爬虫学习笔记

已于 2023-05-11 15:22:02 修改
阅读量1k 收藏 5
点赞数
分类专栏： 笔记 爬虫 文章标签： 爬虫 学习 笔记
于 2020-12-27 21:00:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45839321/article/details/111826202
版权

爬虫学习笔记

文章目录

公开课

1.虚拟环境

虚拟环境就是一个隔离的python环境，不同的项目应该使用不同的虚拟环境(可以使用同一个虚拟环境)

虚拟环境不会导致环境之间的污染

1.1 虚拟环境管理模块

virtualenvwrapper

安装

pip install virtualenvwrapper-win

virtualenvwrapper的使用

查看所有虚拟环境：lsvirtualenv

创建虚拟环境：mkvirtualenv 环境名

激活虚拟环境：workon 环境名

查看当前虚拟环境下的模块：

  1. 进入当前虚拟环境
  2. pip list

退出虚拟环境:deactivate

虚拟环境中安装模块:pycharm中,选中虚拟环境，然后添加模块,也可以通过pip install安装

删除虚拟环境：rmvirtualenv 环境名

pycharm如果没有直接显示虚拟环境，则
settings中选解释器处show all ,加号添加，创建的虚拟环境在
C:\Users\22742\Envs\目录下，选中Scripts下的python.exe

1.2 环境一致性

保证开发与生产环境一致，需要将模块等同一致

在开发机的虚拟环境中，运行命令:
生成模块和其版本pip freeze > requirements.txt

将requirements中生成的模块版本进行安装
pip install -r ./requirements.txt

1.3 查看包的详细信息

pip show 包名

1.4 打包

pyinstall -F XXX.py

2.爬虫

2.1 爬虫的概念

爬虫又称网页蜘蛛或者网页机器人

模拟人操作客户端，向服务器发起网络请求，抓取数据的自动化程序和脚本

通用爬虫是通过抓取数据实现检索服务

爬虫分为聚焦爬虫和通用爬虫

自动化，数据量较小时可以人工获取数据，但往往在公司中爬取的量都在百万级千万级，所以要程序自动化获取数据

B/S架构：Browser/Server，类似淘宝，没有第三方中转，客户端和服务器直接交互

C/S：Client/server，类似微信，将微信后端作为中转站，和其他人对话时，需要在中转站传话

2.1.1 pyinstaller

pyinstaller可以将python文件编译成一个程序，类似go语言的编译

2.2 通用爬虫

百度，360，搜狐等搜索引擎

原理：

  1. 抓取网页
  2. 采集数据
  3. 数据处理
  4. 提供检索服务

通用爬虫抓取新网站的方式

  1. 主动提交url
  2. 设置友情连接
  3. 百度会和DNS服务商合作，抓取新网站

检索排名:

  1. 竞价排名
  2. 根据PageRank值，访问量、点击量 (SEO)
2.3 robots协议

robots.txt:如果不想让百度爬取，可以编写robots.txt,这个协议只是口头上的协议，自己写的爬虫程序不需要遵从

2.4 聚焦爬虫

根据特定的需求，抓取指定的数据

思路：

代替浏览器上网

  1. url，发起请求，获取响应
  2. 解析内容，提取数据
  3. 将数据存储到本地，数据持久化

2.5 requests模块

#导包
import requests
url = '*****'
#res是获取的响应数据
res = requests.get(url)

#响应数据的获取方式
1.文本形式：res.text
2.json形式：res.json()
3.流形式：res.content

#数据持久化(mysql入库)
#1.导包
import pymysql
#2.创建链接
conn = pymysql.connect(host='127.0.0.1',port=3306,user='root',password='root',charset='utf8',database='***')
#3.创建游标
cursor = conn.cursor()
#4.构造sql语句
sql  = 'insert into *** values(数据)'
#5.执行sql语句
try:
    cursor.execute(sql)
    #提交事务
    conn.commit()
except Exception as e:
    print(e)
    #回滚
    conn.rollback()

params参数

get方式传参的拼接，将参数拼接到目标url中

2.6 OSI七层模型

应用层：

https/http/ftp

http协议：明文传输，端口80
https协议：加密传输，端口443

表示层

会话层

传输层：UDP/TCP

网络层：IP

数据链路层：ARP

物理层：以太网协议

2.7 TCP/IP五层模型

应用层：https/http/ftp/ssh/Sftp/

传输层：UDP/TCP

网络层：IP

数据链路层：ARP

物理层：以太网协议

2.8 TCP和UDP

TCP协议是一种面向连接的，可靠的，基于字节流的传输通信协议

  1. 有序性：数据包编号，判断数据包的正确次序
  2. 正确性：使用checksum函数检查数据包是否损坏，发送和接收时都会计算校验和
  3. 可靠性：发送端由超时重发，并有确认机制识别错误和数据的丢失
  4. 可控性：滑动窗口协议与拥塞控制算法控制数据包的发送速度

