1.Urllib
定义:如果我们把互联网比作一张大的蜘蛛网,那一台计算机上的数据便是蜘蛛网上的一个猎物,而爬虫程序就是一只小 蜘蛛,沿着蜘蛛网抓取自己想要的数据
聚焦爬虫
功能:根据需求,实现爬虫程序,抓取需要的数据 设计思路
1.确定要爬取的url
2.模拟浏览器通过http协议访问url,获取服务器返回的html代码
3.解析html字符串(根据一定规则提取需要的数据)
反爬手段:
1.User‐Agent:User Agent中文名为用户代理,简称 UA,它是一个特殊字符串头,使得服务器能够识别客户使用的操作系统及版 本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
2.代理ip
3.验证码访问
4.动态加载网页
4.数据加密
编解码方法:
get:urllib.parse.quote() urllib.parse.urlencode()
post:encode('utf-8') 必须编码
#获取豆瓣电影前十页的数据
import urllib.request
import urllib.parse
def create_request(page):
base_url = 'https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&'
headers = {
...
}
data = {
'start': (page - 1) * 20,
'limit': 20
}
data = urllib.parse.urlencode(data)
url = base_url + data
request = urllib.request.Request(url=url, headers=headers)
return request
def get_content(request):
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
return content
def down_load(page, content):
with open('douban_' + str(page) + '.json', 'w', encoding='utf-8') as fp:
fp.write(content)
if __name__ == '__main__':
start_page = int(input('请输入起始页码:'))
end_page = int(input('请输入结束页码:'))
for page in range(start_page, end_page + 1):
request = create_request(page)
content = get_content(request)
down_load(page, content)
异常:URLError\HTTPError
urllib.request.urlopen(url) :不能定制请求头
urllib.request.Request(url,headers,data) :可以定制请求头
Handler :可定制更高级的请求头
import urllib.request
url='http://www.baidu.com'
headers={
...
}
request=urllib.request.Request(url=url,headers=headers)
handler=urllib.request.HTTPHandler()
opener=urllib.request.build_opener(handler)
response=opener.open(request)
content=response.read().decode('utf-8')
print(content)
代理的功能
1.访问国外节点
2.访问一些单位或团体内部资源
3.提高访问速度
4.隐藏真实ip
2.解析
xpath:掌握基本语法(直接在网页源码中点击右键就可获取xpath路径)
案例:站长素材图片抓取
import urllib.request
import urllib.parse
from lxml import etree
def create_request(page):
if page == 1:
url = 'https://sc.chinaz.com/tupian/rentiyishu.html'
else:
url = 'https://sc.chinaz.com/tupian/rentiyishu_' + str(page) + '.html'
headers = {
...
}
request = urllib.request.Request(url=url, headers=headers)
return request
def get_content(request):
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
return content
def down_load(content):
tree = etree.HTML(content)
# 获取想要的路径
name_list = tree.xpath("//img[@class='lazy']/@alt")
src_list = tree.xpath("//img[@class='lazy']/@data-original")
for i in range(len(name_list)):
name = name_list[i]
src = src_list[i]
url = 'https:' + src
urllib.request.urlretrieve(url=url, filename='./Beauties/'+name + '.jpg')
if __name__ == '__main__':
start_page = int(input('请输入起始页码:'))
end_page = int(input('请输入结束页码:'))
for page in range(start_page, end_page + 1):
request = create_request(page)
content = get_content(request)
down_load(content)
JsonPath:基本语法
淘票票案例:
import urllib.request
import json,jsonpath
url = 'https://dianying.taobao.com/cityAction.json?activityId&_ksTS=1706770591837_108&jsoncallback=jsonp109&action=cityAction&n_s=new&event_submit_doGetAllRegion=true'
headers = {
...
