基于Python深抓页面

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

https://www.baidu.com/s?wd=图片

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('(.*\()|(\).*)|[";]|(&quot)', '', 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('[";)]|(.*\()|(&quot)', '', img_li).replace("'", '')]
                        else:
                            img_urls = [re.sub('[";)]|(.*\()|(&quot)', '', 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()