UDP协议是用户数据报协议，面向无连接的传输层协议，传输相对于TCP来说，不可靠

  1. 无连接：数据可能丢失或损坏
  2. 报文小，传输速度快
  3. 吞吐量大的网络传输，可以在一定成都上承受数据丢失
2.9 ARP协议

通过IP获取目标计算机的mac地址的协议

交换机不能识别IP地址

2.9.1 ssh

远程登录会话

2.9.2 服务器创建的默认端口
ftp:21
ssh:22
mySQL:3306
MongoDB:27017
Redis:6379
2.9.3 http与HTTPS协议的区别
  1. https协议需要到ca申请证书，因而需要一定费用，现阶段国内各大厂商也提供免费的证书
  2. http是超文本传输协议，信息是铭文传输，https则是具有安全性的ssl加密传输协议
  3. http和https使用的是完全不同的连接方式，端口号也不一样,前者是80，后者是443
  4. http的连接很简单，是无状态的，https协议是由ssl+http协议构建的可进行加密传输，身份认证的网络协议，比http协议安全(尽管HTTPS安全，但是传输的效率没有http高)

3.请求

url:请求的网址，即统一资源定位符，它可以唯一确定我门向请求的资源

3.1 请求过程

客户端，通常指(web浏览器或APP)向服务器发起请求，服务器接收到的请求进行处理，并向客户端发起响应

请求由客户端向服务器发出的，可以分为四部分：请求方法(Request Method),请求网址(Request.URL),请求头(Request Headers) 请求体(Request Body)

3.2 请求方法

常见的有八种

GET：请求页面，并返回内容
POST：用于提交表单数据或者文件等，数据包含在请求体中
PUT：从客户端向服务器传送的数据取代指定文档中的内容
DELETE：请求服务器删除指定的页面
HEAD：类似于GET请求，只不过返回的响应中没有具体的内容，用于获取头
CONNECT：把服务器当跳板，让服务器代替客户端访问其他网页
OPTIONS：允许客户端查看服务器的性能
TRACE：会现实服务器收到的请求，主要用于测试或诊断

GET和POST请求的区别

  1. GET请求中的参数包含在URL里，数据可以在URL中看到，而POST请求的URL一般不会包含这些数据
  2. GET请求提交的数据最多只有1024字节，而POST方法没有限制
  3. POST比 GET相对安全
3.3 请求头和请求体

Accept：请求报头域，用于指定客户端可接收哪些类型的信息

Cookie：页常用复数形式Cookies，这是网站为了辨别用户进行会话跟踪而存在用户本地的数据，它的主要功能时维持当前访问会话，cookies里有信息标识了我们所对应的服务器的会话，每次浏览器在请求该站点的页面时，都会在请求头中加上cookies并将其发送给服务器，服务器通过cookies识别出是我们自己，并且查出当前是登录状态，所以返回的数据是登录之后网页内容

Referer:此内容用来标识这个请求是从哪个页面发过来的，服务器可以拿到这一信息并做相应的处理，如来源统计，防盗链处理等

User-Agent：简称UA，它是一个页数的字段串头，可以使服务器识别客户使用的操作系统及版本，浏览器及版本等信息，做爬虫时加上此信息，可以伪装浏览器

x-requested-with：XMHttpRequest 代表ajax请求

Accept-Language：指定客户端可接受的语言类型

Accept-Encoding：指定客户端可接受的内容编码

Content-type：也叫互联网媒体类型(Internet Media Type)或者MIME类型，在HTTP协议消息头中，它用来表示具体请求中的媒体类型信息,例：text/html代表HTML格式，image/gif代表GIF图片，application/json代表JSON类型

请求体一般承载的内容时POST请求中的表单数据，GET请求没有请求体，为空

3.4 反爬机制与反反爬策略
#反爬机制：
为了不让数据泄露，设置了各种阻碍，这就是反爬机制

#反反爬策略
针对网站的反爬机制，采取不同策略
1.脚本：直接忽略
2.scrapy框架：修改配置文件，让爬虫不遵守robots协议

4.响应

响应是由服务端返回给客户端的，可 以分为三部分：响应状态码，响应头，响应体

响应体，响应的正文数据都在响应体中，比如请求网页时，它的响应体就是网页的HTML代码，我们要爬虫请求网页后，要解析的内容就是响应体

常见的状态码
200：成功
301：永久重定向
302：临时重定向
400：错误的请求
401：未授权
403：服务器拒绝此请求
404：未找到
500：服务器内部错误
501：服务器不具备完成请求的功能
502：错误的网关，服务器走位网关或代理，从上游服务器收到无效响应
504：网关超时，服务器作为网关或代理，但是没有及时从上游服务器收到请求
505：HTTP版本不支持

