【python】网络爬虫入门基础

定义：

• 模拟浏览器访问网站
• 自动大批量地抓取目标数据
• 一个程序（脚本）

请求头伪装是最简单的反反爬，headers常用属性User-Agent、Referer、Cookies(暂时不会)
其中cookies用来存储账号、密码，在需要的时候被网站识别，维持当前访问会话

headers = {
 	# 操作系统、浏览器的版本等信息
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) '
                      'Chrome/65.0.3325.162 Safari/537.36',
                      
         # 标识请求发出页面
        'Referer': 'https://www.mzitu.com'  
    }

用到的库：requests、re、bs4、requests、time、os等

获取url 访问网站 获取内容

def get_one_page(url):

    try:
    
        response = requests.get(url, headers=headers)
        
        if response.status_code == 200:
        
            return response.text
            
        return None
        
    except RequestException:
    
        print("获取失败")
        

提取数据 清洗数据

// 几种技术手段
正则、beautfulsoup、xpath

a_soup= BeautifulSoup(html,"html.parser")
all_a = soup.find('div',class_='postlist').find_all('a', target='_blank')


def parse_one_page(html):

        # compile 凑正则 findall 查
        items = re.findall(r'<a.*?src="(.*?)".*?</a>', html, re.S)
        
        return items

下载 数据持久化：一般保存在文件或者数据库中，如mongoDB，这是一种介于关系和非关系之间的数据库，操作比mysql方便