第一天爬虫

一、爬虫介绍

爬虫：用程序去获取网页上的数据

爬虫过程：1) 获取网页数据（requests、selenium）、 2)解析数据(正则表达式-re、css选择器-bs4、xpath-lxml)
       3) 保存数据(数据库、csv文件、excel文件)

反反爬：user-agent(身份伪装，将爬虫程序伪装成浏览器)、登录反爬(设置cookie)、字体反爬

# 方法一：requests
import requests
headers = {
     'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
 }
 result = requests.get('https://www.guazi.com/buy?search=%257B%2522tag_types%2522%253A3%257D', headers=headers)
print(result.text)

# 方法二:selenium
from selenium.webdriver import Chrome
from selenium.webdriver.common.keys import Keys

二、requests的基本用法

1. 获取网页数据

requests.get(网页地址)  -  获取网页数据，返回一个响应对象
参数headers:  请求头，需要一个字典，这个字典有两个常见的键值对
 1）user-agent：客户端信息，可以设置成浏览器信息，将爬虫程序伪装成一个浏览器
 2）cookie：账号登录信息账号登录信息，设置成账号登录成功后cookie值，可以跳过网页登录，获取登录后的数据

headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
}
response = requests.get('https://movie.douban.com/top250', headers=headers)

2.从响应对象中获取请求结果

# <Response [418]>    418是状态码，状态码为200的时候才表示请求成功
print(response)

# 1）获取响应头
print(response.headers)

# a. 设置网页的编码方式(针对请求对象是网页的时候，如果网页内容打印乱码)
response.encoding = 'utf-8'

# 2）获取响应内容(请求结果)
# a. 响应对象.text    -   获取字符串形式的请求结果(获取网页源代码（请求对象是一个网页地址）)
print(response.text)

# b. 响应对象.content  -  获取二进制形式的请求结果(请求对象是图片、视频、音频等)
# print(response.content)

# c. 响应对象.json()   - 获取请求结果做json转换后的结果(请对象是json接口)
# print(response.json())

三、不同的请求对象

1、网页

# https://cd.zu.ke.com/zufang   -  请求对象是网页地址
headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
}
response = requests.get('https://cd.zu.ke.com/zufang', headers=headers)

print(response.text)

2、图片下载

# https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png  - 请求对象是图片地址

headers = {
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.110 Safari/537.36'
}
url = 'https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png'
response = requests.get(url, headers=headers)
open('files/a.png', 'wb').write(response.content)

3、json数据下载

 http://api.tianapi.com/auto/index?key=c9d408fefd8ed4081a9079d0d6165d43&num=10  - json数据接口
 
response = requests.get('http://api.tianapi.com/auto/index?key=c9d408fefd8ed4081a9079d0d6165d43&num=10')
result = response.json()
for x in result['newslist']:
    print(x['title'])

四、bs4网页数据解析

1、beautifulsoup4

beautifulsoup4是基于css选择器来解析网页数据的第三方库。
原理：先通过css选择器选中标签，然后再获取标签内容或者标签属性

2、用法
(1) 准备网页数据(获取网页源代码)

data = open('data.html').read()

(2)用bs4解析网页
导入第三方库(注意：安装的时候装beautifulsoup4， 使用的时候用bs4)

from bs4 import BeautifulSoup

a.创建BeautifulSoup对象

 #BeautifulSoup(网页内容, 'lxml')    -   返回一个BeautifulSoup对象，这个对象指向整个网页。此处需要导入lxml第三库
soup = BeautifulSoup(data, 'lxml')

b.获取标签

① BeautifulSoup对象.select(css选择器)   -   返回css选择器选中的所有标签对应的列表（在整个网页中查找）
② BeautifulSoup对象.select_one(css选择器)    -   返回css选择器选中的所有标签里面的第一个标签（在整个网页中查找）
③ 标签对象.select(css选择器)   -   在指定标签中按照css选择器选中标签， 选所有
④ 标签对象.select_one(css选择器)  - 在指定标签中按照css选择器选中标签，选一个

result = soup.select('#all-goods .title')
print(result)

result = soup.select_one('#all-goods .title')
print(result)

result = soup.select('p')       # 选中整个网页中的p标签
print(result)

div = soup.select_one('#all-staff')
result = div.select('p')        # 选中id为all-staff的标签里面所有的p标签
print(result)

c.获取标签内容和标签属性
获取标签内容：标签对象.text

all_goods = soup.select('.goods>.title')
for x in all_goods:
    print(x.text)

goods = soup.select_one('.goods>.title')
print(goods.text)

获取标签属性：标签对象.attrs[属性名]

all_img = soup.select('.goods>img')
for x in all_img:
    print(x.attrs['src'])

五、贝壳租房—简单爬取

# 1. 获取网页数据
response = requests.get('https://cd.zu.ke.com/zufang')
# print(response.text)

# 2. 解析网页数据
soup = BeautifulSoup(response.text, 'lxml')
all_house = soup.select('.content__list>.content__list--item')
data = []
for house in all_house:
    # 名字
    name = house.select_one('.twoline').text.strip()
    # 价格
    price = house.select_one('.content__list--item-price').text

    # 地址-面积-户型
    p = house.select_one('.content__list--item--des')
    message = sub(r'\s+', '', p.text)
    data.append([name, price, message])
    
print(data)