- 爬虫简介
- 爬取网页的基础知识
- HTML与JavaScript基础
- 爬虫的合法性
- 爬取网页的urllib和requests库
- beautifulsoup4库
- 案例
爬虫简介
• 网页爬取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。
• 请求网站并提取数据的自动化程序
2.爬取网页的基础知识-HTTP协议
1. HTTP协议简介
超文本传输协议是一种用于分布式、协作式和超媒体信息系统的应用层协议。HTTP是万维网的数据通信的基础。
HTTP的发展是由蒂姆·伯纳斯-李于1989年在欧洲核子研究组织（CERN）所发起。1999年6月公布的 RFC 2616，定义了HTTP协议中现今广泛使用的一个版本——HTTP 1.1。
2014年12月，互联网工程任务组（IETF）将HTTP/2标准提议递交至IESG进行讨论，于2015年2月17日被批准。 HTTP/2标准于2015年5月以RFC 7540正式发表，取代HTTP 1.1成为HTTP的实现标准。
2. HTTP协议概述
HTTP是一个客户端终端（用户）和服务器端（网站）请求和应答的标准（TCP）。通过使用网页浏览器、网络爬虫或者其它的工具，客户端发起一个HTTP请求到服务器上指定端口（默认端口为80）。我们称这个客户端为用户代理程序（user agent）。应答的服务器上存储着一些资源，比如HTML文件和图像。我们称这个应答服务器为源服务器（origin server）。在用户代理和源服务器中间可能存在多个“中间层”
，比如代理服务器、网关或者隧道（tunnel）。
3．HTTP工作过程
HTTP协议采用了请求/响应模型。客户端向服务器发送一个请求报文，请求报文包含请求的方法、URL、协议版本、请求头部和请求数据。服务器以一个状态行作为响应，响应的内容包括协议的版本、成功或者错误代码、服务器信息、响应头部和响应数据。
（1）客户端与服务器建立连接。
（2）发送HTTP请求
（3）服务器接到请求后，给予相应的响应信息。
（4）释放连接TCP连接
（5）客户端接收服务器所返回的信息，浏览器解析并显示网页。
4．爬虫过程
1.发起请求
通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。
2.获取响应内容
如果服务器能正常响应，会得到一个Response ，获得的页面内容有Html，Json字符串，二进制数据（如图片，视频等）
3.解析内容
得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。
4.保存数据
保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。
• Request与Response
（1）浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。
（2）服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。
（3）浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。
爬取网页的基础知识-HTTP请求方法
HTTP1.0 定义了三种请求方法： GET, POST 和 HEAD方法。
HTTP1.1 新增了六种请求方法：OPTIONS、PUT、PATCH、DELETE、TRACE 和 CONNECT 方法。
GET提交的数据会放在URL之后，也就是请求行里面，以?分割URL和传输数据，参数之间以&相连，如EditBook?name=test1&id=123456.（请求头里面那个content-type做的这种参数形式，后面讲） POST方法是把提交的数据放在HTTP包的请求体中.GET提交的数据大小有限制（因为浏览器对URL的长度有限制），而POST方法提交的数据没有限制.
