爬虫

最新推荐文章于 2021-07-14 17:23:12 发布

learner_pu

最新推荐文章于 2021-07-14 17:23:12 发布

阅读量176

点赞数

分类专栏： python

本文链接：https://blog.csdn.net/qq_38408573/article/details/104388885

版权

python 专栏收录该内容

18 篇文章 0 订阅

订阅专栏

一、爬虫的步骤

1、需求分析（人做）

2、寻找网站（人）

3、下载网站的返回内容（requests）

4、通过返回的信息找到需要爬取的数据内容(正则表达式-re,xpath-lxml)

5、存储找到的数据内容(mysql)

二、requests

import requests

url = 'http://www.baidu.com/'

response = requests.get(url)
print(response)
# 返回当前url的html信息，（其他url还可能获取图片等）
# Response[200],Response是一个类，这个类重写了__str__方法（）
# 返回值，如果一个url能正常返回html内容，返回值就是200

#  处理乱码的方式
# 1.查看编码方式：右键检查--->找到head--->charset就是编码方式
# 2.通过response指定编码方式
response.encoding = 'utf-8'

print(response.text)
print('=' * 30)
print(response.content)

三、http协议

1.协议：即双方遵守的语言，相当于语言，相同的语言能够相互理解。

2.HTTP协议

方法：GET POST
GET：通过URLl获取网站的信息，不改变网站的状态（不改变服务器的任何内容）
POST：通过URL向网站传输信息，改变网站的状态（POST比GET多from/body信息)

import requests

form = {
    'kw':'同'
}
url = 'https://fanyi.baidu.com/sug'
response = requests.post(url, data = form)
print(response.text)

HEAD:跟GET类似，但只有head信息s
OPTIONS:PUT通常指定了资源的存放位置
PUT:跟POST类似，但通常指定了资源的存放位置
DELET:删除某个资源

3.HTTP协议的传输

Request —URL + request headers(请求头信息)
Response —HTML ++ responce headers(返回头信息)

在这里插入图片描述
General
Request URL: https://www.baidu.com/
Request Method: GET requests的获取方法
Status Code: 200 OK 返回值
Remote Address: 14.215.177.39:443 服务器名称
Referrer Policy: no-referrer-when-downgrade

4.请求头信息中重要的三个信息

a)User-Agent —身份是什么
b)Referer —跳转网页是什么（即现在的网页是从哪个网页来的）
c)cookie —本地存储信息的—与服务器的session一一对应
添加的顺序：a—>b—>c如果能够获取，不再添加
如果加上都不行，把headers全部复制下来

import requests

url = 'https://www.xicidaili.com/nn/'

# 添加请求头信息,字典的方式写入
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36'
}
response = requests.get(url, headers = headers)

with open('xicidaili.txt', 'wb') as f:
    f.write(response.content)

5.url的组成

1.协议部分，常见的有"http:", “ftp:”
2.域名部分，如"www.baidu.com",也可以用IP地址代替
3.端口部分，跟在域名后面的是端口，域名和端口用":“作为分隔符，端口不是必须的，如果省略端口，采用默认端口，常见的端口"8080”
4.虚拟目录部分：从域名（端口）后面第一个“\”到最后一个“\”为止，是虚拟目录部分
5.文件名部分：从最后一个"“到”?“为止，或者从最后一个”“到”#“为止，或者从最后一个”“到最后
6.参数部分：从”?“开始到”#“为止之间的部分为参数部分，也叫搜索部分，查询部分。参数与参数之间用”&“作为分位符
7.锚部分：从”#"开始到最后，都是锚部分，他的作用是跳转到本页面的子目录下，不加载新的页面

6.Ajax：异步加载，即url不变，经行操作后页面发生变化，去看network里的XHR

7.json

import requests
import json

form = {
    'kw':'同'
}
url = 'https://fanyi.baidu.com/sug'
response = requests.post(url, data = form)
# json是一个包，函数loads的作用是输入一个字符串，输出这个json字符串的python类型数据
json_dict = json.loads(response.text)
print(response.text)
print("=" * 30)
print(json_dict)

translated = json_dict['data'][0]['v']
print("翻译后的内容是：", translated)

8、爬取全网信息

在这里插入图片描述

8.去重

1、set的实现方式
通过hash函数和hash表实现的，（分而治之的思想）如10000 % 20把这些数分为20类
2、位图
比如存100000个不重复的数字，0-1000000之间，int形，一个int要占32bit,位图即给10000位，数字0存在写入1，不存在写入0，以此类推
3、布隆过滤器
对于很多url,用hash函数对每个URL分组，对应一个数字，再根据这些数字做位图