python爬虫详细步骤-Python爬虫入门，详细讲解爬虫过程

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

以下文章来源于凌晨安全，作者 MoLing

1. 爬虫就是模拟浏览器抓取东西，爬虫三部曲：数据爬取、数据解析、数据存储

数据爬取：手机端、pc端数据解析：正则表达式数据存储：存储到文件、存储到数据库

2. 相关python库

爬虫需要两个库模块：requests和re

1. requests库

requests是比较简单易用的HTTP库，相较于urllib会简洁很多，但由于是第三方库，所以需要安装，文末附安装教程链接（链接全在后面，这样会比较方便看吧，贴心吧~）

requests库支持的HTTP特性：

保持活动和连接池、Cookie持久性会话、分段文件上传、分块请求等

Requests库中有许多方法，所有方法在底层的调用都是通过request()方法实现的，所以严格来说Requests库只有request()方法，但一般不会直接使用request()方法。以下介绍Requests库的7个主要的方法：

①requests.request()

构造一个请求，支撑一下请求的方法

具体形式：requests.request(method,url,**kwargs)

method：请求方式，对应get,post,put等方式

url：拟获取页面的url连接

**kwargs：控制访问参数

②requests.get()

获取网页HTM网页的主要方法，对应HTTP的GET。构造一个向服务器请求资源的Requests对象，返回一个包含服务器资源的Response对象。

Response对象的属性：

具体形式：res=requests.get(url)

code=res.text (text为文本形式；bin为二进制；json为json解析)

③requests.head()

获取HTML的网页头部信息，对应HTTP的HEAD

具体形式：res=requests.head(url)

④requests.post()

向网页提交post请求方法，对应HTTP的POST

具体形式：res=requests.post(url)

⑤requests.put()

向网页提交put请求方法，对应HTTP的PUT

⑥requests.patch()

向网页提交局部修改的请求，对应HTTP的PATCH

⑦requests.delete()

向网页提交删除的请求，对应HTTP的DELETE

#requests 操作练习

importrequestsimportre#数据的爬取

h ={'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'}

response= requests.get('https://movie.douban.com/chart',headers=h)

html_str=response.text#数据解析

pattern = re.compile('') #.*? 任意匹配尽可能多的匹配尽可能少的字符

result =re.findall(pattern,html_str)print(result)

2. re正则表达式：(Regular Expression)

一组由字母和符号组成的特殊字符串，作用：从文本中找到你想要的格式的句子

关于 .*? 的解释：

3. xpath解析源码

importrequestsimportrefrom bs4 importBeautifulSoupfrom lxml importetree#数据爬取（一些HTTP头的信息）

h ={'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'}

response= requests.get('https://movie.XX.com/chart',headers=h)

html_str=response.text#数据解析#正则表达式解析

defre_parse(html_str):

pattern= re.compile('

results=re.findall(pattern,html_str)print(results)returnresults#bs4解析

defbs4_parse(html_str):

soup= BeautifulSoup(html_str,'lxml')

items= soup.find_all(class_='nbg')for item initems:print(item.attrs['title'])#lxml解析

deflxml_parse(html_str):

html=etree.HTML(html_str)

results= html.xpath('//a[@class="nbg"]/@title')print(results)returnresults

re_parse(html_str)

bs4_parse(html_str)

lxml_parse(html_str)

4. python写爬虫的架构

从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。

下面给大家依次来介绍一下这5个大类的功能：

① 爬虫调度器：主要是配合调用其他四个模块，所谓调度就是取调用其他的模板。

② URL管理器：就是负责管理URL链接的，URL链接分为已经爬取的和未爬取的，这就需要URL管理器来管理它们，同时它也为获取新URL链接提供接口。

③ HTML下载器：就是将要爬取的页面的HTML下载下来。

④ HTML解析器：就是将要爬取的数据从HTML源码中获取出来，同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。

⑤ 数据存储器：就是将HTML下载器发送过来的数据存储到本地。

0x01 whois爬取

每年，有成百上千万的个人、企业、组织和政府机构注册域名，每个注册人都必须提供身份识别信息和联系方式，包括姓名、地址、电子邮件、联系电话、管理联系人和技术联系人一这类信息通常被叫做whois数据

importrequestsimportre

h={'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'}

response= requests.get('http://whois.chinaz.com/'+input("请输入网址："),headers=h)print(response.status_code)

html=response.text#print(html)#解析数据

pattern = re.compile('class="MoreInfo".*?>(.*?)

