1. 爬虫简介
数据分析、数据挖掘,先分析再挖掘(前提:有数据)。
数据来源:1. 数据库;2. 爬虫;3. 其他平台(API)。
1.1 爬虫的概念
Spider:蜘蛛 --> 爬虫:可以在互联网的任意位置获取数据。
爬虫,别名(网页蜘蛛、蠕虫),学名:网络数据采集。
根据程序员的自定义规则(想法)在互联网中自动的爬取数据(图片、音频、视频、文字等都叫做数据)。
1.2 爬虫学习流程
1.2.1 爬虫对谁做操作?
表面:爬虫对网页做操作;
深层次:爬虫对服务器做操作。
1.2.2 对网页操作
1)外面需要有HTML、CSS、JavaScript的知识,需要理解某个页面的结构;
2)浏览器页面F12或者FN + F12或者右键检查或者浏览器设置都可以打开开发人员工具;
3)网页分为静态页面和动态页面。
1.2.3 使用三方模块
requests向目标网站的服务器发起请求,服务器根据请求返回响应结果response(对象),对response响
应结果处理完得到的是字符串(HTML页面源代码)。
1.2.4 从页面源代码中得到所需内容
1)方法1:正则表达式匹配;
2)方法2:三方模块Beautifulfulsoup4对页面源码进行解析,解析完使用CSS选择器拿到所需内容;
3)方法3:使用三方模块lxml对页面源码解析,使用XPath语法拿到所需内容;
4)方法4:三方模块Selenium访问页面,拿到页面内容,可以同时结合CSS选择器或者XPath语句拿到所需内容。
1.2.5 数据持久化
将RAM中的结果存储到磁盘中或者数据库中。
1.2.6 反反爬措施
写爬虫会遇到各种反爬机制,使用指定的反反爬措施破解。
a. 将爬虫伪装浏览器
b. 封禁IP地址的网站一般使用代理IP:站大爷、芝麻代理、极光代理
c. 文字反扒
d. AJAX异步加载
等…
1.2.7 rpa(机器人流程自动化)
八爪鱼、影刀等。使用拖拉拽(实现了某些功能的模块)的形式实现流程自动化(爬虫等)。
2. 爬虫相关
2.1 静态页面和动态页面区分
2.1.1 静态页面
网页一旦生产,里面的内容不会自动的发生变化。
页面中包含:html(展示页面内容)、css样式(渲染html)、JavaScript(渲染html)。
2.1.2 动态页面
网页生成后,页面内容还会自动发生变化。页面内容和数据库进行联通,数据库中变,页面就变。
一般动态页面都会应用AJXA异步加载。
2.2 HTTP和HTTPS
2.2.1 HTTP协议
HTTP协议(超文本传输协议),Web服务器和客户端直接进行数据传输都是明文形式。
2.2.2 网景公司
网景公司 --> 谋智 --> 火狐浏览器。网景公司根据HTTP协议做了改进 --> HTTPS。
http = http + ssl
ssl加密协议 --> 将web服务器和客户端的数据进行加密。
2.3 cookie
2.3.1 作用
将用户的账号密码使用某些形式保存在本地。
2.3.2 性质
有时效性。
2.3.3 爬虫中cookie作用
在爬虫中cookie作用:将本地的请求和远程的服务器中保存的账号密码做对比。
2.4 GET和POST
GET和POST:两种不同的和服务器对话的方式。
2.4.1 GET
GET:requests利用GET请求方式向服务器发送请求(加密机制很简单甚至不加密)。
2.4.2 POST
POST:向服务器发送内容,例如账号密码(某个网站注册登录账号密码)。
3. 模块安装
3.1 requests的作用
Python实现的简单易用的能够请求网页的三方模块。
3.2 装三方模块准备
如果TErminal中显示的是ps,按照三方模块会直接安装到本机主环境。
使用venv\Scripts\activate激活虚拟环境。
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
修改微软的powershell策略组。
3.3 修改镜像源
镜像源:存储python三方模块的仓库,python的三方模块所有人都可以制作发布。
3.4 requests模块安装
"""
window:
pip install requests
Mac、linux:
pip3 install requests
"""
4. requests的使用
requests:pyrhon实现的简单易用的网址请求模块。
import requests
4.1 请求网址
URL = 'http://www.baidu.com/'
# 请求百度服务器 + 获取百度服务器响应结果
resp = requests.get(url=URL)
4.2 查看状态码
查看状态码:告诉我们现在服务器的状态: resp.status_code
# 200:爬虫可用
# 403:爬虫被服务器拒绝了
# 404:资源丢失
# 500:服务器崩溃
print(resp.status_code)
4.3 查看cookie
print(resp.cookies)
4.4 如果页面源码发生了乱码,怎么办?
"""
响应结果使用的编码方式默认是ISO-8859-1,它不支持中文。
"""
resp.encoding = 'utf-8'
4.5 查看页面的源代码(字符串形式)
print(resp.text)
4.6 查看页面的源代码(二进制形式)
查看页面的源代码(二进制形式) --> 图片、音频、视频等。
# b'xxxxxxx' --> 二进制
# print(resp.content)
5. 爬虫伪装
User-Agent作用:将爬虫伪装成浏览器。
import requests
URL = 'https://www.baidu.com/'
# 伪装爬虫
# User-Agent作用:将爬虫伪装成浏览器
Headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=URL, headers=Headers)
if resp.status_code == 200:
resp.encoding = 'utf-8'
print(resp.text)
else:
print(resp.status_code)
6. requests请求王者荣耀
import requests
def requests_url(href):
Headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=href, headers=Headers)
if resp.status_code == 200:
return resp
else:
return resp.status_code
URL = 'https://pvp.qq.com/web201605/herolist.shtml'
result1 = requests_url(URL)
result1.encoding = 'gbk'
print(result1.text)
7. 天行数据
import requests
import json
# api接口中的数据是使用json进行传输的
content = input('请输入一个垃圾:')
# api接口请求地址和参数之间使用?连接,参数以key=value的形式传入,参数和参数之间使用&连接
URL = f'http://api.tianapi.com/lajifenlei/index?key=70fc43dfda9dc06c4da4aa6dcac916d3&word={content}'
# 大部分API接口没有反爬机制。
resp = requests.get(url=URL)
print(resp.text, type(resp.text))
# 序列化:loads()
data = json.loads(resp.text)
print(data, type(data))
# 获取json数据中有用信息
for i in data['newslist']:
print(i['explain'])
8. 图片读取与下载
# 图片读取
with open('1.jpg', 'rb') as f1:
result = f1.read()
# print(result)
# 模拟图片下载(图片二进制写入本地文件)
with open('2.jpg', 'wb') as f2:
f2.write(result)
# 如何下载在线图片、音频、视频?
import requests
# 百度图片链接
URL = 'https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png'
resp = requests.get(url=URL)
print(resp.content)
with open('baidu.png','wb') as f3:
f3.write(resp.content)