@Author : By Runsen
@Author : 2020/5/16
我决定把去年写的关于Python爬虫文章整理一个专栏,垃圾的就直接删除,将多篇博文整理成一篇,还补充一下其他的东西。
零基础Python专栏,到底写了什么内容
希望大家都是Python大牛。
![c2a185f60ec7ab0df60099d97c1e631f.png](https://i-blog.csdnimg.cn/blog_migrate/fd18eac1b4eff0c0fbd0d15bb4a905ed.jpeg)
1、 HTML
HTML被称为超文本标记语言,有着一系列的标签,这些标签的组合可以显示出文字,图片,视频等内容。我们平时访问的网页,就是通过html编写的。但是想要像我们看到的网页那样漂亮,我们需要为文档添加css样式。如果想要漂亮的动画效果,想要图片能够自动播放,想要点击出现一些反馈,就需要JavaScript来编写脚本啦。
2 、CSS
css能够对网页中的各种元素(这种元素即我们提到的HTML标签),我们可以通过它来设置背景颜色,设置元素的大小位置,设置字体的排版等等。
3、 JavaScript
我们简称它为js,js的运行需要靠浏览器来运行。它是一种脚本语言,具有即时编译的特点。js可以做一些动态的操作,比如添加一个元素,改变元素的内容,改变css样式。
![7313415a3dab434083cdfe48cbdb0945.png](https://i-blog.csdnimg.cn/blog_migrate/77da5a3af88e149b76ccf3348410c024.jpeg)
4、HTML标签
下面我写了一些常用的HTML标签
![8d9192666ad820eeb7fcfcf24b5eed3f.png](https://i-blog.csdnimg.cn/blog_migrate/f2278b3b90dd27ef0735213573fb8b4d.jpeg)
换行 水平线 加粗字体 删除字体 下标字体 上标字体 插入字体 斜体着重 斜体 空格©版权符"引号>大于号 内容 A位置 回到A位置 回到新的页面
1 3 4 6
1 2
1 2
标题1 内容1 内容2
标题2 内容1 内容2
想了解更多的看我下面这篇
一、前端必须掌握HTML的基础知识
5、 选择器
在 CSS 中,我们使用 CSS 选择器来定位节点。例如,下图中 div 节点的 id 为 asideProfile,那么就可以表示为 #asideProfile,其中 # 开头代表选择 id,其后紧跟 id 的名称。
![d6198712fd281ac16bcedb42d9cb01e5.png](https://i-blog.csdnimg.cn/blog_migrate/b46d57e4a920735dcfb4d8fbbdac67d9.jpeg)
另外,如果我们想选择 class 为aside-box的节点,便可以使用 .aside-box,这里以点“.”开头代表选择 class,其后紧跟 class 的名称。
6、爬虫原理
互联网就是一张大网,而爬虫(即网络爬虫)便是在网上爬行的蜘蛛。如果把网的节点比作一个个网页,爬虫爬到这就相当于访问了该页面,获取了其信息。可以把节点间的连线比作网页与网页之间的链接关系。
爬虫首先要做的工作就是获取网页,这里就是获取网页的源代码。获取网页源代码后,接下来就是分析网页源代码,从中提取我们想要的数据。
提取信息后,我们可以简单保存为 TXT 文本或 JSON 文本,也可以保存到数据库,如 MySQL 和 MongoDB 等,还可保存至远程服务器。
7、JavaScript 渲染页面
现在网页越来越多地采用 Ajax、前端模块化工具来构建,整个网页可能都是由 JavaScript 渲染出来的,也就是说原始的 HTML 代码就是一个空壳。
网页请求这个js文件,获取到该文件后,便会执行其中的 JavaScript 代码,而 JavaScript 则会改变 HTML 中的节点,向其添加内容,最后得到完整的页面。
对于,可以通过selenium或者找到Ajax的请求地址就可以解决。
8、加密
爬取网站的时候,经常会遇到各种各样类似加密的情形,比如:字体加密,构造参数加密, 想要抓取就必须要懂得找到对应的js文件,研究这些参数是怎么构造的,现在对于更多更全的信息都是通过 App 来展示的。一些 App 在内部实现的时候对代理加了一些校验,如绕过系统代理直接连接或者检测到了使用了代理,直接拒绝连接。这需要考虑使用 Wireshark、Tcpdump 在更底层的协议上抓包。
之后将以前的文章全部整理,反复巩固。