python

爬虫流程：

• 获取网页
  • 基础技术：request、urllib、selenium（模拟浏览器）
  • 进阶技术：多进程多线程抓取、登陆抓取、突破IP封禁、服务器抓取
• 解析网页
  • 基础技术：re正则表达式、BeautifulSoup和lxml
  • 进阶技术：解决中文乱码
• 存储数据
  • 基础技术：存入txt文件和存入csv文件
  • 进阶技术：存入MySQL和MongoDB数据库

数据类型

1、字符串

string = 'He11o World'

2、数字
整数(int)，浮点数(float)，可以互相转换

int = 7
float = 7.5

3、列表
类似js数组，可放任意类型数据

list = ['str', 1, 3]

4、字典
类键值对

json = { “key1" : "va1ue1", “key2" : "va1ue2"}
# 遍历
for key, value in json.items(): # :相当于{}
	print（key,value)d

条件、循环语句

循环条件无 ()，循环语句用缩进代替 {}

if else
if elif else
for
while

函数

# 定义函数
def cal(x):
	y = x +1 
	return y
# 调用函数
result = cal(2)
print (result)

对象

__init__ 在创建实例时会自动调用
self参数自动指向实例，不用传参

class Person:		# 创建类
	def __init__(self, name, age):	# __init__() 子实例创建就马上会调用里面的函数
		self.name = name
		self.age = age

静态网页抓取

豆瓣Top250抓取demo

# 引入模块
import requests
from bs4 import BeautifulSoup

def get_movies():
# 模拟请求头
	headers = {
		'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36',
		'Host': 'movie.douban.com'
	}
	movie_list = []
	for i in range(0, 10):
		link = 'https://movie.douban.com/top250?start=' + str(i*25)
		#get请求（链接，请求头，超时时长）
		r = requests.get(link, headers=headers, timeout=20)
		print (str(i + 1), "页响应状态码:", r.status_code)
		# 解析爬下来的页面
		soup = BeautifulSoup(r.text, "lxml")
		div_list = soup.find_all('div', class_= 'hd')
		for each in div_list:
			movie = each.a.span.text.strip()
			movie_list.append(movie)
	return movie_list

movies = get_movies()
print (movies)

获取响应内容

r = requests.get('http://...')

1. r.text 服务器响应的内容
2. r.encoding 服务器的文本编码
3. r.status_code 状态码
4. r.content 字节响应体
5. r.json() json解码器

传递URL参数

key_dict = {'key1': 'value1', 'key2': 'value2'} 
r = requests.get('http://...', params = key_dict)

定制请求头

headers = {
	'user0agent': 'Mozila/5.0...',
	'Host': 'movie.douban.com'
}
r = requests.get('http://...', headers = headers)

发送post请求

key_dict = {'key': 'value1', 'key2': 'value2'}
r = requests.post('http://...', data = key_dict)

正则表达式

re.search('^((?!vuejs).)*$'		# 匹配不包含vuejs的字符串
re.findall(".*str1(.*)str2.*", string)	# 匹配str1和str2之间的字符串

模板字符串

'./static/{name}'.format(name=_name)