GET与POST请求在服务端获取请求数据方式不同，就是我们自己在服务端取请求数据的时候的方式不同了，这句废话昂。
爬取网页的基础知识-HTTP状态码
所有HTTP响应的第一行都是状态行，依次是当前HTTP版本号，3位数字组成的状态代码，以及描述状态的短语，彼此由空格分隔。
爬取网页的基础知识-URL
URL是Uniform Resource Locator的缩写，即统一资源定位系统，也就是网址。
URL 遵守一种标准的语法，它由协议、主机名、域名、端口、路径、以及文件名这六个部分构成，
3.HTML与JavaScript基础-网页结构
1.网页一般由三部分组成，分别是 HTML（超文本标记语言）、CSS（层叠样式表）和 JScript（活动脚本语言）。
2.HTML是整个网页的结构，相当于整个网站的框架。带“＜”、“＞”符号的都是属于 HTML 的标签，并且标签都是成对出现的。
3.常见的标签如下：
4.CSS
CSS 表示样式，＜style type=＂text/css＂＞表示下面引用一个 CSS，在 CSS中定义了外观。
5. JScript 表示功能。交互的内容和各种特效都在 JScript 中，JScript 描述
了网站中的各种功能。
如果用人体来比喻，HTML 是人的骨架，并且定义了人的嘴巴、眼睛、耳朵等要长在哪里。CSS 是人的外观细节，如嘴巴长什么样子，眼睛是双眼皮还是单眼皮，是大眼睛还是小眼睛，皮肤是黑色的还是白色的等。JScript 表示人的技能，例如跳舞、唱歌或者演奏乐器等。
4.爬虫的合法性
每一个网站都有一个名为 robots.txt 的文档，当然也有部分网站没有设定 robots.txt。对于没有设定 robots.txt 的网站可以通过网络爬虫获取没有口令加密的数据，也就是该网站所有页面数据都可以爬取。如果网站有 robots.txt 文档，就要判断是否有禁止访客获取的数据。
5.爬取网页的urllib库
1.urllib库
Python3.x 标准库 urllib 提供了 urllib.request 、 urllib.response 、urllib.parse和urllib.error四个模块，很好地支持了网页内容读取功能。再结合Python字符串方法和正则表达式，可以完成一些简单的网页内容爬取工作，也是理解和使用其他爬虫库的基础。
2. 使用urllib库获取网页信息
使用 urllib.request.urlopen()函数可以打开一个网站，读取并打印网页信息。
urllib.urlopen(url, data[, proxies])
urlopen()函数返回response对象
函数的参数url表示远程数据的路径；data表示提交到url的数据；proxies用于设置代理。
response对象的方法
info()方法： 返回一个httplib.HTTPMessage对象。
getcode()方法：返回HTTP状态码。如果是HTTP请求，200表示请求成功完成，404表示网址未找到。
geturl()：返回请求的url。
• 例13-1 爬取公众号文章中的图片。
✓第1步 确定公众号文章的地址，以微信公众号“Python小屋”里的一篇文章为例，文章标题为“报告PPT（163页）：基于Python语言的课程群建设探讨与实践”，地址为：
https://mp.weixin.qq.com/s?__biz=MzI4MzM2MDgyMQ==&mid=2247486249&idx=1&sn=a37d079f541b194970428fb2fd7a1ed4&chksm=eb8aa073dcfd2965f2d48c5ae9341a7f8a1c2ae2c79a68c7d2476d8573c91e1de2e237c98534&scene=21#wechat_redirect
编写并运行Python爬虫程序，代码如下：
import urllib.request
import re
url =r'https://mp.weixin.qq.com/s?__biz=MzI4MzM2MDgyMQ==&mid=2247486249&idx=1&sn=a37d079f541b194970428fb2fd7a1ed4&chksm=eb8aa073dcfd2965f2d48c5ae9341a7f8a1c2ae2c79a68c7d2476d8573c91e1de2e237c98534&scene=21#wechat_redirect'
pattern = 'data-type="png" data-src="(.+?)"'
