目录
什么是爬虫?
爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
即:打开一个网页,有个工具,可以把网页上的内容获取下来,存到你想要的地方,这个工具就是爬虫。
通俗易懂的说法就是,通过编程从网上爬取数据。
爬虫思路
爬虫的大体思路就分四部
1获取网址(url)
2发送请求,获得响应
3.提取数据
4保存数据
大体了解了一下就用实例说话
import requests # 第三方库 需要单独安装使用 pip install requests 放起网络请求
from lxml import etree # 数据解析
# 目标网址
url='https://m.huya.com/g/2168'
# 伪装头
headers = {
'user-agent': '178.69.45.2'
}
# 发起网络请求,并获取数据
response = requests.get(url=url,headers=headers)
# print(response.text)# 打印前端的源代码
# 数据解析
data = etree.HTML(response.text)
girls = data.xpath('//img[@class="pic"]') # 一组照片的标签
# 遍历数据
for girl in girls:
img_url = girl.xpath('./@data-original')[0] # 初始缩小的照片
img_url = img_url.split('?')[0] # 原图连接
name = girl.xpath('./@alt')[0] # 主播名字
image = requests.get(url=img_url,headers=headers) # 图片数据
with open('./s/%s.jpg' % name, 'wb') as jpg:
jpg.write(image.content)
print('《%s》 已下载完毕' % name)
else: # 若for循环不执行,所执行的代码
print("循环下载失败")
以上实例就是一个爬取虎牙直播封面的小案例
使用了requests、lxml 库
需要自行下载
下载方式就是 打开命令行 分别输入pip install requests/pip install lxml 即可
如图所示
接下来就是将虎牙小案例进行解释
将目标网址 用url接收
然后发送请求,获得响应,用response接收
也可以将这两项合并
response = requests.get('https://m.huya.com/g/2168',headers=headers)
这一块是将数据进行解析,拿到需要的数据,也就是数据筛选
最后就是数据保存
完成