一、爬虫是什么?
沿着网络抓取自己的猎物(数据)爬虫指的是:向网站发起请求,获取资源后分析并提取有用数据的程序;
从技术层面来说就是 通过程序模拟浏览器请求站点的行为,把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地,进而提取自己需要的数据,存放起来使用;
二、爬虫的基本流程:
用户获取网络数据的方式:
方式1:浏览器提交请求--->下载网页代码--->解析成页面
方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中
爬虫要做的就是方式2;
1、发起请求
使用http库向目标站点发起请求,即发送一个Request
Request包含:请求头、请求体等
Request模块缺陷:不能执行JS 和CSS 代码
2、获取响应内容
如果服务器能正常响应,则会得到一个Response
Response包含:html,json,图片,视频等
3、解析内容
解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等
解析json数据:json模块
解析二进制数据:以wb的方式写入文件
4、保存数据
数据库(MySQL,Mongdb、Redis)
文件
三、http协议 请求与响应
Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket server)
Response:服务器接收请求,分析用户发来的请求信息,然后返回数据(返回的数据中可能包含其他链接,如:图片,js,css等)
ps:浏览器在接收Response后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中的有用数据。
四、 request
1、请求方式:
常见的请求方式:GET / POST
2、请求的URL
url全球统一资源定位符,用来定义互联网上一个唯一的资源 例如:一张图片、一个文件、一段视频都可以用url唯一确定
url编码
图片会被编码(看示例代码)
网页的加载过程是:
加载一个网页,通常都是先加载document文档,
在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求
3、请求头
User-agent:请求头中如果没有user-agent客户端配置,服务端可能将你当做一个非法用户host;
cookies:cookie用来保存登录信息
注意: 一般做爬虫都会加上请求头
请求头需要注意的参数:
(1)Referrer:访问源至哪里来(一些大型网站,会通过Referrer 做防盗链策略;所有爬虫也要注意模拟)
(2)User-Agent:访问的浏览器(要加上否则会被当成爬虫程序)
(3)cookie:请求头注意携带
4、请求体
请求体 如果是get方式,请求体没有内容 (get请求的请求体放在 url后面参数中,直接能看到) 如果是post方式,请求体是format data ps: 1、登录窗口,文件上传等,信息都会被附加到请求体内 2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post
五、 响应Response
1、响应状态码
200:代表成功
301:代表跳转
404:文件不存在
403:无权限访问
502:服务器错误
2、respone header
响应头需要注意的参数:
(1)Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来
(2)Content-Location:服务端响应头中包含Location返回浏览器之后,浏览器就会重新访问另一个页面
3、preview就是网页源代码
JSO数据
如网页html,图片
二进制数据等
六、深抓页面代码说明
req = webdriver.Chrome()#打开谷歌浏览器
req.get(self.site_url)#获取html信息
time.sleep(3)
html1 = req.page_source
soup = BeautifulSoup(html1, 'lxml')#解析html#采用BeautifulSoup第三方插件
访问的页面中,不可避免会有内嵌页面
iframes = soup.findAll('iframe') #抓取内嵌页面
然后保存html页面
html中 包含了,js、css、img等文件的url.解析html得到所需要的各个资源。
python中的 re模块,为正则匹配、分组的模块,通过匹配,拼接url,获取相关的链接地址,访问获取相应的资源。
css 中资源同时也包含了 img的资源文件。所以,也要对获取到的css进行解析。匹配,拼接得到所需要抓取的资源。
完整代码如下:
# -*-coding=utf-8-*-
import os
import re
import time
from urllib.parse import urljoin
from selenium import webdriver
import requests
from bs4 import BeautifulSoup
from url_decode import urldecode
import lxml
#安装python 3.7后 需要升级pip管理工具
#python -m pip install --upgrade pip
#pip install selenium #浏览器内核
#pip install bs4 #html解析工具
#pip install urldecode #url编码
#pip install requests
#pip install lxml #依赖库
class GovSpider:
def __init__(self):
self.site_url = 'http://www.creatar.com/show-date-43.html' #设置深抓的网页
self.spath = re.sub('.*//', '', self.site_url)
sindex = self.spath.find('/')
if sindex != -1:
self.spath = self.spath[:sindex]
self.base_path = 'C:\\html\\' + self.spath
print('base:', self.base_path)
def start_page(self):
req = webdriver.Chrome()
req.get(self.site_url)
time.sleep(3)
html1 = req.page_source
soup = BeautifulSoup(html1, 'lxml')
iframes = soup.findAll('iframe')
self.gs_runner(urldecode(html1))
if iframes:
print('有隐藏页面:', iframes)
for ifr_url in iframes:
if 'https:' not in ifr_url or 'http' not in ifr_url:
ifr_url = urljoin(self.site_url, ifr_url.get('src'))
print('进入隐藏页面:', ifr_url, ',并开启隐藏页面抓取img、css、js的程序........')
