1.爬虫必备基础知识(Python)

一. 必备Python基础

1.1 基础语法相关

1. if条件判断

   if 条件:
       # 事情1
   else:
       # 事情2
       
   当你需要判断的时候. 就去写if. 
   
   

   上面就是if的最基础的语法规则. 含义是, 如果条件为真, 去执行事情1, 如果条件不真, 去执行事情2. 它是用来做条件判断的

   举例,

   在写爬虫的时候. 会遇到这样的两种情况

   情况一, 数据里有一些不需要的内容

   data = "10,英雄本色,1500万"   # 正常你需要的数据
   data = "11,-,-"  # 你不需要的数据
   
   # 伪代码, 理解含义(思路)
   if data里有你需要的数据:
   	处理数据
   else:
    	再见
   
   

   baidu.com

   第一页的内容和第二页的内容

   网页有可能会有多种页面结构

   1. 逼着自己写一个提取器。 去适应不同的页面结构 -> 难度系数(非常高)

   2. 写两个提取器, 不同的提取器去爬取不同的网页

   情况二, 页面结构不统一, 会有两种页面结构

   # 伪代码, 理解含义(思路)
   提取器1 = xxxx  #  用来提取页面中内容的
   提取器2 = xxxxxx
   
   # 页面有可能是不规则的。 
   结果1 = 提取器1.提取(页面)
   if 结果1:
       有结果. 存起来
   else:
       没有结果. 
       结果2 = 提取器2.提取(页面)
   

2. while循环

   while 条件:
       循环体
   

   如果条件为真, 就执行循环体, 然后再次判断条件…直到条件为假. 结束循环.

   反复的执行一段代码

3. 关于True和False

   True, 是真

   False, 是假

   下面这个 需要记住

   # 几乎所有能表示为空的东西. 都可以认为是False
   print(bool(0))
   print(bool(""))
   print(bool([]))
   print(bool({}))
   print(bool(set()))
   print(bool(tuple()))
   print(bool(None))
   # 上面这一坨全是False, 相反的. 都是真. 利用这个特性. 我们可以有以下的一些写法
   
   # 伪代码, 理解逻辑. 
   结果 = 提取器.提取(页面)
   if 结果:
       有结果. 我要保存结果
   else:
       没结果.......
   

1.2 字符串

字符串在`爬虫`里. 必须要知道的几个操作:

1. 索引和切片
   索引, 就是第几个字符. 它从0开始.
   切片, 从字符串中提取n个字符.

   s = "今天我不上班"
   print(s[1])
   print(s[0])
   
   print(s[2:4])  从第2个, 到第4个(取不到4)
   

2. strip()

   我们从网页上提取的数据. 很多都是带有一些杂质的(换行, 空格),怎么去掉?

   strip()可以去掉字符串左右两端的空白(空格, 换行\n, 回车\r, 制表符\t)

   s = "    \t\t\t我的天哪\r\r      \n\n  "  # 够乱的字符串
   s1 = s.strip()
   print(s1)  # 好了 `我的天哪`
   

3. split()

   split, 切割

   s = "10,男人本色,100000万"  # 你在网页上提取到这样的一段数据. 现在我需要电影名称
   tmps = s.split(",")
   name = tmps[1]
   print(name)  # 男人本色
   
   id, name, money = s.split(",")  # 切割后. 把三个结果直接怼给三个变量
   print(id)
   print(name)
   print(money)
   

4. replace()

   replace, 字符串替换

   s = "我      \t\t\n\n爱   黎       明    "   # 这是你从网页上拿到的东西
   s1 = replace(" ", "").replace("\t", "").replace("\n", "")  # 干掉空格, \t, \n
   print(s1)  # 我爱黎明
   