with urllib.request.urlopen(url) as fp:
html=fp.read().decode()
rs=re.findall(pattern,html)
i = 0
for turl in rs:
with urllib.request.urlopen(str(turl)) as f:
filename = "E:"+str(i)+".png"
f2=open(filename,'wb')
f2.write(f.read())
f2.close()
i = i + 1
爬取网页的requests库
1. requests库概述
简洁的处理HTTP请求的第三方库，建立在Python的urllib3库基础上，是对urllib3库的再封装。
requests库包括URL获取、HTTP长连接和连接缓存、自动内容解码、文件分块上传、连接超时处理、流数据下载等功能。
2. requests库解析
requests库的requests.get()方法功能是网络爬虫和信息提交
res=requests.get(url[,timeout=n])
该函数返回的网页内容会保存为一个response对象。参数url必须采用HTTP或HTTPS方式访问，可选参数timeout用于设定每次请求超时时间。
requests.get() 返回的response对象代表响应。response对象的主要属性如下。
statuscode：返回HTTP请求的状态，200表示连接成功，404表示失败。
text：HTTP响应内容的字符串形式，即url对应的页面内容。
encoding：HTTP响应内容的编码方式。
content：HTTP响应内容的二进制形式。
Response对象提供了两个方法。
json()：如果HTTP响应内容包含JSON格式数据，则该方法解析JSON数据。
raise_for_status()：如果status_code值不是200，则产生异常。
例 读取并下载指定的URL的图片文件。
import requests
url = r'https://www.imau.edu.cn/__local/C/35/94/8D329AAC0DABB7F3A9D3BF42A6B_AB0ADAE0_5347C.jpg'
headers = {'user-agent': 'my-app/0.0.1'}
proxies ={
'http':'http://127.0.0.1:8080'
}
cookies = dict(cookies_are='working')
params={'page':2}
files = {'file':open("E:a.txt",'w+')}
response = requests.get(url)
fp=open("D:a.png",'wb')
fp.write(response.content)
fp.close()
print('end...')
6.beautifulsoup4库
1.beautifulsoup4库概述
beautifulsoup4库也称为bs4库或BeautifulSoup库
Python用于网页分析的第三方库，用来快速转换被抓取的网页。
beautifulsoup4将网页转换为一颗DOM树。
beautifulsoup4提供一些简单的方法以及类Python语法来查找、定位、修改一棵转换后的DOM
树，还能自动将送进来的文档转换为Unicode编码。
2. beautifulsoup4库的对象
BeautifulSoup将HTML文档转换成一个树形结构，每个结点都是 对象，可以归纳为4种类型：Tag、
NavigableString、BeautifulSoup、Comment。
Tag对象，HTML中的一个标签。
NavigableString对象，用于操纵标签内部的文字，标签的string属性返回NavigableString对象
BeautifulSoup对象，表示的是一个文档的全部内容，大部分时候可以把它看作是一个特殊的Tag。
Comment对象，是一个特殊类型的NavigableSting对象，它的内容不包括注释符号。
操作解析文档树
- 遍历文档树
（1）获取直接子结点
contents属性和children属性可以获取Tag的直接子结点。
（2）获取所有有子结点
descendants属性可以对所有Tag的子结点进行递归循环，需要遍历获取其中的内容。
（3）获取结点内容
✓ 当标签中不再包含标签，string属性返回标签中的内容；
✓ 标签中内嵌唯一标签，那么string属性返回最里面标签的内容；
✓ Tag包含了多个子标签结点，string的输出结果是None。 - 搜索文档树
（1）find_all()方法
搜索当前Tag的所有子结点，语法如下。
find_all(name,attrs,recursive,text,**kwargs)
✓ name：名字为name的标签。
✓ attrs：按照Tag标签属性值检索，采用字典形式。
✓ recursive：如果只想搜索Tag的直接子结点，可以使用参数recursive=False。
✓ text：通过text参数可以搜索文本字符中内容。
✓ limit：限制返回结果的数量。
（2）find()方法
find()方法返回找到的第一个结果。
find(name,attrs,recursive,text)
参数含义与find_all()方法完全相同。
（3）用CSS选择器筛选元素
CSS的选择器用于选择网页元素，可以分为标签选择器、类选择器和id选择器三种。在CSS中，标签名不加任何修饰，类名前面需要加点(.)标识，id名前加#号来标识。在bs4库中，也可以利用类似的方法来筛选元素，用到的方法是soup.select()，返回类型是列表。
扫一扫
218
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