状态码不能完全代表相应状态，部分网站的状态码是自定义的，一切以响应数据为准

4.1 响应数据的几种形式
res = requests.get(url='https://www.guidaye.com/cp/')
res.text >>>将响应对象转化为str类型
res.json()  >>> 将响应对象转化为python中的dict类型，形式(类json)
res.content  >>>流形式(数据流，图片就是流形式)

如果响应数据中文乱码，可以用content.decode('utf-8')来解决

4.2 uuid

通用唯一标识符，时间戳，命名空间，随机数，伪随机数来保证生成ID的唯一性

python的uuid模块提供UUID类和函数uuid1(), uuid3(), uuid4(), uuid5() 来生成1, 3, 4, 5各个版本的UUID
( 需要注意的是: python中没有**uuid2()**这个函数)

uuid1：基于时间戳
uuid3：基于名字的MD5散列值
uuid4：基于随机数，有一定重复概率
uuid5：基于名字的SHA=1散列值

5.正则表达式

5.1 元字符
.:任意字符，换行符除外
\d:任意数字
\w:任意数字字母下划线
\s:空白符

#如果是大写的s，w，d，代表'非'
5.2 字符组
[a-z]:
[A-Z]:
[0-9]:

[^...]
#匹配非其中元素，举例：[^abc]--->匹配除了abc之外的字符
5.3 量词
*:匹配0次或多次
+:匹配1次或多次
?:匹配0次或1次  #非贪婪匹配
{m}:m次
{m,}:至少m次
{m,n}:m-n次
{,n}:最多n次
5.4 边界修饰

^匹配开始

$匹配结尾

5.5 分组
import re
s = "<a href='asdsdjfiohssdbfkjsdbkjsd'>"

res = re.findall(r"href='(.*?)'>",s)
5.6 贪婪与非贪婪

贪婪，尽可能多的匹配

非贪婪，尽可能往少了匹配

5.7 re

re.findall(r'正则表达式','str'),结果是一个列表，匹配整个字符串

re.search(r'正则表达式','str')匹配到第一个结果就返回，返回的是一个对象，使用group取值

re.match(r'正则表达式','str')从字符串开始进行匹配，返回一个对象，使用group取值，如果未匹配到，返回None

re.complie将正则表达式编译为对象，在需要按正则表达式匹配是可以在直接使用该对象调用以上方法

6. requests高阶应用

6.1 文件处理
import requests
#打开文件，注意要以rb形式打开
f = open('chn.jpg','rb')
files = {
    'file':f
}
res = requests.post(url='***',files = files)

文件也是一种数据，所以，可以通过files参数来进行文件的上传

6.2 会话维持
from requests import Session
#1.实例化一个对象
session = Session()
#2.url
url = '*****'
#3.session.get()或者session.post(url=url.headers=headers)
res = session.post(url=url.headers=headers)
6.3 ssl证书验证

https是http的安全版本，HTTPS在http的基础上多了一个ssl安全套接层

requests提供了证书验证的功能，当发起HTTP请求时，模块会检查SSL证书，但检查的行为可以用verify参数来控制

添加了一个参数verify=false --->不检查ssl证书,如果等于True，则检查SSL证书

#ssl证书验证

#添加一个verify=false参数，禁止证书验证
import requests
url = '******'
#阻止抛出警告
requests.packages.urllib3.disable_warinings()

res = requests.get(url=url,verify=false)

简单来说，在爬取网站时，有可能网站的证书是有问题的，这时如果使用requests模块去请求时，会报错，所以需要ssl证书验证

6.4 代理设置

代理IP是指在请求的过程中使用非本机ip进行请求，避免大数据量频繁请求的过程中出现IP封禁，限制数据的爬取

透明代理ip：服务器知道你使用了代理，服务器能够获取爬虫真实的ip

匿名代理ip：服务器知道你使用了代理，服务器不能获取爬虫真实的ip

高匿代理ip：服务器不知道使用了代理，服务器不能获取爬虫真实ip

代理类别：基于接口的，基于隧道的

反爬：ip封禁--->使用代理ip

import requests
url = '*********'
proxies = {
    #或者是https
    'http':'http://ip地址:端口号',
    #无论是http还是https，后面一定是http
    'https':'http://ip地址:端口号'
}
res = requests.get(url=url,proxies = proxies)
6.5 超时设置

添加了一个参数，以秒计量timeout=0.1

#添加timeout参数，秒数
import requests
res=requests.get(url=url,timeout=0.1)

给予爬虫与服务器连接的时间限定，设置一个时间，在指定的时间内完成了正常的连接，不报错，如果没有完成，就会报错

requests模块发送请求可以设置超时时间，在超时时间内未得到响应，便会抛出异常

好处：一方面减少了请求的阻塞时间，一方面，可以进行异常处理，执行相应的操作

如果规定时间完成了和服务器连接，之后爬取数据的时间并不算在超时设置的时间内

6.6 UA检测

UA是用户的身份表示，可以表示用户的系统及浏览器信息

在请求过程中，添加headers参数

6.7 cookie的处理(session)

