爬虫入门学习

流程

• 获取网页内容
  HTTP请求
  Python Requests
• 解析网页内容
  HTML网页结构
  Python Beautiful Soup
• 储存或分析数据

HTTP (Hypertext Transfer Protocol)
客户端和服务器之间的请求-响应协议
Get方法：获得数据
POST方法：创建数据

• HTTP请求
  请求行 方法类型 资源路径?查询参数 协议版本
  POST /user/info?new_user=true&… HTTP/1.1
  请求头 主机域名 客户端相关信息 想接受的响应数据类型
  Host:www.
  User-Agent:
  Accept: /
  请求体 客户端传给服务器的其他任意数据

• HTTP响应
  状态行 协议版本 状态码 状态消息
  HTTP/1.1 200 OK
  响应头 告知客户端的信息（响应时间、响应内容类型、编码格式
  响应体 服务器给客户端的数据内容

Python Requests

• 安装
  pip install requests

import requests
伪装浏览器请求
headers = { "User-Agent": "Mozilla/5.0(Windows NT 10.9; Win64; x64)"
response = requests.get("网址")
if response.ok:
    获取响应体内容
    print(response.text)
else:
    print("请求失败"）

HTML 定义网页的结构和信息

• 常用标签

<h1>标题</h1>
<p>文本段落</p>
<br>换行
<b>加粗</b>
<img src="" width="500px">图片
<a href="链接" target="跳转方式_self/_blank">链接名</a>
<div></div> 容器 块级元素 独占一块
<span></span> 容器 内联元素 一行可有多个
<ol>有序列表
    <li></li>
    <li></li>
</ol>
<ul>无序列表
    <li></li>
    <li></li>
</ul>
表格
<table 边框border="1">
    <thead>头部</thead>
    <tbody>主体
        <tr>行
            <td>列</td>
        </tr>
    </tbody>
</table>
class属性 类可以用于所有元素帮助分组
<p class="content"></p>

Beautiful Soup

• 安装
  pip install bs4
• 基本用法

from bs4 import BeautifulSoup
import requests
content = requests.get("").text
# 传入构造函数
soup = BeautifulSoup(content, "html.parser")
# 解析成树状结构的实例对象
all_prices = soup.findAll("p", attars={"class": "price_color"})
# 返回可迭代对象
for price in all_prices:
    print(price.string[2:])

正则表达式库re

根据自定义规则匹配一个或多个字符

多线程库threading

让不同线程同时爬取多个网页

数据分析

待进一步学习

工具 腾讯chatBI