try:
html2 = requests.get(ifr_url).text
self.gs_runner(urldecode(html2))
except Exception as e:
print('隐藏页面的地址格式不正确,无法访问:', ifr_url)
# 程序运行完毕,自动关闭浏览器
req.quit()
def download_imgs(self, html, css_link):
# 多筛选 防止无格式或不在src下的图片漏下
liResults = re.findall('(".*?")|(\(.*?\))', html)
# print(liResults)
if liResults:
print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载img文件>>>>>>>>>>>>>>>>>>>>>>>>>')
for liResult in liResults:
for img_li in liResult:
if img_li and ('{' not in img_li and '</' not in img_li) \
and (re.findall('(\.jpg)|(jpg\?)|(\.ico)|(ico\?)|(\.png)|(png\?)|'
'(\.svg)|(svg\?)|(\.gif)|(gif\?)|(\.webp)|(webp\?)|(data:image)', img_li)):
if re.findall('(\(.*?\))', img_li) and '\/' not in img_li:
img_urls = [re.sub('(.*\()|(\).*)|[";]|(")', '', img_li).replace("'", '')]
else:
img_urls = [
re.sub('[";]', '', img_li).replace('\/\/', '//').replace('\/', '//').replace("'", '')]
if not re.findall('(base.*?,)', img_urls[0]):
if ',' in img_urls[0]:
print('检测到有多路径img_url,正在深入抓取......')
img_urls = img_urls[0].split(',')
for img_url in img_urls:
try:
if 'http:' not in img_url or 'https:' not in img_url:
img_url = urljoin(self.site_url, img_url)
img_name = re.sub('(.*//)', '', img_url)
f_index = img_name.find('/')
l_index = img_name.rfind('/')
dir_path = self.spath + img_name[f_index:l_index]
if not os.path.exists(dir_path):
os.makedirs(dir_path)
img_name = re.sub('(.*/)', '', img_url)
print('正在下载img文件:', img_url)
img = requests.get(img_url).content
with open('./%s' % (dir_path + '/' + img_name), 'wb') as f:
f.write(img)
except Exception as e:
print(img_url, e, '\r\nthis is uvaild url')
if css_link:
print('Enter_css---------开始进入css文件中发起深入抓取图片---------Enter_css')
self.enter_css_img(css_link)
print('===========================img文件下载完毕=============================')
def enter_css_img(self, css_links):
print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载css文件中的img>>>>>>>>>>>>>>>>>>>>>>>>>')
for css_link in css_links:
print('当前正深入的css_link是', css_link)
css_text = requests.get(css_link).text
# 多筛选 防止无格式或不在src下的图片漏下
liResult = re.findall('(\(.*?\))', css_text)
if liResult:
for img_li in liResult:
if img_li and ('{' not in img_li and '</' not in img_li) \
and (re.findall('(\.jpg)|(jpg\?)|(\.ico)|(ico\?)|(\.png)|(png\?)|'
'(\.svg)|(svg\?)|(\.gif)|(gif\?)|(\.webp)|(webp\?)|(data:image)', img_li)):
if '\/' not in img_li:
img_urls = [re.sub('[";)]|(.*\()|(")', '', img_li).replace("'", '')]
else:
img_urls = [re.sub('[";)]|(.*\()|(")', '', img_li).replace('\/\/', '//').replace('\/',
'//').replace(
"'", '')]
if not re.findall('(base.*?,)', img_urls[0]):
if ',' in img_urls[0]:
print('检测到有css代码中有多路径img_url,正在深入抓取......')