在同一个关联网页中，为了保存登录状态和各种信息，可以通过cookie来保持

三种方法

  1. 手动在headers中添加cookie的键值对
  2. cookiejar对象
  3. 自动封装cookie的类：Session
#cookie的处理
	#1.url = 'https://www.baidu.com/'
        headers = {
            'Cookie':'BIDUPSID=B63BDB40304991E9FF3159864CC9C302; PSTM=1586308511; BAIDUID=B63BDB40304991E9CC4E4ECFFCFFB23D:FG=1; BD_UPN=12314753; BDUSS=VWNmZu',
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
        }
        res = requests.get(url=url,headers=headers)
        
    #2.cookiejar对象
    from requests.cookies import RequestCookieJar
   	1.首先需要获取Cookies
    Cookie = ***********
    2.实例化一个jar对象
    jar = RequestsCookieJar()
    3.处理Cookies，封装进jar对象中
    for i in Cookie.split(','):
        #再次分割，分成dict的键值，每分割一次添加一次
        k,v = i.split('=',1)
        jar.set(k,v)
    
    #3.Session类，会话维持
    from requests import Session
    1.实例化一个对象
    session = Session()
    2.url
    url = '*****'
    3.session.get()或者session.post(url=url.headers=headers)
    res = session.post(url=url.headers=headers)

from requests import Session

session = Session()

data = {
    'username':"天听",
    'password':'123456'
}

res = session.post(url=url,headers=headers,data=data)

7.lxm库

从响应数据中抽取出目标数据的过程，就叫做数据解析
数据解析：
re,xpath,BS4,Pyquery

DOM树与xpath解析原理

HTML页面标签存在层级关系，即DOM树，在获取目标数据时可以根据网页层级关系定位标签，再获取标签的文本或属性

xpath解析原理：根据DOM节点的结构关系，进行定位

7.1 xpath基本语法

.:当前节点

/:根节点

//:代表任意位置

.//:从当前节点向下的任意位置匹配

nodename:节点名定位

nodename[@attribute='value']:根据节点的属性进行定位

@attribue：获取节点的属性值，比如获取a标签的href属性，直接可以/a/@href

text():获取节点的文本
//div[@class='asdds']/p/text()

7.2 属性匹配

  • 单属性多值匹配：当节点的一个属性有多个值时，根据其中一个进行定位，使用contai ns函数

    '//div[contains(@class,"属性值")]'

  • 多属性匹配：用节点的多个属性共同定位节点and

    '//div[@class="asds" and @name="adsadasd"]'
7.3 按序选择

  • 索引定位：[6]

    注意，索引从1开始，跟python有区别

  • 位置函数：position
    例：/li[position()>2]

  • last()函数：定位最后一个，last()-1代表倒数第二个

7.4 流程

加载本地html，需要有etree.HTMLParser参数，注意要加括号
例：tree = etree.parser('./xpath.html',etree.HTMLParser())

加载网页html,直接使用HTML
例：tree = etree.HTML()

然后些xpath语法
tree.xpath('//ul[@class="pli"]/li/div/a/img/@src')

xpath获得的结果是一个列表2

#编码流程
from lxml import etree
res = requests.get(...)
tree = etree.HTML(res.text) #etree加载的是响应数据的文本形式
tree.xpath('xpath表达式')
7.5 补充
res1 = tree.xpath("//div[@id='007']/text()")

res2 = tree.xpath("//div[@id='007']//text()")

'''
res1展示的是以divid007为根节点的结果，其div下的其他标签不显示
res2展示的是以divid007任意位置的结果，其div下的其他标签内容也一同显示
'''

8.动态数据加载

网页HTML上，有些数据是通过js代码填充，所以如果直接使用爬虫，只会爬取到一个标签，并没有其中的元素

requests模块和scrapy框架在发起请求爬取数据的过程中，不能执行js代码

8.1 selenium

selenium是一个web端自动化测试框架，可以通过代码来控制浏览器，比如打开关闭，点击等行为

作用：帮助抓取动态加载的数据，避免反爬

8.2 selenium安装与配置与操作
  1. Chrome浏览器
    2.selenium框架：pip install selenium

3.驱动程序：下载
http://npm.taobao.org/mirrors/chromedriver/
查看浏览器版本
选择对应的版本

编码流程：
	#首先需要将下载的chromedriver.exe放到代码文件夹下
    #导包
    from seleniumi import webdriver
    
    
    #调用chromedriver.exe
    bro = webdriver.Chrome('./chromedriver.exe')
    
    #访问
    bro.get('https://www.iqiyi.com/')
    
