentElement.scrollTop 向下
document.documentElement.scrollLeft 向右
-
写出restful接口设计规范(四个)
-
每个资源都有唯一标识 URI
-
每个资源具有四个动作, GET|POST|PUT|DELETE
-
每次请求都是无状态
-
接口交互的数据是json或xml
-
写出常见的反爬虫和反反爬虫
-
访问次数 - IP代理
-
Cookie验证- Cookie池
-
UA验证 - UA池
-
验证码 - 打码平台
-
动态js渲染 - Selenium/Splash
-
爬取 陕西省政府采购网 陕西省采购网
-
基于Flask实现日志上报服务器(日志微服务)
-
logging.handlers.HTTPHandler
爬虫第七天
回顾知识点
日志模块
import logging
from logging import StreamHandler, FileHandler
-
四个核心部分
-
日志记录器logger: 记录日志信息
-
日志处理器 handler: 记录信息之后,由handler去处理
-
日志过滤器 filter: 对记录信息进行过滤。
-
日志格式化 formatter: 由处理器对记录的信息按formatter格式进行处理(除HTTPHandler和SMTPHandler之外)。
-
核心方法或函数
-
logging.getLogger(name) # 默认没有name时,返回root
-
logging.baseConfig() 配置root记录器的格式、处理器等。
-
logging.info()/debug()/warning()/error()/critical() 由root记录器记录日志信息。
-
logger记录器的核心方法
-
setLevel(logging.DEBUG|INFO|WARNING|ERROR|FATAL)
-
addHandler(handler)
-
addFilter(Filter)
-
debug()|info()….
-
handler处理器的核心方法
-
setLevel(logging.DEBUG|INFO|WARNING|ERROR|FATAL)
-
setFormatter(fmt)
-
Formatter初始化参数
-
format 格式化的字符串, 使用
%(日志变量)s
相关日志变量占位符组成的字符串
‘hi, %(name)s, age is %(age)s’ % {‘age’: 20, ‘name’: ‘jack’}
‘hi, %s, age is %s’ % (‘disen’, 30)
- datefmt 指定
%(asctime)s
日志时间的格式, 通常使用%Y-%m-%d %H:%M:%S
即年月日 时分秒
格式。
scrapy框架
五大组件两个中间件
-
engine 核心引擎
-
spider 爬虫类
-
scheduler 调度器
-
downloader 下载器
-
itempipeline 数据管道
-
爬虫中间件、下载中间件
scrapy指令
-
scrapy startproject 项目名
-
scrapy genspider 爬虫名 域名
-
scrapy crawl 爬虫名
-
-o 保存数据到指定的文件中
-
-s 信号(CLOSESPIDER_ITEMCOUNT=30)
-
scrapy shell [url]
-
fetch(url)
-
view(response)
-
request: scrapy.http.Request
-
response: scrapy.http.Response|HtmlResponse
-
scrapy
Response对象的属性或方法
-
body|text|encoding|status|url|request|headers|meta
-
xpath()|css() -> scrapy.selector.SelectorList[Selector]
-
extract()
-
get()
-
extract_first()
-
css() 中表达式
-
样式选择器[::text|attr("属性名")]
-
xpath()中表达式
同lxml的xpath表达式相同。
Request初始化参
-
url
-
callback 如果未指定,则默认为
parse
-
priority 优先级的权限值, 值高优先级高
-
meta
-
headers
-
dont_filter 是否过滤重复的url, True不过滤,Flase过滤.
scrapy数据管道
指令方式存储
scrapy crawl 爬虫名 -o xxx.json|csv
只适合单页数据爬取,如果多页多层次数据爬取时,不适合此方式。
Item类
作用: 用于区别中哪一页(类型)的数据
用法: 类似于dict用法, 在数据管道类的process_item()方法中,通过isinstance()方法来判断item是哪一类型的。
import scrapy
class BookItem(scrapy.Item):
book_id = scrapy.Field()
book_name = scrapy.Field()
book_cover = scrapy.Field()
book_url = scrapy.Field()
author = scrapy.Field()
tags = scrapy.Field()
summary = scrapy.Field()
class SegItem(scrapy.Item):
book_id = scrapy.Field()
seg_id = scrapy.Field() # 章节ID
title = scrapy.Field()
url = scrapy.Field()
class SegDetailItem(scrapy.Item):
seg_id = scrapy.Field() # 章节ID
content = scrapy.Field() # 内容
Pipeline
- 处理数据的方法
def process_item(self, item, spider):
return item
-
item参数表示 爬虫类中解释到的数据(yield item)
-
spider参数 表示爬虫类对象
-
如果item被返回,则表示可以被优先级低的pipeline处理
-
初始化方法
属于定制方法,可以初始化一些参数或对象,如文件名, 数据库的连接等。
-
process_item
和init
的调用次数说明 -
process_item
方法 会被(engine)多次调用 -
init
随着爬虫程序的启动时创建pipeline类时调用,只会被调用一次
定量爬虫
基于信号方式
scrapy crawl -s 信号
常用的scrapy信号
-
**CLOSESPIDER_ITEMCOUNT=**条目的数量
-
CLOSESPIDER_PAGECOUNT=请求页的数量
-
CLOSESPIDER_ERRORCOUNT=请求错误的数量
-
CLOSESPIDER_TIMEOUT=超时的时长
scrapy crawl wanben -s CLOSESPIDER_ITEMCOUNT=10
下载中间件
爬虫中间件
监测爬虫类与引擎之间的交互数据(请求 request、响应 response、数据item)及异常情况
@classmethod
def from_crawler(cls, crawler): pass # 启动爬虫时用于创建爬虫中间件类的实例对象
def process_spider_input(self, response, spider) # 流程中第6步,engine将请求响应的数据输入给spider时,调用此方法。
def process_spider_output(self, response, result, spider) # 流程中第7步,由spider类解析response数据之后产生结果输出给engine时,调用此方法
def process_spider_exception(self, response, exception, spider): # 解析数据时发异常时
def process_start_requests(self, start_requests, spider): # 第一次爬虫发起请求时,调用此方法,即流程中第1步,从Spider->Engine时。
下载中间件 [重点]
下载中间件是引擎engine和下载器downloader之间的中间件,可以拦截请求和响应以及请求异常的处理。
@classmethod
def from_crawler(cls, crawler)
def process_request(self, request, spider)
def process_response(self, request, response, spider)
def process_exception(self, request, exception, spider)
-
**process_request()**方法可返回的对象(四种可能)
-
scrapy.http.Request