img_urls = img_urls[0].split(',')
for img_url in img_urls:
try:
if 'http:' not in img_url or 'https:' not in img_url:
img_url = urljoin(self.site_url, img_url)
img_name = re.sub('(.*//)', '', img_url)
l_index = img_name.rfind('/')
dir_path = self.spath + '/' + img_name[:l_index]
if not os.path.exists(dir_path):
os.makedirs(dir_path)
img_name = re.sub('(.*/)', '', img_url)
print('正在下载img文件:', img_url)
img = requests.get(img_url).content
with open('./%s' % (dir_path + '/' + img_name), 'wb') as f:
f.write(img)
except Exception as e:
print(img_url, e, '\r\nthis is uvaild url')
def download_js(self, html):
liResult = re.findall('(".*?")', html)
if liResult:
print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载js文件>>>>>>>>>>>>>>>>>>>>>>>>>')
for on_url in liResult:
if (on_url.endswith('.js"') or 'js?' in on_url) and 'src=' not in on_url:
js_links = [re.sub('(")|(.*:)', '', on_url)]
if ',' in js_links[0]:
print('检测到js代码中有多路径js_link,正在深入抓取.......')
js_links += js_links[0].split(',')
for js_link in js_links:
if 'http:' not in js_link or 'https:' not in js_link:
js_link = urljoin(self.site_url, js_link)
js_name = re.sub('(.*//)', '', js_link)
l_index = js_name.rfind('/')
dir_path = self.spath + '/' + js_name[:l_index]
if '/$' in dir_path:
dir_path = re.sub('(/\$)', '/', dir_path)
if not os.path.exists(dir_path):
os.makedirs(dir_path)
print('正在下载js文件:', js_link)
js_file = requests.get(js_link).content
js_name = re.sub('(.*/)', '', js_link)
if js_name[0] == '$':
js_name = js_name.replace('$', '')
with open('./%s' % dir_path + '/' + js_name, 'wb') as f:
f.write(js_file)
print('===========================js文件下载完毕===========================')
def download_css(self, html):
liResult = re.findall('(".*?")', html)
css_links = []
if liResult:
print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载css文件>>>>>>>>>>>>>>>>>>>>>>>>>')
for on_url in liResult:
if on_url.endswith('.css"') or 'css?' in on_url:
css_link = re.sub('["]', '', on_url)
if 'http:' not in css_link or 'https:' not in css_link:
css_link = urljoin(self.site_url, css_link)
if css_link:
css_name = re.sub('(.*//)', '', css_link)
l_index = css_name.rfind('/')
dir_path = self.spath + '/' + css_name[:l_index]
if '/$' in dir_path:
dir_path = re.sub('(/\$)', '/', dir_path)
if not os.path.exists(dir_path):
os.makedirs(dir_path)
css_name = re.sub('(.*/)', '', css_link)
if css_name[0] == '$':
css_name = css_name.replace('$', '')
print('正在下载css文件:', css_link)
css_links.append(css_link)
css_file = requests.get(css_link).content
with open('./%s' % (dir_path + '/' + css_name), 'wb') as f:
f.write(css_file)
print('===========================css文件下载完毕===========================')
return css_links
def download_html(self, html):
print('>>>>>>>>>>>>>>>>>>>>>>>>>正在下载网页源码>>>>>>>>>>>>>>>>>>>>>>>>>')
if not os.path.exists(self.spath + '/htmls'):
print(self.base_path + '/htmls', '已经将html文件存在对应目录')
os.makedirs(self.spath + '/htmls')
else:
print(self.base_path + '/htmls', '已经存在此htmls目录')
if html:
with open('./%s' % (self.spath + '/htmls/' + self.spath + '.html'), 'w', encoding='utf-8') as f:
f.write(html)
print('===========================下载网页源码完毕===========================')
def gs_runner(self, html):
self.download_html(html)
css_links = self.download_css(html)
self.download_js(html)
self.download_imgs(html, css_links)
if __name__ == '__main__':
gs = GovSpider()
gs.start_page()