    #获取网页源代码
	(对象)bro.page_source   --->字符串

#如何获取网页的元素
#根据标签内属性定位，一般用id定位
find_element_by_id('id')
find_element_by_name('name')
find_element_by_class_name('class')#根据class属性定位
find_element_by_xpath()#根据xpath定位节点
find_element_by_css_selector()#css选择器
find_element_by_link_text()#根据超链接文本定位
find_element_by_partial_link_text()#根据超链接文本的一部分定位

#执行js脚本
execute_script(js)

#节点交互操作：
1.输入内容：对象.send_keys()

2.清空内容：对象.clear()

3.点击操作：对象.click()

4.退出浏览器：对象.quit()

#获取网页的数据
获取元素属性：get_attribute()
获取元素文本：get_text()
获取元素位置：element.location
获取元素尺寸：element.size
获取网页源码：browser.page_source(*****)


#执行js脚本
js = 'window.scrollTo(0,300)'#向下滚动300距离

js = 'window.scrollTo(0,document.body.scrollHeight)'#滚动到底部


对象.execute_script(js)
iframe标签跳转

switch_to.frname('frameid')

switch_to.default_content()

实例：

from selenium import webdriver
from time import sleep
from selenium.webdriver.chrome.options import Options

options = Options()

options.add_experimental_option('excludeSwitches',['enable-automation'])

#调用chromedriver.exe
bro = webdriver.Chrome('./chromedriver.exe',options=options)

bro.get('https://www.baidu.com/')

#根据id-->kw获取input输入框
input_tag = bro.find_element_by_id('kw')

#根据id-->su获取百度一下点击按钮
button_baidu = bro.find_element_by_id('su')

#输入框输入
input_tag.send_keys('黑洞')

#点击
button_baidu.click()

#睡眠两秒之后清空输入框
sleep(2)
input_tag.clear()

input_tag.send_keys('抖动')
button_baidu.click()
sleep(3)
input_tag.clear()


input_tag.send_keys('翻转')
button_baidu.click()
sleep(3)
input_tag.clear()

bro.quit()
8.3 子级页面和父级页面

HTML页面嵌套另一个HTML页面

#子页面的跳转
switch_to.frame('id')

#跳转到父级页面
switch_to_default.conent()

注意，selenium默认操作父级页面

8.4 防检测
from selenium.webdriver.chrome.options import Options
options = Options()
options.add_experimental_option('excludeSwitches',['enable-automation'])
bro = webdriver.Chrome('./chromedriver.exe',options=options)

9.多线程爬虫

在爬取数据量大的数据时，耗费时间较长，为了提高效率，可采用多线程爬虫，提高效率，但是，多线程不是原子性，操纵数据可能会导致数据紊乱，不安全

9.1 并发与并行

并行：在同一时刻，多个任务同时执行

并发：在同一时间段内，多个任务同时执行
并发时，一般采用了时间片轮转法，即在一个时间段内，给每个程序添加一个时间片，也可以叫做进度条，进度条走完，下一个程序再继续运行，不过时间片轮转时，停顿时间非常的短，所以会造成多个任务同时运行的错误

9.2 示例
from threading import Thread
from queue import Queue
import requests
from lxml import etree
import pymongo
from threading import Lock

#负责爬取的类
class SpiderThread(Thread):
    def __init__(self, name, url_queue, data_queue):
        super().__init__()
        self.name = name
        self.url_queue = url_queue
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'
        }
        self.data_queue = data_queue

    def run(self):
        base_url = 'http://xiaohua.zol.com.cn/lengxiaohua/%s.html'
        while 1:
            try:
                page = self.url_queue.get(block=False)
                print('%s正在爬取数据' % self.name )
                res = requests.get(url=base_url % page, headers=self.headers)
                self.data_queue.put(res.text)
            except:
                break

#负责解析的类
class ParseThread(Thread):
    def __init__(self, name, data_queue, lock):
        super().__init__()
        self.name = name
        self.data_queue = data_queue
        self.lock = lock

    def run(self):
        # 调用解析方法
        while 1:
            try:
                html = self.data_queue.get(block=False)
                print('%s 正在解析数据' % self.name)
                self.parse(html)
            except:
                break

    def parse(self, html):
        tree = etree.HTML(html)
        li_list = tree.xpath('//li[@class="article-summary"]')
        for li in li_list:
            title = li.xpath('.//span[@class="article-title"]/a/text()')
            content = ''.join(li.xpath('.//div[@class="summary-text"]//text()'))
            if title and content:
                data = {
                    'title': title[0],
                    'content': content
                }
                with self.lock:
                    self.save(data)

    def save(self, data):
        # 简历连接
        conn = pymongo.MongoClient()
        db = conn.lilong
        table = db.liuyueyang
        table.insert_one(data)