}
request = urllib.request.Request(url=url, headers=headers)
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
# 切割成json数据格式
content = content.split('(')[1].split(')')[0]
# print(content)
with open('淘票票.json', 'w', encoding='utf-8') as fp:
fp.write(content)
obj=json.load(open('淘票票.json','r',encoding='utf-8'))
regionName_list=jsonpath.jsonpath(obj,'$..regionName')
print(regionName_list)
BeautifulSoup:
节点定位 find find_all select
节点信息:obj.get_text()
from bs4 import BeautifulSoup
# 通过解析本地文件 来将bs4的基础语法进行讲解
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('075_尚硅谷_爬虫_解析_bs4的基本使用.html',encoding='utf-8'),'lxml')
# 根据标签名查找节点
# 找到的是第一个符合条件的数据
# print(soup.a)
# 获取标签的属性和属性值
# print(soup.a.attrs)
# bs4的一些函数
# (1)find
# 返回的是第一个符合条件的数据
# print(soup.find('a'))
# 根据title的值来找到对应的标签对象
# print(soup.find('a',title="a2"))
# 根据class的值来找到对应的标签对象 注意的是class需要添加下划线
# print(soup.find('a',class_="a1"))
# (2)find_all 返回的是一个列表 并且返回了所有的a标签
# print(soup.find_all('a'))
# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
# print(soup.find_all(['a','span']))
# limit的作用是查找前几个数据
# print(soup.find_all('li',limit=2))
# (3)select(推荐)
# select方法返回的是一个列表 并且会返回多个数据
# print(soup.select('a'))
# 可以通过.代表class 我们把这种操作叫做类选择器
# print(soup.select('.a1'))
# print(soup.select('#l1'))
# 属性选择器---通过属性来寻找对应的标签
# 查找到li标签中有id的标签
# print(soup.select('li[id]'))
# 查找到li标签中id为l2的标签
# print(soup.select('li[id="l2"]'))
# 层级选择器
# 后代选择器
# 找到的是div下面的li
# print(soup.select('div li'))
# 子代选择器
# 某标签的第一级子标签
# 注意:很多的计算机编程语言中 如果不加空格不会输出内容 但是在bs4中 不会报错 会显示内容
# print(soup.select('div > ul > li'))
# 找到a标签和li标签的所有的对象
# print(soup.select('a,li'))
# 节点信息
# 获取节点内容
# obj = soup.select('#d1')[0]
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下 推荐使用get_text()
# print(obj.string)
# print(obj.get_text())
# 节点的属性
# obj = soup.select('#p1')[0]
# name是标签的名字
# print(obj.name)
# 将属性值左右一个字典返回
# print(obj.attrs)
# 获取节点的属性
obj = soup.select('#p1')[0]
print(obj.attrs.get('class'))
print(obj.get('class'))
print(obj['class'])
3.Selenium
模拟浏览器功能,就像是真正的用户在操作一样
如何使用:
# (1)导入selenium
from selenium import webdriver
# (2) 创建浏览器操作对象
path = 'chromedriver.exe'
browser = webdriver.Chrome(path)
# (3)访问网站
# url = 'https://www.baidu.com'
#
# browser.get(url)
url = 'https://www.jd.com/'
browser.get(url)
content=browser.page_source
print(content)
保存界面快照:
browser.save_screenshot('baidu.png')
元素定位:
input=browser.find_element_by_id('kw')
input.send_keys('昆凌')
button=browser.find_elements_by_xpath("//input[@id='su']")
交互例子:
from selenium import webdriver
import time
path='chromedriver.exe'
browser=webdriver.Chrome(path)
url='https://www.baidu.com'
browser.get(url)
time.sleep(2)
#找到输入框输入周杰伦
input=browser.find_element_by_id('kw')
input.send_keys('周杰伦')
time.sleep(2)
#点击百度一下
button=browser.find_element_by_id('su')
button.click()
time.sleep(2)
#滑倒最底部
js_button='document.documentElement.scrollTop=100000'
browser.execute_script(js_button)
time.sleep(2)
#点击下一页
next=browser.find_element_by_xpath("//a[@class='n']")
next.click()
time.sleep(2)
#返回上一页
browser.back()
time.sleep(2)
#回到第二页
browser.forward()
time.sleep(3)
browser.quit()
Phantomjs:无界面浏览器,速度快
案例:
from selenium import webdriver
import time
path = 'phantomjs.exe'
browser = webdriver.PhantomJS(path)
url = 'https://www.baidu.com'
browser.get(url)
browser.save_screenshot('baidu.png')
time.sleep(2)
input=browser.find_element_by_id('kw')
input.send_keys('昆凌')
time.sleep(2)
browser.save_screenshot('kunling.png')
4.requests
get请求:
import requests
url='https://www.baidu.com/s'
headers={
...
}
data={
'wd':'北京'
}
response=requests.get(url,params=data,headers=headers)
content=response.text
print(content)
post请求:
import requests,json
url='https://fanyi.baidu.com/langdetect'
headers={
...
}
data={
'query':'眼睛'
}
response=requests.post(url,headers=headers,data=data)
content=response.text
print(content.encode('utf-8'))
两者区别在参数名字:get:params post:data
代理例子:
import requests
url='http://www.baidu.com/s'
headers={
...
}
data={
'wd':'ip'
}
proxy={
'http':'60.185.213.223:18052'
}
response=requests.get(url,params=data,headers=headers,proxies=proxy)
content=response.text
with open('daili.html','w',encoding='utf-8') as fp:
fp.write(content)
5.scrapy
scrapy是一个为了爬取网站数据,提取结构性数据的而编写的应用框架
1.创建scarpy项目
scrapy startproject 项目名称
2.创建爬虫文件
跳转到spiders文件夹 cd/目录名字/目录名字/spiders
scrapy genspider 爬虫名字 网页的域名
3.运行爬虫文件
在spiders文件夹内运行 scrapy crawl 爬虫的名称
scrapy工作原理