5. join()

   join, 将列表拼接为一个完整的字符串

   lst = ["我妈", "不喜欢", "黎明"]  # 有时,由于网页结构的不规则, 导致获取的数据是这样的. 
   s1 = "".join(lst)  # 用空字符串把lst中的每一项拼接起来
   print(s1)  # 我妈不喜欢黎明
   
   lst2 = ["\n\r","\n\r","周杰伦\n\r", "\n不认识我\r"] 
   s2 = "".join(lst2).replace("\n", "").replace("\r", "")
   print(s2)  # 周杰伦不认识我
   
   

6. f-string

   格式化字符串的一种方案

   s = "周杰伦"
   s1 = f"我喜欢{s}"  #  它会把一个变量塞入一个字符串
   print(s1)  # 我喜欢周杰伦
   
   k = 10085
   s2 = f"我的电话号是{k+1}" # 它会把计算结果赛入一个字符串
   print(s2)  # 我的电话号是10086
   
   # 综上, f-string的大括号里, 其实是一段表达式.能计算出结果即可
   
   

1.3 列表

列表, 我们未来遇见的仅次于字符串的一种数据类型. 它主要是能承载大量的数据. 理论上. 你的内存不炸. 它就能一直存

1. 索引, 切片

   列表的索引和切片逻辑与字符串完全一致

   lst = ["赵本山", "王大陆", "大嘴猴", "马后炮"]
   item1 = lst[2]  # 大嘴猴
   item2 = lst[1]  # 王大陆
   
   lst2 = lst[2:]
   print(lst2)  # ["大嘴猴", "马后炮"]
   
   # 注意, 如果列表中没有数据. 取0会报错
   lst = []
   print(lst[0])  # 报错, Index out of bounds
   
   # 注意, 如果给出的索引下标超过了列表的最大索引. 依然会报错
   lst = ["123", "456"]
   print(lst[9999])  # 报错, Index out of bounds
   
   

2. 增加

   给列表添加数据. append

   lst = [11,22]
   lst.append(33)
   lst.append(44)
   print(lst)  # [11,22,33,44]
   

3. 删除

   删除数据(不常用, 好不容易爬到的数据. 为什么要删)

   lst.remove("周润发")  #  把周润发删掉
   

4. 修改

   lst = ["赵本山", "王大陆", "大嘴猴", "马后炮"]
   lst[1] = "周杰伦"
   print(lst)  # ["赵本山", "周杰伦", "大嘴猴", "马后炮"]
   

5. range

   用for循环数数的一个东西

   for i in range(10):
       print(i)   # 从0数到9
      
   for i in range(5, 10):
       print(i)  # 从5 数到 9
   

6. 查询(必会!!!)

   lst = ["赵本山", "周杰伦", "大嘴猴", "马后炮"]
   print(lst[0])
   print(lst[1])
   print(lst[2])
   print(lst[3])
   
   # 循环列表的索引
   for i in range(len(lst)):
       print(lst[i])
   # 循环列表的内容
   for item in lst:
       print(item)
   

1.4 字典

字典可以成对儿的保存数据.

1. 增加

   dic = {}
   dic['name'] = '樵夫'
   dic['age'] = 18
   
   print(dic)  # {"name": "樵夫", "age": 18}
   
   

2. 修改

   dic = {"name": "樵夫", "age": 18}
   dic['age'] = 19
   print(dic)  # {"name": "樵夫", "age": 19}
   

3. 删除(不常用)

   dic = {"name": "樵夫", "age": 18}
   dic.pop("age")
   print(dic)  # {'name': '樵夫'}
   

4. 查询(重点)

   dic = {"name": "樵夫", "age": 18}
   
   a = dic['name']  # 查询'name'的值
   print(a)  # 樵夫
   
   b = dic['age']  # 拿到dic中age对应的值
   print(b)  # 18
   
   c = dic['哈拉少']   # 没有哈拉少. 报错
   d = dic.get("哈拉少")  # 没有哈拉少, 不报错. 返回None. 它好. 它不报错
   
   

   循环

   dic = {"name": "樵夫", "age": 18}
   for k in dic:  # 循环出所有的key
       print(k)  
       print(dic[k])  # 获取到所有的value并打印
       
