网络爬虫概述
网络蜘蛛、网络机器人,抓取网络数据的程序
其实就是用Python程序模仿人点击浏览器并访问网站,而且模仿的越像越好,让Web站点无法发现你不是人
1、公司项目测试数据
2、公司业务部门及其他部门所需数据
3、数据分析
1、公司自有数据
2、第三方数据平台购买(数据堂、贵阳大数据交易所)
3、爬虫爬取数据
1、Python :请求模块、解析模块丰富成熟,强大的Scrapy网络爬虫框架
2、PHP :对多线程、异步支持不太好
3、JAVA:代码笨重,代码量大
4、C/C++:虽然效率高,但是代码成型慢
1、通用网络爬虫(搜索引擎使用,遵守robots协议)
robots协议 :网站通过robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,通用网络爬虫需要遵守robots协议(君子协议)
https://www.taobao.com/robots.txt
2、聚焦网络爬虫 :自己写的爬虫程序
1、确定需要爬取的URL地址
2、由请求模块向URL地址发出请求,并得到网站的响应
3、从响应内容中提取所需数据
1、所需数据,保存
2、页面中有其他需要继续跟进的URL地址,继续第2步去发请求,如此循环
爬虫请求模块一
模块名及导入
1、模块名:urllib.request
2、导入方式:
1、import urllib.request
2、from urllib import request
常用方法详解
urllib.request.urlopen()
- 作用
向网站发起请求并获取响应对象
- 参数
1、url:需要爬取的URL地址
2、timeout: 设置等待超时时间,指定时间内未得到响应抛出超时异常
- 第一个爬虫程序 - 01_urlopen.py
打开浏览器,输入百度地址(http://www.baidu.com/),得到百度的响应
import urllib.request
# urlopen() : 向URL发请求,返回响应对象
response=urllib.request.urlopen('http://www.baidu.com/')
# 提取响应内容
html = response.read().decode('utf-8')
# 打印响应内容
print(html)
- 响应对象(response)方法
1、bytes = response.read() # read()得到结果为 bytes 数据类型
2、string = response.read().decode() # decode() 转为 string 数据类型
3、url = response.geturl() # 返回实际数据的URL地址
4、code = response.getcode() # 返回HTTP响应码
# 补充
5、string.encode() # bytes -> string
6、bytes.decode() # string -> bytes
思考:网站如何来判定是人类正常访问还是爬虫程序访问???
# 向测试网站: http://httpbin.org/get 发请求,查看自己请求头 - 响应内容
# 代码如下
此处各位大佬自己完成
# html中的请求头headers如下
"headers": {
"Accept-Encoding": "identity",
"Host": "httpbin.org",
"User-Agent": "Python-urllib/3.6"
},
发现请求头中User-Agent竟然是:Python-urllib/3.6!!!!!!!!!!!!!!!!!!!
我们需要重构User-Agent,发请求时带着User-Agent过去,但是 urlopen()方法不支持重构User-Agent,那我们怎么办?请看下面的方法!!!
urllib.request.Request()
- 作用
创建请求对象(包装请求,重构User-Agent,使程序更像正常人类请求)
- 参数
1、url:请求的URL地址
2、headers:添加请求头(爬虫和反爬虫斗争的第一步)
- 使用流程
1、构造请求对象(重构User-Agent)
2、发请求获取响应对象(urlopen)
3、获取响应对象内容
- 示例 - 02_Request.py
向测试网站(http://httpbin.org/get)发起请求,构造请求头并从响应中确认请求头信息
import urllib.request
url = 'https://httpbin.org/get'
#1,创建请求对象
req = urllib.request.Request(
url=url,
headers={'User-Agent':"Mozilla/5.0 "}
)
#2,发送请求获取向应信息
res = urllib.request.urlopen(req)
html = res.read().decode()
print(html)
URL地址编码模块
模块名及导入
- 模块
# 模块名
urllib.parse
# 导入
import urllib.parse
from urllib import parse
- 作用
给URL地址中查询参数进行编码
编码前:https://www.baidu.com/s?wd=美女
编码后:https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
常用方法
urllib.parse.urlencode({dict})
- URL地址中一个查询参数
# 查询参数:{'wd' : '美女'}
# urlencode编码后:'wd=%e7%be%8e%e5%a5%b3'
# 示例代码
query_string = {'wd' : '美女'}
result = urllib.parse.urlencode(query_string)
# result: 'wd=%e7%be%8e%e5%a5%b3'
- URL地址中多个查询参数
from urllib import parse
params = {
'wd' : '美女',
'pn' : '50'
}
params = parse.urlencode(query_string_dict)
url = 'http://www.baidu.com/s?{}'.format(params)
print(url)
- 拼接URL地址的3种方式
# 1、字符串相加
baseurl = 'http://www.baidu.com/s?'