10.无头浏览器与BS4

10.1 无头浏览器

什么是无头浏览器（headless browser），简单来说是一种没有界面的浏览器。既然是浏览器那么浏览器该有的东西它都应该有，只是看不到界面而已。我们日常使用浏览器的步骤为：启动浏览器、打开一个网页、进行交互。而无头浏览器指的是我们使用脚本来执行以上过程的浏览器，能模拟真实的浏览器使用场景。

from selenium import webdriver
from selenium .webdriver.chrome.options import Options

chrome_options = Options()
chrome_options.add_argument('--headless')
chrome_options.add_argument('--dissble-gpu')
bro = webdriver.Chrome(chrome_options = chrome_options)
bro.get(******)
print(bro.page_source)
10.2 BS4语法

编码流程：

  1. 导包from bs4 import BeautifulSoup
  2. 实例化对象，传两个参数，一个文本，一个解析器，一般为lxml
    suop = BeautifulSoup(res.text,'lxml')
  3. 选择器解析
#bs4编码流程
from bs4 import BeautifulSoup
suop = BeautifulSoup(res.text,'lxml')
tag = soup.select('css选择器表达式')
tag = soup.节点() #节点选择器
tag = soup.findall() # 方法选择器

#节点选择器
from bs4 import BeautifulSoup
soup = BeautifulSoup(res.text,'lxml')
tag = soup.a  #取a标签，只取一个

#方法选择器
find_all(name,attrs,text,limit):
    soup.findall(name='***')  #根据节点名字定位
    soup.findall(attrs={'属性名(scr,class等)':'值'})#根据属性定位，多个属性时，一个即可定位
    soup.findall(text=res.compile(r'***'))#根据节点文本定位，返回文本
    soup.findall(name='***',limit=2)#只返回两个结果
    
find(name,attrs,text,limit):区别于find_all，find返回的是一个对象结果
    
find_all(name=节点名,{attrs:属性值})返回的是一个列表

#css选择器
属性选择器：
1.根据节点名定位标签：标签选择器
soup.select('***(title,a,p等)')
2.根据节点的class属性定位：css选择器
soup.select('.***')
3.根据id定位
soup.select('#***')
4.嵌套选择：
ss = soup.select('ul')#得到的是一个列表
for i in ss:
    print(i.select("li"))
5.层级选择器
soup.select('div > ul > li') #单层级选择器，按照顺序找到直属li
soup.select('div li') #多层级选择器，包含了div下的所有li

#获取节点的文本或属性
obj.string:获取直接子文本，如果节点内有平行的节点，则结果是None
obj.get_text()：获取子孙节点的所有文本
obj['***(属性)']：获取节点属性

11.快代理网站的模拟登录

from requests import Session

#实例化session对象
session = Session()
#登录的url
url = 'https://www.kuaidaili.com/login/'
#构造数据
data = {
    'next': '',
    'kf5_return_to': '',
    'username': '2274201339@qq.com',
    'passwd': 'o66.'
}
#浏览器头
headers = {
    "User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.135 Safari/537.36'
}

#用post请求将数据传进去，此时，已经模拟了登录，访问这个网站的其他网页时，会保存登录状态
res = session.post(url=url,headers=headers,data=data)

#访问时，可以获得到返回的数据，用户名在其中，模拟登录完成
ret = session.get(url='https://www.kuaidaili.com/api/checkuser/',headers=headers)
print(ret.json())
11.1 第三方打码平台

我们在模拟登录时，时常会遇到一些验证码代码无法准确的识别不同的验证码，这时，就用到了打码平台，它会将图片上的字符或者数字转成字符串返回给你

流程：

  1. 下载验证码图片
  2. 传给第三方打码平台
  3. 进行识别，识别完成之后，传回ret
  4. 把ret拿回，构造数据

超级鹰平台

12.Scrapy框架

1、scrapy框架
scrapy框架是基于 Twisted 异步框架的爬虫框架，具有异步性，爬虫的效率很高。
scrapy 框架用于爬取结构化数据。

2.scrapy框架的安装与配置
lxml  wheel Twisted pywin32 scrapy 

3.创建与运行
创建：
	1.scrapy startproject 项目名
	cd 项目名
	scrapy genspider 爬虫名 域名
运行:
	scrapy crawl 爬虫名(爬虫类 里的name)

scrapy是基于twisted的异步框架

12.1 安装

首先需要安装相应的依赖库

lxml、wheel、pywin32

twisted此依赖安装时，需要从地址下载相应的版本,然后通过pip来安装

最后安装scrapy框架(目前自己使用 scrapy==1.8.0)

12.2 创建项目

创建项目
scrapy startproject 项目名

创建爬虫文件
scrapy genspider 爬虫名 域名

12.3 运行项目

scrapy crawl 爬虫名

12.4 项目基本架构

└── day01(A) 外层项目目录
└── day01(A) 内层项目目录
└── spiders 放置爬虫的包
└── __init__.py
└── tianting.py 爬虫文件