   

   嵌套

   dic = {
       "name": "王峰",
       "age": 18,
       "wife": {
           "name": "章子怡",
           "age": 19,
       },
       "children": [
           {'name':"胡一菲", "age": 19},
           {'name':"胡二菲", "age": 18},
           {'name':"胡三菲", "age": 17},
       ]
   }
   
   # 王峰的第二个孩子的名字
   print(dic['children'][1]['name'])
   # 王峰所有孩子的名称和年龄
   for item in dic['children']:
       print(item['name'])
       print(item['age'])
   

1.5 字符集和bytes

字符集, 记住两个字符集就够了. 一个是utf-8, 一个是gbk. 都是支持中文的. 但是utf-8的编码数量远大于gbk. 我们平时使用的最多的是utf-8

# 把字符串转化成字节
bs = "我的天哪abcdef".encode("utf-8")
print(bs)  #  b'\xe6\x88\x91\xe7\x9a\x84\xe5\xa4\xa9\xe5\x93\xaaabcdef'
# 一个中文在utf-8里是3个字节. 一个英文是一个字节. 所以英文字母是正常显示的

# 把字节还原回字符串
bs = b'\xe6\x88\x91\xe7\x9a\x84\xe5\xa4\xa9\xe5\x93\xaaabcdef'
s = bs.decode("utf-8")
print(s)

记住, bytes不是给人看的. 是给机器看的. 我们遇到的所有文字, 图片, 音频, 视频. 所有所有的东西到了计算机里都是字节.

1.6 文件操作

python中. 想要处理一个文件. 必须用open()先打开一个文件

语法规则

f = open(文件名, mode="模式", encoding='文件编码')
f.read()|f.write()
f.close()

文件名就不解释了.

模式:
我们需要知道的主要有4个. 分别是: r, w, a, b

1. r 只读模式. 含义是, 当前这一次open的目的是读取数据. 所以, 只能读. 不能写
2. w 只写模式. 含义是, 当前这一次open的目的是写入数据. 所以, 只能写, 不能读
3. a 追加模式. 含义是, 当前这一次open的目的是向后追加. 所以, 只能写, 不能读
4. b 字节模式. 可以和上面三种模式进行混合搭配. 目的是. 写入的内容或读取的内容是字节.

问:

1. 如果我想保存一张图片. 应该用哪种模式?
2. 我想读取txt文件, 用哪种模式?
3. 我想复制一个文件. 应该用哪种模式?

encoding: 文件编码. 只有处理的文件是文本的时候才能使用. 并且mode不可以是b. 99%的时候我们用的是utf-8

另一种写法:

with open(文件名, mode=模式, encoding=编码) as f:
    pass

这种写法的好处是, 不需要我们手动去关闭f

读取一个文本文件:

with open("躺尸一摆手.txt", mode="r", encoding="utf-8") as f:
    for line in f:  # for循环可以逐行的进行循环文件中的内容
        print(line)

1.7 关于函数

在代码量很少的时候, 我们并不需要函数. 但是一旦代码量大了. 一次写个几百行代码. 调试起来就很困难. 此时, 建议把程序改写成一个一个具有特定功能的函数. 方便调试. 也方便代码的重用

def 函数名(形式参数):
    # 函数体
    return 返回值

上面是编写一个函数的固定逻辑. 但是, 编写好的函数是不会自己运行的. 必须有人调用才可以

函数名(实际参数)

写一个试试:

def get_page_source(url):
    print("我要发送请求了. 我要获取到页面源代码啊")
    return "页面源代码"

pg_one = get_page_source("baidu.com")
pg_two = get_page_source("koukou.com")

再来一个

def download_image(url, save_path):
    print(f"我要下载图片{url}了", f"保存在{save_path}")

donwload_image("http://www.baidu.com/abc/huyifei.jpg", "胡二飞.jpg")
donwload_image("http://www.baidu.com/aaa/dagedagefeifeifei.jpg", "大哥大哥飞飞飞.jpg")

总结, 函数的好处就是, 以后需要该功能. 不用再写重复代码了.