-
scrapy.http.HtmlResponse/Response
-
None 表示不拦截
-
raise IgnoreRequest 不下载这个请求
-
**process_response()**方法可以返回的对象
-
scrapy.http.Request 未下载成功请求
-
scrapy.http.Response 进一步封装之后的response
4.3 作用
在下载中间件中,可以设置代理、设置cookie、设置请求头以及基于Selenium实现动态js渲染和用户登录。
作业
- 写出scrapy的工作流程中第3、6两个步骤的描述
第3步: 引擎从调度器中获取下载任务, scheduler -> engine
第6步: 引擎从下载器获取的响应传递给spider, 用于解析。engine-> spider。 ( response.request.callback(response) )
- 写出logging.baseConfig()方法的参数(4+)
logging.baseConfig(filename, # 文件处理器参数
mode=“a”, # 文件处理器参数
format, # formatter
datefmt, # formatter
handlers, # addHandler(),
filters, # addFilter()
stream) # filename设置后, stream无效
- 根据左边AA表结构和右边的查询结果,写出查询的SQL
--------------------------- ----------------------
| year | month | amount | | year | m1 | m2 |
--------------------------- ----------------------
| 1991 | 1 | 1.1 | | 1991 | 1.1 | 1.2 |
--------------------------- ----------------------
| 1991 | 2 | 1.2 | | 1992 | 2.1 | 2.2 |
--------------------------- ----------------------
| 1992 | 1 | 2.1 |
| 1992 | 2 | 2.2 |
- join连接表方式
select a1.year, a1.amount as m1, a2.amount as m2
from AA a1
一、Python所有方向的学习路线
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,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
工具都帮大家整理好了,安装就可直接上手!
三、最新Python学习笔记
当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。
四、Python视频合集
观看全面零基础学习视频,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。
五、实战案例
纸上得来终觉浅,要学会跟着视频一起敲,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。
六、面试宝典
简历模板
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
间件类的实例对象
def process_spider_input(self, response, spider) # 流程中第6步,engine将请求响应的数据输入给spider时,调用此方法。
def process_spider_output(self, response, result, spider) # 流程中第7步,由spider类解析response数据之后产生结果输出给engine时,调用此方法
def process_spider_exception(self, response, exception, spider): # 解析数据时发异常时
def process_start_requests(self, start_requests, spider): # 第一次爬虫发起请求时,调用此方法,即流程中第1步,从Spider->Engine时。
下载中间件 [重点]
下载中间件是引擎engine和下载器downloader之间的中间件,可以拦截请求和响应以及请求异常的处理。
@classmethod
def from_crawler(cls, crawler)
def process_request(self, request, spider)
def process_response(self, request, response, spider)
def process_exception(self, request, exception, spider)
-
**process_request()**方法可返回的对象(四种可能)
-
scrapy.http.Request
-
scrapy.http.HtmlResponse/Response
-
None 表示不拦截
-
raise IgnoreRequest 不下载这个请求
-
**process_response()**方法可以返回的对象
-
scrapy.http.Request 未下载成功请求
-
scrapy.http.Response 进一步封装之后的response
4.3 作用
在下载中间件中,可以设置代理、设置cookie、设置请求头以及基于Selenium实现动态js渲染和用户登录。
作业
- 写出scrapy的工作流程中第3、6两个步骤的描述
第3步: 引擎从调度器中获取下载任务, scheduler -> engine
第6步: 引擎从下载器获取的响应传递给spider, 用于解析。engine-> spider。 ( response.request.callback(response) )
- 写出logging.baseConfig()方法的参数(4+)
logging.baseConfig(filename, # 文件处理器参数
mode=“a”, # 文件处理器参数
format, # formatter
datefmt, # formatter
handlers, # addHandler(),
filters, # addFilter()
stream) # filename设置后, stream无效
- 根据左边AA表结构和右边的查询结果,写出查询的SQL
--------------------------- ----------------------
| year | month | amount | | year | m1 | m2 |
--------------------------- ----------------------
| 1991 | 1 | 1.1 | | 1991 | 1.1 | 1.2 |
--------------------------- ----------------------
| 1991 | 2 | 1.2 | | 1992 | 2.1 | 2.2 |
--------------------------- ----------------------
| 1992 | 1 | 2.1 |
| 1992 | 2 | 2.2 |
- join连接表方式
select a1.year, a1.amount as m1, a2.amount as m2
from AA a1
一、Python所有方向的学习路线
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,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
工具都帮大家整理好了,安装就可直接上手!
三、最新Python学习笔记
当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。
四、Python视频合集
观看全面零基础学习视频,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。
五、实战案例
纸上得来终觉浅,要学会跟着视频一起敲,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。
六、面试宝典
简历模板
小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数初中级Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频
如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:python)
[外链图片转存中…(img-UFJjEvzb-1711209441152)]