一、爬虫介绍
什么是爬虫:编写程序,根据URL获取网站信息(请求网站并提取数据的自动化程序)
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,会得到一个response,response的内容便是索要获取的页面内容,类型可能有html,json字符串,二进制数据(如图片视频)等类型。
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,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
浏览网页的流程
request与response
1、浏览器发送消息给该网址所在的服务器,这个过程叫做HTTP Request2、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
request中包含什么:
1、请求方式:主要有get和post两种类型,另外还有head,put.delete.options等get与post区别:首先是请求参数位置的不同,get请求的参数在url里,而post请求的参数不再url中,还有就是get请求直接网址回车即可,而post请求需要构造一个表单,就像登陆窗口一样,需要添加一些信息,所以在做登陆的时候,信息不会放在url中,比较安全
2、请求url:全称叫做统一资源定位符,如一个网页文档、一张图片、一个视频等都可以用url唯一来确定
3、请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息
4、请求体:请求时额外携带的数据,如表单提交时的表单数据
response中包含什么内容1、响应状态:有多种状态响应,如200代表成功,301跳转,404找不到页面,502服务器错误
2、响应头:如内容类型,内容长度,服务器信息,设置cookie等等
3、响应体:最主要的部分,包含了请求资源的内容,如网页html,图片二进制数据等
爬虫能抓怎样的数据?
1、网页文本,如html文档,json格式文本等2、图片,获取到的是二进制文件,保存为图片格式
3、视频:同为二进制文件,保存为视频格式即可
4、只要是能请求到的,都能获取
怎样来解析?
1、直接处理2、json解析
3、正则表达式
4、BeautifulSoup解析库
5、PyQuery解析库
6、XPath解析库
怎么解决javascript渲染问题
1.分析Ajax请求2.splash
3.selenium
4.pyv8、ghost.py
怎样保存数据?
1、文本形式:纯文本、Json、Xml等
2、关系型数据库:如MySQL\Oracle\SQLServer等具有结构化表结构形式存储
3、非关系型数据库:键值对的形式
4、二进制文件:如图片、视频、音频等等直接保存成特定格式即可
二、常用库
urllib
python内置的http请求库
urllib.request 请求模块
urllib.error 异常处理模块
urllib.parse url解析模块
urllib.roboparser rbots.txt 解析模块
相比python2变化
python2:
import urllib2
response = urllib2.urlopen("http://www.baidu.com")
python3:
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com")
例子:http://localhost:8888/notebooks/urllib.ipynb
Requests
使用python实现的简单易用的http库
二、实例
(1)爬汽车之家新闻
requests
1.伪造浏览器向某个地址发送Http请求,获取返回的字符串
response = requests.get(url='地址')
response.content
response.encoding = apparent_encoding
response.text
2. bs4 解析HTML格式的字符串
soup = Beauitfulsoup('<html>......</html>','html.parser') lxml解析器
soup.find('标签名')
获取的是对象
div = soup.find(name='标签名',id='li')
div = soup.find(name='标签名',_class ='li')
div = soup.find(name='div',attrs={'id': 'auto-channel-','class': 'id'})
div.text #获取所有文本
div.attrs #获取所有属性
div.get('href') #获取指定属性
获取的是列表
divs = soup.find(name='标签名',id='li')
divs = soup.find(name='标签名',_class ='li')
divs = soup.find(name='div',attrs={'id': 'auto-channel-','class': 'id'})
divs[0]
(3)自动登陆抽屉然后点赞
get请求只有请求头;post请求 有请求头 请求体
response = requests.post(
url='xxx'
data={
},
hearder={},
cookies={}
)
cookies_dict = response.cookies.get_dict()
注意:
伪造浏览器
请求分析