DAY01

最新推荐文章于 2024-04-12 16:08:02 发布

JuneLWH

最新推荐文章于 2024-04-12 16:08:02 发布

阅读量70

点赞数

分类专栏：爬虫文章标签： python

本文链接：https://blog.csdn.net/qq_43753660/article/details/124718807

版权

爬虫专栏收录该内容

5 篇文章 0 订阅

订阅专栏

DAY01

一. 认识爬虫

数据分析、数据挖掘

先分析、再挖掘 --> 前提：有数据。

数据来源

数据库。
爬虫。
其他平台（API）。

爬虫

Spider：蜘蛛。–> 爬虫：可以在互联网的任意位置获取数据。
爬虫概念：

爬虫，别名（网页蜘蛛、蠕虫），学名：网络数据采集。
根据程序员的自定义规则（想法）在互联网中自动的爬取数据（图片、音频、视频、文字等都叫做数据）。

爬虫学习流程

1）爬虫对谁做操作？

表面：爬虫对网页做操作。
深层次：爬虫对服务器做操作。

2）对网页操作

需要有HTML、CSS、JavaScript的知识，需要理解某个页面的结构。
浏览器页面F12或者FN + F12或者右键检查或者浏览器设置都可以打开开发人员工具。
网页还分为静态页面和动态页面。

3）使用三方模块

requests向目标网站的服务器发起请求，服务器根据请求返回响应结果response（对象）
对response响应结果处理完得到的是字符串（HTML页面源代码）。

4）从页面源代码中得到所需内容。

方法一：正则表达式匹配。
方法二：三方模块Beautifulsoup4对页面源码进行解析，解析完使用CSS选择器拿到所需内容。
方法三：使用三方模块lxml对页面源码解析，使用XPath语法拿到所需内容。
方法四：三方模块Selenium访问页面，拿到页面内容，可以同时结合CSS选择器或者XPath语句拿到所需内容。

5）数据持久化

将RAM中的结果存储到磁盘或者数据库中。

6）写爬虫会遇到各种反爬机制，使用指定的反反爬措施破解。

将爬虫伪装浏览器。
封禁IP地址的网站一般使用代理IP：站大爷、芝麻代理、极光代理等。
文字反扒。
AJAX异步加载。
…

rpa（机器人流程自动化）

八爪鱼、影刀等。使用拖拉拽（实现了某些功能的模块）的形式实现流程自动化（爬虫等）。

二. 爬虫细节

静态页面和动态页面区分。

静态页面

网页一旦生成，里面的内容不会自动的发生变化。
页面中包含：html（展示页面内容）、css样式（渲染html）、javascript（渲染html）

动态页面

网页生成后，页面内容还会自动发生变化。页面内容和数据库进行联通，数据库中变，页面就变。
一般动态页面都会应用AJXA异步加载。

HTTP和HTTPS

HTTP协议（超文本传输协议），Web服务器和客户端之间进行数据传输都是明文形式。
网景公司–>谋智–>火狐浏览器。网景公司根据HTTP协议做了改进–>HTTPS。
https = http + ssl。
SSL加密协议–>将Web服务器和客户端的数据进行加密。

作用：将用户的账号密码使用某些形式保存在本地。
性质：有时效性。
在爬虫中cookie作用：将本地的请求和远程的服务器中保存的账号密码做对比。

GET和POST：两种不同的和服务器对话方式

GET：requests利用GET请求方式向服务器发送需求（加密机制很简单甚至不加密）。
POST：向服务器发送内容，例如账号密码（某个网站注册登录账号密码）

三. 模块安装

requests的作用

Python实现的简单易用的能够请求网页的三方模块

安装三方模块准备

如果Terminal中显示的ps，安装三方模块会直接安装到本机主环境。
使用venv\Scripts\activate激活虚拟环境。
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
修改微软的powershell策略组。

修改镜像源

镜像源：存储python三方模块的仓库，python的三方模块所有人都可以制作发布

pip config set global.index-url https://pypi.douban.com/simple

requests模块安装

Windwos：
pip install requests

Mac、linux：
pip3 install requests
导入requests模块：python实现的简单易用的网址请求模块。

import requests

四. requests的使用

请求网址

URL = 'http://www.baidu.com/'
# 请求百度服务器+获取百度服务器响应结果
resp = requests.get(url=URL)
print(resp)

查看状态码：告诉我们现在服务器的状态:status_code

200:爬虫可用
403：爬虫被服务器拒绝了
404：资源丢失
500：服务器崩溃

print(resp.status_code)

查看cookie

print(resp.cookies)

如果页面源码发生了乱码,修改编码方式

响应结果使用的编码方式默认是ISO-8859-1（ACSCII）,它不支持中文。

resp.encoding = 'utf-8'

查看页面的源代码（字符串形式）

print(resp.text)

查看页面的源代码（二进制形式）

图片、音频、视频等
结果显示为：b’xxxxxxx’ --> 二进制

print(resp.content)

五. 爬虫伪装

import requests

URL = 'https://www.baidu.com/'
# 伪装爬虫
# User-Agent作用：将爬虫伪装成浏览器
Headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}

resp = requests.get(url=URL, headers=Headers)
if resp.status_code == 200:
    resp.encoding = 'utf-8'
    print(resp.text)
else:
    print(resp.status_code)

获取User-Agent：
在这里插入图片描述

六. requests请求练习

import requests

URL = 'https://pvp.qq.com/web201605/herolist.shtml'
Headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
}
resp = requests.get(url=URL, headers=Headers)
if resp.status_code == 200:
    resp.encoding = 'gbk'
    print(resp.text)
else:
    print(resp.status_code)


# ------------------------------------
def requests_url(href):
    Headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.54 Safari/537.36'
    }
    resp = requests.get(url=href, headers=Headers)
    if resp.status_code == 200:
        return resp
    else:
        return resp.status_code


URL = 'https://pvp.qq.com/web201605/herolist.shtml'
result1 = requests_url(URL)
result1.encoding = 'gbk'
print(result1.text)

七. 天行数据

import requests
import json

# api接口中的数据是使用json进行传输的
content = input('请输入一个垃圾：')
# api接口请求地址和参数之间使用?连接,参数以key=value的形式传入，参数和参数之间使用&连接
URL = f'http://api.tianapi.com/lajifenlei/index?key=70fc43dfda9dc06c4da4aa6dcac916d3&word={content}'
# 大部分API接口没有反爬机制。
resp = requests.get(url=URL)
print(resp.text, type(resp.text))
# 序列化：loads()
data = json.loads(resp.text)
print(data, type(data))

# 获取json数据中有用信息
for i in data['newslist']:
    print(i['explain'])

八. 图片读取与下载

# 图片读取
with open('1.jpg', 'rb') as f1:
    result = f1.read()
    # print(result)

# 模拟图片下载（图片二进制写入本地文件）
with open('2.jpg', 'wb') as f2:
    f2.write(result)

# 如何下载在线图片、音频、视频？
import requests

# 百度图片链接
URL = 'https://www.baidu.com/img/PCtm_d9c8750bed0b3c7d089fa7d55720d6cf.png'
resp = requests.get(url=URL)
print(resp.content)
with open('baidu.png','wb') as f3:
    f3.write(resp.content)