八月份课堂--Python爬虫（Spider）基础

一、爬虫（Spider）

 爬虫步骤 
网页抓取，数据提取，数据存储

请求网站，提取网页内容的最大化程序。获取到的是html代码，需要从这些文本中提取需要的数据。

HTTP：是互联网上应用最为广泛的一种网络协议，是一个客户端和服务器端请求和应答的标准（TCP），用于从WWW服务器传输超文本到本地浏览器的传输协议，它可以使浏览器更加高效，使网络传输减少。

HTTPS：是以安全为目标的HTTP通道，简单讲是HTTP的安全版，即HTTP下加入SSL层，HTTPS的安全基础是SSL，因此加密的详细内容就需要SSL。

SSL(Secure Sockets Layer 安全套接层)是为网络通信提供安全及数据完整性的一种安全协议。SSL在传输层对网络连接进行加密

 

公众平台接口不再支持http方式调用,在 2017年12月30日 后所有网站都必须是 HTTPS 方式调用

URL(统一资源定位符)基本格式：

基本格式： scheme://host[:port#]/path/.../[?query-string][#anchor]
scheme：协议。如：http、https、ftp
host：服务器的IP地址or域名。如：192.168.0.11
port#：服务器的端口。（http默认端口为80，https默认端口为443）
path：访问资源的路径
query-string：参数，发送给http服务器的数据
anchor：锚（跳转到网页的指定铺点链接地址）

 

 

GET是从服务器上获取数据，POST是向服务器传送数据。

在客户端， GET方式在通过URL提交数据，数据在URL中可以看到；POST方式，数据放置在HTML HEADER内提交

GET请求相当于我们在数据库中做了查询的操作，不影响数据库本身的数据。

POST请求相当于在数据库中做了修改的操作，会影响数据库本身的数据（如：注册、发帖、评论、得到积分，此时服务器资源状态发生了改变）。

 

 

简单的例子：

 https://www.cnblogs.com/zhaof/p/6910871.html

 

Python爬虫框架：python的urllib包提供了较为完整的访问网页文档的API

模拟浏览器行为，模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize

python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理

 

例子：

import urllib.request


def getHTML(url):
    request_headers = {
        'Host':'www.vmall.com',
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
    }
    req = urllib.request.Request(url,headers=request_headers)
    html = urllib.request.urlopen(req).read()
    return html


def saveHTML(file_name, file_content):
    # 注意windows文件命名的禁用符，比如 /
    # with open(file_name.replace('/', '_') + ".html", "wb") as f:
    with open(file_name+ ".html", "wb") as f:
        # 写文件用bytes而不是str，所以要转码
        f.write(file_content)


url = "https://www.vmall.com/list-111"

html = getHTML(url)
print (html)
print("网页已爬取")

saveHTML("baidu", html)
print("网页已存储至本地")

第一部分General是概要，包含请求地址，请求方式，状态码，服务器地址以及Referrer 策略。
第二部分是应答头部，是服务器返回的。
第三部分是请求头部，是客户端发送的

http响应头信息：
Content-Encoding：文档的编码信息

http请求头信息：
host：请求的资源服务器
user-agent:http客户端程序信息
accept：用户代理可请求的媒体类型
cache-control:控制缓存开关max-age=0,告诉服务器接收一个存在时间小于0s的资源

 创建 beautifulsoup 对象：

soup = BeautifulSoup(html,'html.parser')
得到了标签的内容用 .string 即可获取标签内部的文字：print soup.p.string

#!usr/bin/python
#-*- coding:utf-8 -*-
#createtime : 2019/8/19 22:10
#filename : test_html.py
#content : 爬取并保存到本地
import urllib.request
from bs4 import BeautifulSoup

def getHTML(url):
    request_headers = {
        'Host':'www.vmall.com',
        "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
    }
    req = urllib.request.Request(url,headers=request_headers)
    html = urllib.request.urlopen(req).read()
    return html


def saveHTML(file_name, file_content):
    # 注意windows文件命名的禁用符，比如 /
    # with open(file_name.replace('/', '_') + ".html", "wb") as f:
    with open(file_name+ ".html", "wb") as f:
        # 写文件用bytes而不是str，所以要转码
        f.write(file_content)

def getImg(html):
    soup = BeautifulSoup(html,'html.parser')
    divtag = soup.find_all("img")
    length = len(divtag)
    for i in range(length):
        print(divtag[i].attrs["src"])

url = "https://www.vmall.com"

html = getHTML(url)
getImg(html)
# print (html)
print("网页已爬取")

# saveHTML("huawei", html)
print("网页已存储至本地")

 

urllib.request的用法：

# 导入urllib.request库

import urllib.request

# 向指定的url发送请求，并返回服务器响应的类文件对象

response = urllib.request.urlopen("http://www.baidu.com/")

# 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串

html = response.read()

# 打印字符串

print(html)

可以设置另外两个参数：

1.data（默认为空）：是伴随url提交的数据（比如post的数据），同时HTTP请求将从“GET”方式改为“POST”方式。

2.headers（默认为空）：是一个字典

 

BeautifulSoup：

安装Beautiful Soup和lxml

lxml解析器有解析HTML和XML的功能，速度快，容错能力强

选择元素：
soup = BeautifulSoup(html,'html.parser')
print(soup.a.string)
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)

方法选择器：
find_all(name , attrs , recursive , text , **kwargs)

print(soup.find_all(name='ul'))

for ul in soup.find_all(name='ul'):
    print(ul.find_all(name='li'))
    for li in ul.find_all(name='li'):
        print(li.string)

print(soup.find_all(text=re.compile('qq')))

find()方法，返回的是单个元素，也就是第一个匹配的元素

CSS选择器：

print(soup.select('.button-top-banner-min'))

soup.a.parent就可以获取父节点的信息

print(soup.a.parent)
print(soup.find('a',{'class': 'button-top-banner-min'}).parent)

子节点

print(soup.li.contents)

兄弟节点

soup.a.next_siblings 获取后面的兄弟节点
soup.a.previous_siblings 获取前面的兄弟节点
soup.a.next_sibling 获取下一个兄弟标签
souo.a.previous_sinbling 获取上一个兄弟标签

转载于:https://www.cnblogs.com/liurg/p/11144325.html