一篇文章教你如何使用python爬虫

一、什么是爬虫

 通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

1、爬虫带来的风险可以体现在如下2方面：

•  爬虫干扰了被访问网站的正常运营
• 爬虫抓取了收到法律保护的特定类型的数据或信息

2、爬虫在使用场景中的分类

• 通用爬虫： 抓取系统重要组成部分。抓取的是一整张页面数据。
•  聚焦爬虫： 是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。
•  增量式爬虫： 检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

3、反爬机制

• 门户网站，可以通过制定相应的策略或者技术手段，防止爬虫程序进行网站数据的爬取。

4、反反爬策略

• 爬虫程序可以通过制定相关的策略或者技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站中

二、python爬虫request模块

1、requests模块

• python中原生的一款基于网络请求的模块，功能非常强大，简单便捷，效率极高。 作用：模拟浏览器发请求。

2、request模块如何使用

• 指定url
• UA伪装
• 请求参数的处理
•  发起请求
•  获取响应数据
• 持久化存储

三、爬虫实战

需求：爬取肯德基餐厅查询http://www.kfc.com.cn/kfccda/index.aspx中指定地点的餐厅数据

import requests
import json

# 爬取kfc门店地址
# 爬取url地址
url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'

# UA伪装
header = {
    'User-Agent' :'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}
json_list = []
# 输入参数
kw = input("enter the keywords：")
# 组装参数
for page in range(1,7):
    page = str(page)
    para = {
        'cname': '',
        'pid': '',
        'keyword': kw,
        'pageIndex': page,
        'pageSize': '10'
    }
    # 发送post请求
    obj = requests.post(url=url,params=para,headers=header).json()
    json_list.append(obj)

#持久化数据
fileName = "address.json"
with open(fileName,'w',encoding="utf-8") as fp:
    json.dump(json_list,fp=fp,ensure_ascii=False)
print("over")

代码详细地址为：kfc爬取门店代码