第五周 Day1 —— 网络数据采集
网络数据采集 ---------- > 爬虫
一、 怎么写爬虫程序
-
获取页面的代码
HTML ----------> 数据放在HTML标签中
-
解析HTML页面
正则表达式 / XPath / CSS选择器
-
数据的持久化
文本文件(CVS) / Excel / 数据库
二、写爬虫程序违法吗?
-
处于灰色地带 ---------> 法不禁止即为许可
-
如果被目标网站举证你有破坏别人动产的行为,打官司基本败诉。
-
遵循爬虫协议 ---------> robots.txt
-
如果不想遵守爬虫协议 ----------> 隐匿自己的身份(让目标网站感觉不到你是一个爬虫程序,而是一个正来自浏览器的正常请求)
三、 爬虫的分类
- 通用爬虫
- 定向爬虫(只关注某类某领域的数据)
四、什么是HTML
- Hyper — Text Markup Language — 超文本标签语言
- 浏览器就是HTML语音的解释器,它能够执行HTML书写的代码
- HTML页面中最核心的就是标签,除了表现之外,还有CSS和JavaScript
HTML = Tag(标签) + CSS(层叠样式表) + JavaScript(JS)
Tag -----> 数据(content)
CSS -----> 显示(display)-----> 选择器
JavaScript ------> 行为(behavior) ------> 代码
五、获取HTML代码
requests - 基于HTTP协议(超文本传输协议)进行网络资源访问的三方库
URL ----> 网址 -----> Uniform Resource Locator -------> 统一资源定位符
URI -----> 统一资源标识符 -----> Universal Resource Identifier ----> 网络上的一个资源的唯一标识
URI -----> URL / URN
import requests
resp = requests.get('https://www.sohu.com/')
print(type(resp)) # <class 'requests.models.Response'>
print(resp.text) #
- 完整的URL:
https://username:password@www.sohu.com:443/path1/path2/index.html
- 协议
://
用户名:
口令@
主机(服务器域名或IP地址):
端口号/
路径/
子路径/
资源名称
练习:获取百度首页图标
import requests
# 获取百度首页图标
resp = requests.get('https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png')
with open('baidu_logo.png', 'wb')as file:
file.write(resp.content)
六、HTTP 超文本传输协议
1. 请求
- 请求行:请求方式 请求路径 协议版本
- 请求头:键值对
Host
:请求的主机Accept
:接受的内容类型User-agent
:操作系统和浏览器平台-----> 如果爬虫要伪装成浏览器,就需要Accept-Language
:浏览器的语言设定Accept-Encoding
:编码和压缩方式
- 空行
- 消息体:浏览器要发给服务器的数据
2. 响应
- 响应行:协议版本 响应状态码
2xx
:成功3xx
:重定向4xx
:请求有问题404
:Not Found
—> 找不到对应的资源401
:Unauthorized
-----> 未授权403
:ForBiden
-----> 禁用(没有权限)405
:Method Not Allowed
------> 请求方式不对418
:I am a tea pot
-----> 服务器给不了你想要的东西
5xx
:服务器挂了
- 响应头:键值对
- 空行
- 消息体:服务器给浏览器的内容 ----> (如果请求的是网页,消息体里面就是HTML代码:如果请求的是图片,消息体里面就是图片的二进制数据)
获取豆瓣top250电影标题
import requests
import re
import time
import random
# 正则表达式捕获组
pattern = re.compile(r'\<span class="title"\>(.+?)\<\/span\>')
for page in range(10):
resp = requests.get(
url=f'https://movie.douban.com/top250?start={page * 25}',
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) '
'AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/88.0.4324.190 Safari/537.36'
}
)
print(resp.status_code) # 响应状态码 只有是2xx时才能请求成功
movie_titles = pattern.findall(resp.text)
for title in movie_titles:
print(title)
time.sleep(random.randint(3, 5))