想要学习爬虫,首先需要知道爬虫大致步骤
首先需要指定爬虫对象的URL,即网站,就像你浏览网页,也是需要打开URL;
第二步就是对该URL发起请求,比如常用的get请求;
第三步就是获取响应数据;
学习数据解析之后第四步就是数据解析,即对相应对象进行源码分析,获得有价值的;
第五步持久化存储。
1.这里以爬取搜狗搜索首页为例
import requests # 首先需要导入requests模块
if __name__ == "__main__":
# 1指定URL
url = 'https://www.sogou.com/'
# 2.发起请求,get方法会返回一个响应对象
response = requests.get(url)
# 3.获取响应数据.text返回的是字符串形式的响应数据
page_text = response.text
print(page_text)
# 4.持久化存储
with open(r'D:\python_vscode\PY文件\爬虫\qq.html', 'w',
encoding='utf-8') as fp:
fp.write(page_text)
print("爬取数据结束!!!")
2.经常会遇到的是get请求发起之后没有返回,这是就需要进行UA伪装
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36 Edg/83.0.478.58'
}
此处的User-Agent是从浏览器的检查中提取的
3.有时也需要字典封装关键词,例如获取某一个关键词搜索结果
kw = input('enter a word:')
param = {
'query': kw
}
此时的get请求就变成了这样
response = requests.get(url=url, params=param, headers=headers)
4.当然requests的方法不止get一个,常用的还有post等,可以去了解一下post,这里就不在细说。
5.爬虫时还有可能遇到一种情况,那就是想要获取的内容分页,比如一般小说可能会按章节分页,豆瓣电影会按每页固定数量内容分页,这时就需要我们仔细观察它们不同页码的URL,这里以豆瓣电影top250为例,第一页url=‘https://movie.douban.com/top250’,第二页url=‘https://movie.douban.com/top250?start=25&filter=’, 第三页url=‘https://movie.douban.com/top250?start=50&filter=’, 我们发现不同的只是start值,于是我们就可以这么设定url
urls = ['https://movie.douban.com/top250?start='+str(n)+'&filter=' for n in range(0, 250, 25)]
然后后面跟一个for循环
for url in urls:
# 后面内容就可以参考上面了
时间关系,今天requests模块就写到这吧,具体详细内容参考官方文档。