爬虫实战入门教程（一）

最新推荐文章于 2024-08-07 08:19:34 发布

诗9趁年华

最新推荐文章于 2024-08-07 08:19:34 发布

阅读量986

点赞数 3

分类专栏：爬虫文章标签： python

本文链接：https://blog.csdn.net/qq_36565596/article/details/106747213

版权

爬虫专栏收录该内容

2 篇文章 0 订阅

订阅专栏

第一天

什么是网络爬虫：

通俗理解：爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并将数据收集起来，然后利用一定的规则提取有价值的数据。
专业介绍：百度百科

为什么用Python写爬虫程序：

PHP 语言对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
Java 语言生态圈很完善，是 Python 爬虫最大的竞争对手。但是 Java 语言本身很笨重，代码量很大。重构成本比较高，任何修改会导致代码大量改动。爬虫经常要修改采集代码。
C/C++ 运行效率高。但是学习和开发成本高。写个小爬虫程序可能要大半天时间。
Python 语法优美、代码简洁、开发效率高、支持的模块多。相关的 HTTP 请求模块和 HTML 解析模块非常丰富。还有 Scrapy 和 Scrapy-redis 框架让我们开发爬虫变得异常简单。

准备工具：

python 3.x 开发环境
Pycharm professional
虚拟环境。 virtualenv/virtualenvwrapper
Chrome浏览器

常用HTTP请求方法：

在http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是 get请求和post请求。

get 请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。

以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。

请求头常见参数：

在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种刘览器发送的。如果我们是通过爬虫发送请求，那么我们的User-Agent就是python，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。
Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。
Cookie： http 协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。

常见响应状态码：

200：请求正常，服务器正常的返回数据。（可能返回假数据）
301：永久重定向。比如在访问ww.jingdong.com的时候会重定向到 ww.jd.com。
302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
400：请求的URL在服务器上找不到。换句话说就是请求URL错误。
403：服务器拒绝访问，权限不够。
500：服务器内部错误。可能是服务器出现bug了。

urllib库

urllib库是Python中一个最基本的网络请求库。可模拟浏览器的行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据。

urlopen函数：

在Python3的urllib库中，所有和网络请求相关的方法，都被集到urllib.request模块下面了，以先来看下 urlopen函数基本的使用：

from urllib import request # 导入库
resp = request.rulopen('http://www.baidu.com') 
print(resp.read()) # 读取相应中的所有数据

实际上，使用刘览器访问百度，右键查看源代码。你会发现，跟我们刚才打印出来的数据是一模一样的。也就是说，上面的三行代码就已经帮我们把百度的首页的全部代码爬下来了。一个基本的url请求对应的python代码非常简单。
以下对urlopen函数的进行详细讲解：

url：请求的url。
data：请求的data，如果设置了这个值，那么将变成post请求。
返回值：返回值是一个http.client.HTTPResponse对象，这个对象是一个类文件句柄对象。有 read（size)、 readline、readlines 以及 getcode 等方法。

from urllib import request # 导入库
resp = request.rulopen('http://www.baidu.com') 
print(resp.read(10)) # 读取相应中十个字节的数据
print(resp.readline) # 读取相应中一行数据
print(resp.readlines) # 读取相应中多行数据，以列表形式返回，每个元素就是一行
print(resp.getcode) # 返回的状态码

urlretrieve函数：

这个函数可以方便的将网页上的一个文件保存到本地。以下代码可以非常方便的将百度的首页下载到本地：

from urllib import request
request.urlretrieve('http://www.baidu.com/', 'baidu.html') #将获取到的数据，保存到baidu.html文件中。 
request.urlretrieve("https://ss0.bdstatic.com/70cFuHSh_Q1YnxGkpoWK1HF6hhy/it/u=1764984396,1102204390&fm=26&gp=0.jpg", "ro.jpg") # 将图片保存到本地中

urlencode函数：

用浏览器发送请求的时候，如果url中包含了中文或者其他特殊字符，那么浏览器会自动的给我们进行编码。而如果使用代码发送请求，那么就必须手动的进行编码，这时候就应该使用urlencode函数来实现。urlencode可以把字典数据转换为url编码的数据。

from urllib import parse
params = {"name": "张三", "age":29, "greet":"hello world"}
result = parse.urlencode(params)
print(result) # name=%E5%BC%A0%E4%B8%89&age=29&greet=hello+world 用十六进制编码中文

from urllib import request
url = "http://www.baidu.com/s?wd=刘德华"
resp = request.urlopen(url)
print(resp.read())
# 报错信息： UnicodeEncodeError: 'ascii' codec can't encode characters in position 10-12: ordinal not in range(128)
 # 底层认为没有中文，所以用ASCII进行编码
    