params = 'wd=%E7XXXX&pn=20'
url = baseurl + params
# 2、字符串格式化(占位符)
params = 'wd=%E7XXXX&pn=20'
url = 'http://www.baidu.com/s?%s'% params
# 3、format()方法
url = 'http://www.baidu.com/s?{}'
params = 'wd=#E7XXXX&pn=20'
url = url.format(params)
- 练习
在百度中输入要搜索的内容,把响应内容保存到本地文件
请输入搜索内容: 赵丽颖
# 最终保存到本地文件 - 赵丽颖.html
代码实现 - 03_parse_baidu.py
'''
在百度中输入要搜索的内容,把响应内容保存到本地文件
1,拼接url地址
2,请求获取内容
3,保存到本地文件
'''
from urllib import request, parse
# 1,拼url地址
url = "http://www.baidu.com/s?{}"
word = input("请输入搜索内容:")
params = parse.urlencode({'wd':word})
full_url = url.format(params)
# 2,发请求保存到本地
req = request.Request(url=full_url,headers={'User-Agent':"Mozilla/5.0"})
res = request.urlopen(req)
html = res.read().decode()
#保存到本地文件
filname = word + '.html'
with open(filname,'w',encoding='utf-8') as f:
f.write(html)
quote(string)编码
- 示例1
from urllib import parse
string = '美女'
print(parse.quote(string))
# 结果: %E7%BE%8E%E5%A5%B3
改写之前urlencode()代码,使用quote()方法实现
from urllib import parse
url = 'http://www.baidu.com/s?wd={}'
word = input('请输入要搜索的内容:')
query_string = parse.quote(word)
print(url.format(query_string))
unquote(string)解码
- 示例
from urllib import parse
string = '%E7%BE%8E%E5%A5%B3'
result = parse.unquote(string)
print(result)
总结
# 1、urllib.request
req = urllib.request.Request(url,headers)
res = urllib.request.urlopen(req)
# 2、响应对象res方法
html = res.read().decode()
url = res.geturl()
code = res.getcode()
# 3、urllib.parse
params = urllib.parse.urlencode({'wd':'xxx'})
params = urllib.parse.quots('xxx')
#解码
string = urllib.parse.unquots(%E8...)
百度贴吧数据抓取案例
要求
1、输入贴吧名称:python吧
2、输入起始页:1
3、输入终止页:3
4、保存到本地文件
赵丽颖吧-第1页.html、python吧-第2页.html ...
实现步骤
- 1、查看是否为静态页面
右键 - 查看网页源代码 - 搜索数据关键字
- 2、找URL规律
第1页:http://tieba.baidu.com/f?kw=??&pn=0
第2页:http://tieba.baidu.com/f?kw=??&pn=50
第n页:pn=(n-1)*50
-
3、获取网页内容
-
4、提取所需数据
-
5、保存(本地文件、数据库)
代码实现 - 04_tieba_spider.py
from urllib import request, parse import time import random class TiebaSpider(object): def __init__(self): self.url = "http://tieba.baidu.com/f?{}" self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1"} # 请求 def get_html(self, url): req = request.Request(url=url, headers=self.headers) res = request.urlopen(req) html = res.read().decode('utf-8','ignore') return html # 解析 def parse_html(self): pass # 保存 def save_html(self, filename, html): with open(filename, 'w') as f: f.write(html) # 入口函数 def run(self): name = input("请输入贴吧名:") begin = int(input("请输入起始页:")) stop = int(input("请输入终止页:")) # 拼接地址,发送请求 for page in range(begin, stop + 1): pn = (page - 1) * 50 params = { 'kw':name, 'pn':str(pn) } params = parse.urlencode(params) url = self.url.format(params) #发请求 html = self.get_html(url) filename = '{}-第{}页.html'.format(name,page) self.save_html(filename,html) #提示 print("第%d页抓取成功"%page) #每爬取一个页面,随机停顿1~3秒钟 time.sleep(random.randint(1,3)) if __name__ == '__main__': start = time.time() spider = TiebaSpider() spider.run() end = time.time() print("执行时间%.2f" % (end - start))
正则解析模块
re模块使用流程
-
方法一
python r_list=re.findall('正则表达式',html,re.S)
-
方法二
# 1、创建正则编译对象
pattern = re.compile(r'正则表达式',re.S)
r_list = pattern.findall(html)
正则表达式元字符
元字符 | 含义 |
---|---|
. | 任意一个字符(不包括\n) |
\d | 一个数字 |
\s | 空白字符 |
\S | 非空白字符 |
[] | 包含[]内容 |
* | 出现0次或多次 |
+ | 出现1次或多次 |
思考:请写出匹配任意一个字符的正则表达式?