​ └── items.py 定义要爬取的数据字段
​ └── middlewares.py 中间件
​ └── piplines.py 管道
​ └── settings.py 配置文件(爬虫配置)
​ └── scrapy.cfg 配置文件,跟部署相关

12.5 核心组件与数据流向
五大
核心组件

五大核心组件

1.引擎(Scrapy Engine)：
整个框架的调度，负责各个组件之间的通信与数据的传递

2.爬虫(Spiders)：
定义爬取行为和解析规则

3.调度器(Scheduler)：
负责调度所有请求

4.下载器(Downloader)：
负责爬取页面(与互联网交互，爬取页面的)

5.管道(Item Pipeline)：
负责数据持久化

由于引擎负责各个组件之间的调度，所以，所有的组件在相互传递时，都需要经过引擎，比如，爬虫解析后需要将req给引擎，然后引擎再给调度器，注意，此时，调度器无法越过引擎去直接调用下载器，所以，需要将req再次返回给引擎，由引擎来调度下载器和互联网交互

数据流向

依据请求的生命周期

​ 【调度器】

​ ↑ ↓
​ 2.req 3.req 4.req

【管道】 【引擎】 → 【下载器】 5.req → internet
←7.res ←6.res

​ ↑ ↓
​ 1.req 8.res

​ 【爬虫】

9.爬虫经过引擎到达管道

12.6 组件分析
  • 爬虫组件

scrapy.Spider:Spider爬虫类，自建的爬虫类必须继承这个

将数据item在组件中传递，注意不是return，而是yield

class BlogSpider(scrapy.Spider):
    #爬虫名，爬虫唯一的身份标识，不可重复
    name = 'blog'
    #域名的限定，限制了爬虫的范围，可以注释
    # allowed_domains = ['baidu.com']
    #起始url，当项目启动，自动对这个url发起请求
    start_urls = ['http://baidu.com/']
    #parse是默认的解析回调方法，如果发送一个请求，未指定回调解析，默认调用parse
    def parse(self,response):
        li_list = response.xpath('//ul[@id="menu-list"]/li')
        for li in li_list:
            item = Test01Item()
            #名字
            item['title'] = li.xpath('.//h2/a/@title').extract_first()
            #简介
            item['brief'] = ''.join(li.xpath('./text()').extract()).replace('\n','')
            #时间
            item['date'] = re.findall(r'\d+-\d+-\d+', li.xpath('.//p/text()').extract_first())[0]
            #链接
            item['link'] = li.xpath('.//h2/a/@href').extract_first()
            yield item
  • item

Item 是保存爬取数据的容器，它的使用方法和字典类似,Item 多了额外的保护机制，可以避免拼写错误或者定义字段错误。
建 Item需要继承 scrapy.Item类，并且定义类型为 scrapy.Field字段

注意！！items只能够通过字典的方式进行访问和添加

在爬虫组件中使用item容器，需要以下4步：

  1. 导包，将items导入
  2. 实例化items中的类对象
  3. 通过键值对的字典形式将数据添加进items
  4. 通过yield将items返回
class Test01Item(scrapy.Item):
    title = scrapy.Field()
    jianjie = scrapy.Field()
    
#爬虫组件中：
item = Test01Item()
            #名字
item['title'] = li.xpath('.//h2/a/@title').extract_first()
    #简介
item['brief'] = ''.join(li.xpath('./text()').extract()).replace('\n','')
    #时间
item['date'] = re.findall(r'\d+-\d+-\d+', li.xpath('.//p/text()').extract_first())[0]
    #链接
item['link'] = li.xpath('.//h2/a/@href').extract_first()
    yield item
  • 管道(pipelines)

在管道中，主要实现数据的保存，在自定义类中，实现process_item方法，参数有item，spider

如果爬虫组件中，传出了item，那么就需要将item走过这个process_item方法

#数据库的连接
conn = pymongo.MongoClient('localhost',27017)
db = conn.Longtan
table = db.ss
#自定义类
class TextPipline:
#实现process_item方法,item就是爬虫组件中传来的item
    def process_item(self,item,spider):
        table.insert_one(dict(item))
        return item
12.7 保存数据

保存到json中

scrapy crawl 爬虫名 -o blog_data.json

另外，也可以每一个Item输出一行JSON,输出后缀改为jl，命令:scrapy crawl 爬虫名 -o blog_data.jl

此外，输出还支持csv、xml、pickle、marshal，还支持了远程ftp、s3等输出

注意，ftp输出需要正确配置用户名、密码、地址、输出路径，否则会报错

12.8 管道(Item Pipline)的使用

注意，pipline是需要被注册的

1. 在settings中，解封或者重新在底下写上

ITEM_PIPELINES = {
   'test01.pipelines.TextPipline': 300,
	#项目名.pipelines.自定义的管道名:
}
# 300：代表着优先级，数字越小，代表着优先级越高