# 改进方案
from urllib import request
from urllib import parse
url = "http://www.baidu.com/s"
params = {"wd": "刘德华"}
qs = parse.urlencode(params)
url = url+"?"+qs	# 拼接
print(url) # http://www.baidu.com/s?wd=%E5%88%98%E5%BE%B7%E5%8D%8E
resp = request.urlopen(url) # 正常使用
print(resp.read())

parse_qs函数：

可以将经过编码后的 url 参数进行解码。

from urllib import parse
params = {"name": "张三", "age":29, "greet":"hello world"}
result = parse.urlencode(params) # 编码
print(result) # name=%E5%BC%A0%E4%B8%89&age=29&greet=hello+world
res = parse.parse_qs(result) # 解码
print(res) # {'name': ['张三'], 'age': ['29'], 'greet': ['hello world']}

urlparse和urlsplit：

有时候拿到一个url，想要对这个url中的各个组成部分进行分割，那么这时候就可以使用urlparse或者是 urlsplit来进行分割。

from urllib import parse
url = "http://www.baidu.com/s?wd=python&username=abc#1"
result = parse.urlparse(url)
print(result) # ParseResult(scheme='http', netloc='www.baidu.com', path='/s', params='', query='wd=python&username=abc', fragment='1')

# urlparse 通过属性，可以获取想要的部分属性值
print("scheme:", result.scheme) # scheme: http
print("netloc:", result.netloc) # netloc: www.baidu.com
print("path:", result.path) # path: /s
print("params:", result.params) # params:
print("query:", result.query) # query: wd=python&username=abc
print("fragment:", result.fragment) # fragment: 1

# urlsplit 通过属性，可以获取想要的部分属性值
result = parse.urlsplit(url) # 没有params这个属性
print(result) # SplitResult(scheme='http', netloc='www.baidu.com', path='/s', query='wd=python&username=abc', fragment='1')
# 通过属性，可以获取想要的部分属性值
print("scheme:", result.scheme) # scheme: http
print("netloc:", result.netloc) # netloc: www.baidu.com
print("path:", result.path) # path: /s
print("query:", result.query) # query: wd=python&username=abc
print("fragment:", result.fragment) # fragment: 1
# 介于;?直接的内容，为params

urlparse和urlsplit基本是一模一样的。唯一不一样的地方是，urlparse里面多了一个params属性，而urlsplit没有这个params属性。比如有一个url为：url=http://www.baidu.com/s;hello?python&username=abc#1，那么urlparse可以获取到hello；而urlsplit不可以获取到。url中的params也用得比较少。

request.Request类：

如果想要在请求的时候增加一些请求头，那么就必须使用request.Request类来实现。比如要增加一个user-Agent，示例代码如下：

# 拉勾网的反爬虫机制，做得很有代表性。
from urllib import request
url = "https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput="
resp = request.urlopen(url) # 响应
print(resp.read()) # 返回的内容很少，被识别为爬虫，该网站有反爬虫机制。

添加请求头信息，防止被反爬虫：

from urllib import request
url = "https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput="
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36"
}
req = request.Request(url, headers=headers)# 这个请求对象此时还没有发送出去。
resp = request.urlopen(req) # 发送请求， 返回响应
print(resp.read()) # 返回的内容是正常的网页数据

Request类除了传送headers信息，还可以传递data，method信息。继续以拉勾网为例，获取网站中的职位信息。这些信息是通过其他url传过来的，通过js技术嵌入到html代码中。

from urllib import request,parse
# 拉勾网站网页
url = "https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput="
# 请求头信息
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36",
"referer": "https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput="
}
# data信息
data = {
    "first": "true",
    "pn": 1,
    "kd": "python"
}
# TypeError: can't concat str to bytes
# 1. 需要parse.urlencode()进行编码
# 2. 但是python默认uncode，因此还要转换一下，用utf-8进行编码。
req = request.Request(url, headers=headers, data=parse.urlencode(data).encode('utf-8'), method="POST")
resp = request.urlopen(req)
print(resp.read().decode('utf-8')) # 如果返回{"status":false,"msg":"您操作太频繁,请稍后再访问","clientIp":"219.229.253.161","state":2402}
'''
分析：并非请求太频繁，因为通过浏览器可以正常访问，而此脚本是模拟浏览器。被识别出是爬虫脚本。需要在请求头中添加referer信息。
'''