1.8 关于模块

模块就是已经有人帮我们写好了的一些代码, 这些代码被保存在一个py文件或者一个文件夹里. 我们可以拿来直接用

在python中有三种模块.

第一种, python内置模块

不用安装. 直接导入就能用

第二种, 第三方模块

需要安装. 安装后. 导入就可以用了

第三种, 自定义模块(新手先别自己定义模块)

直接导入就能用

导入模块的语法

import 模块
from 模块 import 功能
from 模块.子模块 import 功能

举例子, 
import os
import sys
from urllib.parse import urljoin
from bs4 import BeautifulSoup

搞爬虫.必须要了解的一些python内置模块

1. time模块

   import time
   time.time()  # 这个是获取到时间戳
   time.sleep(999)  # 让程序暂停999秒
   

2. os模块

   import os
   # 判断文件是否存在
   os.path.exists()  #  判断文件或者文件夹是否存在
   os.path.join()    # 路径拼接
   os.makedirs()     # 创建文件夹
   

3. json模块(重中之重)

   现在的网站不同于从前了. 习惯性用json来传递数据. 所以, 我们必须要知道json是啥, 以及python如何处理json.

   json是一种类似字典一样的东西. 对于python而言, json是字符串.

   例如,

   s = '{"name": "jay", "age": 18}'
   

   你看. 这破玩意就是json

   如何来转化它.

   json字符串 => python字典

   import json
   s = '{"name": "jay", "age": 18}'
   dic = json.loads(s)
   print(type(dic))
   

   python字典 => json字符串

   import json
   dic = {"name": "jay", "age": 18}
   s = json.dumps(dic)
   print(type(s))
   

4. random模块

   随机. 没别的用处.生成随机数

   import random
   i = random.randint(1, 10)  # 1~10的随机数
   print(i)   # 多跑两次.效果更加
   

5. 异常处理

   这个是重点. 我们在写爬虫的时候. 非常容易遇到问题. 但这些问题本身并不是我们程序的问题.

   比如, 你在抓取某网站的时候. 由于网络波动或者他服务器本身压力太大. 导致本次请求失败. 这种现象太常见了. 此时, 我们程序这边就会崩溃. 打印一堆红色的文字. 让你难受的一P. 怎么办?

   我们要清楚一个事情. 我们平时在打开一个网址的时候. 如果长时间没有反应, 或者加载很慢的时候. 我们习惯性的会刷新网页. 对吧. 这个逻辑就像: 程序如果本次请求失败了. 能不能重新来一次. OK, 我们接下来聊的这个异常处理. 就是干这个事儿的.

   try: # 尝试...
       print("假如, 我是一段爬虫代码, 请求到对方服务器")
       print("我得出事儿啊")
       print(1/0)  # 出事儿了
   except Exception as e:  # 出错了. 我给你兜着
       print(e)  # 怎么兜?  打印一下. 就过去了
       
   print("不论上面是否出错. 我这里, 依然可以执行")
   

   看懂了么? 程序执行的时候. 如果try中的代码出现错误. 则自动跳到except中. 并执行except中的代码. 然后程序正常的, 继续执行

   有了这玩意. 我们就可以写出一段很漂亮的代码逻辑:

   while 1:
       try:
           我要发送请求了. 我要干美国CIA的总部. 我要上天
           print("我成功了!!")
           break  # 成功了.就跳出循环
       except Exception as e:
           print("失败了")
           print("我不怕失败")
           print("再来")
          
   

   改良版:

   import time
   for i in range(10):
       try:
           我要发送请求了. 我要干美国CIA的总部. 我要上天
           print("我成功了!!")
           break  # 成功了.就跳出循环
       except Exception as e:
           print("失败了")
           print("我不怕失败")
           print("再来")
           time.sleep(i * 10)
           
   

在写代码测试阶段. 不要加try…except… 要不然不知道错哪儿了