当Item生成后，它会自动被送到管道进行处理，我们常用管道来实现以下:

  • 清理HTML数据
  • 验证爬取数据，检查爬取字段
  • 查重并丢弃重复内容
  • 将爬取结果保存到数据库中
class Test01Pipeline:
    def process_item(self, item, spider):
        return item
12.9 整体流程
  1. 需要在items中，定义要爬取的字段
  2. 在爬虫组件中，定义要爬取的url和解析规则
  3. 在settings中，配置相关的参数
  4. 在pipeline中，自定义类,实现process_item方法
    在爬虫组件生成的item，通过了yield传递到process_item方法中
  5. 将数据保存在MongoDB、mysql等数据库中

13.MongoDB数据库

13.1 数据库操作
  1. 创建数据库并切换至该数据库下
    use 库名
  2. 查看当前数据库
    db
  3. 查看所有数据库，只能显示非空的数据库
    show dbs
  4. 插入数据
    db.表名.insert({'字段':'值})
  5. 查询所有数据
    db.表名.find()
  6. 查看所有表
    show tables
  7. 删除表
    db.表名.drop()
  8. 删除库
    db.表名.dropDatabase()
13.2 增加数据

字段多少是单独的那条数据，不一致也没有关系

例如：

{‘name’:‘玛卡巴卡’}—{‘name’:‘海绵宝宝’,‘age’:200}

  1. db.表名.insertOne({'字段名':'值})
  2. db.表名.insert({'字段':'值})
  3. db.表名.insertMany([{'字段':'值},{'字段':'值}])
13.3 查询数据
  • 简单查询
    db.表名.find()
  • 分页，返回2条查询数据
    db.表名.find({}).limit(2)
  • 排序，1是升序，-1是降序
    db.表名.find().sort({'price':1})

等值查询

  • 等值查询（按照条件查询）
    db.表名.find({'price':4.5})

  • 非等值查询（范围查询）

  • ({'price':{'$lt':500,'$gt':100}})#小于500，大于100

  • 或查询
    db.表名.find({$or:[{'price':{'$lt':5.5}},{'price':{$gt:500}} ]})

  • >   == $gt  ({'price':{$gt:100}})#价格大于100的
<   == $lt  ({'price':{$lt:100}})#价格小于100的
<=  == $lte ...
>=  == $gte ...
!=  == $ne  ...

模糊查询

  • db.表名.find({'字段名':{$regex:'正则表达式'}})
13.4 修改数据

db.表名.update({'price':2.5},{$set:{'price':500}})

13.5 删除数据

db.表名.remove({'name':'玛卡巴卡'})

pyquery

em`方法

在爬虫组件生成的item，通过了yield传递到process_item方法中
5. 将数据保存在MongoDB、mysql等数据库中

13.MongoDB数据库

13.1 数据库操作
  1. 创建数据库并切换至该数据库下
    use 库名
  2. 查看当前数据库
    db
  3. 查看所有数据库，只能显示非空的数据库
    show dbs
  4. 插入数据
    db.表名.insert({'字段':'值})
  5. 查询所有数据
    db.表名.find()
  6. 查看所有表
    show tables
  7. 删除表
    db.表名.drop()
  8. 删除库
    db.表名.dropDatabase()
13.2 增加数据

字段多少是单独的那条数据，不一致也没有关系

例如：

{‘name’:‘玛卡巴卡’}—{‘name’:‘海绵宝宝’,‘age’:200}

  1. db.表名.insertOne({'字段名':'值})
  2. db.表名.insert({'字段':'值})
  3. db.表名.insertMany([{'字段':'值},{'字段':'值}])
13.3 查询数据
  • 简单查询
    db.表名.find()
  • 分页，返回2条查询数据
    db.表名.find({}).limit(2)
  • 排序，1是升序，-1是降序
    db.表名.find().sort({'price':1})

等值查询

  • 等值查询（按照条件查询）
    db.表名.find({'price':4.5})

  • 非等值查询（范围查询）

  • ({'price':{'$lt':500,'$gt':100}})#小于500，大于100

  • 或查询
    db.表名.find({$or:[{'price':{'$lt':5.5}},{'price':{$gt:500}} ]})

  • >   == $gt  ({'price':{$gt:100}})#价格大于100的
<   == $lt  ({'price':{$lt:100}})#价格小于100的
<=  == $lte ...
>=  == $gte ...
!=  == $ne  ...

模糊查询

  • db.表名.find({'字段名':{$regex:'正则表达式'}})
13.4 修改数据

db.表名.update({'price':2.5},{$set:{'price':500}})

13.5 删除数据

db.表名.remove({'name':'玛卡巴卡'})

pyquery

深度准确性高但是复杂度较高

会飞的yang
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值