import re
# 方法一
pattern = re.compile('.',re.S)
# 方法二
pattern = re.compile('[\s\S]')
贪婪匹配和非贪婪匹配
- 贪婪匹配(默认)
1、在整个表达式匹配成功的前提下,尽可能多的匹配 *
2、表示方式: .*
- 非贪婪匹配
1、在整个表达式匹配成功的前提下,尽可能少的匹配 *
2、表示方式:.*?
示例代码 - 05_re_greed.py
import re
html = '''
<div><p>九霄龙吟惊天变</p></div>
<div><p>风云际会潜水游</p></div>
'''
# 贪婪匹配
pattern = re.compile('<div><p>.*</p></div>', re.S)
r = pattern.findall(html)
print(r)
# 非贪婪匹配
pattern = re.compile('<div><p>.*?</p></div>', re.S)
r = pattern.findall(html)
print(r)
正则表达式分组
- 作用
在完整的模式中定义子模式,将每个圆括号中子模式匹配出来的结果提取出来
- 示例
import re
s = 'A B C D'
p1 = re.compile('\w+\s+\w+')
print(p1.findall(s))
# 结果:
#['A B','C D']
p2 = re.compile('(\w+)\s+\w+')
print(p2.findall(s))
# 结果:
#第一步(整体正则):['A B','C D']
#第二部(提取分组):['A','C']
p3 = re.compile('(\w+)\s+(\w+)')
print(p3.findall(s))
# 结果:
#第一步(整体正则):['A B','C D']
#第二部(提取分组):[('A','B'),('C','D')]
- 分组总结
1、在网页中,想要什么内容,就加()
2、先按整体正则匹配,然后再提取分组()中的内容
如果有2个及以上分组(),则结果中以元组形式显示 [('小区1','500万'),('小区2','600万'),()]
- 练习
页面结构如下:
# <div class="animal">.*?title="(.*?)".*?
<div class="animal">
<p class="name">
<a title="Tiger"></a>
</p>
<p class="content">
Two tigers two tigers run fast
</p>
</div>
<div class="animal">
<p class="name">
<a title="Rabbit"></a>
</p>
<p class="content">
Small white rabbit white and white
</p>
</div>
从以上html代码结构中完成如下内容信息的提取:
# 问题1
[('Tiger',' Two...'),('Rabbit','Small..')]
# 问题2
动物名称 :Tiger
动物描述 :Two tigers two tigers run fast
***************************************
动物名称 :Rabbit
动物描述 :Small white rabbit white and white
代码实现 - 06_re_exercise.py
import re
html = '''
<div class="animal">
<p class="name">
<a title="Tiger"></a>
</p>
<p class="content">
Two tigers two tigers run fast
</p>
</div>
<div class="animal">
<p class="name">
<a title="Rabbit"></a>
</p>
<p class="content">
Small white rabbit white and white
</p>
</div>
'''
p = re.compile('<div class="animal">.*?title="(.*?)".*?"content">(.*?)</p>',re.S)
re_b = re.compile('<p class="name">.*?title="(.*?)".*?"content">(.*?)</p>',re.S)
list_r = re_b.findall(html)
#第二步
for r in list_r:
print("动物名称:",r[0].strip())
print("动物描述:",r[1].strip())
print("*"*50)