',re.S)

result=re.findall(pattern,html)#方法一：#str = re.sub(' ',',',result[0])#print(str)#方法二：

print(result[0].replace('/n',','))

0x02 爬取电影信息

importrequestsimportreimporttime#count = [0,10,20,30,40,50,60,70,80,90]

h ={'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'}

responce= requests.get('https://XX.com/board/4?offset=0', headers=h)

responce.encoding= 'utf-8'html=responce.text#解析数据 time.sleep(2)

patter = re.compile('class="name">.*?title="(.*?)".*?主演：(.*?)

.*?上映时间：(.*?)', re.S)#time.sleep(2)

result =re.findall(patter, html)print(result)

with open('maoyan.txt', 'a', encoding='utf-8') as f:for item in result: #读取result（以元组的形式储存）中的内容=》

for i initem:

f.write(i.strip().replace(' ', ','))#print(' ')

0x03 爬取图片

importrequestsimportreimporttime#数据的爬取img的url

defget_urls():

response= requests.get('http://XX.com/png/')

html_str=response.text#解析数据，得到url

pattern = re.compile('

results=re.findall(pattern,html_str)print(results)returnresults##下载图片

defdown_load_img(urls):for url inurls:

response=requests.get(url)

with open('temp/'+url.split('/')[-1], 'wb') as f:

f.write(response.content)print(url.split('/')[-1],'已经下载成功')if __name__ == '__main__':

urls=get_urls()

down_load_img(urls)

0x04 线程池

线程池是一种多线程处理形式，处理过程中将任务添加到队列，然后在创建线程后自动启动这些任务。线程池线程都是后台线程。每个线程都使用默认的堆栈大小，以默认的优先级运行，并处于多线程单元中。

"""线程池"""

from concurrent.futures importThreadPoolExecutorimporttimeimportthreadingdefban_zhuang(i):print(threading.current_thread().name,"**开始搬砖{}**".format(i))

time.sleep(2)print("**员工{}搬砖完成**一共搬砖：{}".format(i,12**2)) #将format里的内容输出到{}

if __name__ == '__main__': #主线程

start_time =time.time()print(threading.current_thread().name,"开始搬砖")

with ThreadPoolExecutor(max_workers=5) as pool:for i in range(10):

p=pool.submit(ban_zhuang,i)

end_time=time.time()print("一共搬砖{}秒".format(end_time-start_time))

结合多线程的爬虫：

'''美女爬取'''

importrequestsimportrefrom urllib.parse importurlencodeimporttimeimportthreading#https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=0&format=json&keyword=%E7%BE%8E%E5%A5%B3&autoload=true&count=20

defget_urls(page):

keys={'aid':'24','app_name':'web_search','offset':20*page,'keyword':'美女','count':'20'}

keys_word=urlencode(keys)

url= 'https://www.toutiao.com/api/search/content/?'+keys_word

response=requests.get(url)print(response.status_code)

html_str=response.text#解析"large_image_url":"(.*?)"

pattern = re.compile('"large_image_url":"(.*?)"',re.S)

urls=re.findall(pattern, html_str)returnurls#下载图片

defdownload_imags(urls):for url inurls:try:

response=requests.get(url)

with open('pic/'+url.split('/')[-1]+'.jpg','wb') as f:

f.write(response.content)print(url.split('/')[-1]+'.jpg',"已下载~~")exceptException as err:print('An exception happened:')if __name__ == '__main__':

start=time.time()

thread=[]for page in range(3):

urls=get_urls(page)#print(urls)

#多线程

for url inurls:

th= threading.Thread(target=download_imags,args=(url,))#download_imags(urls)

thread.append(th)for t inthread:

t.start()for t inthread:

t.join()

end=time.time()print('耗时：',end-start)