本次学习的教学视频来自嵩天老师的网络爬虫教学,主要学习内容有requests\BeautifulSoup\scrapy\re,目前除了scrapy其他刚好看完。并搬运实现了一些小项目如58同城租房信息爬取、淘宝搜索商品项目,现将从爬虫基本方法、实战和遇到的问题三个方面进行总结。
1.基本方法
首先就是requests库,是python最简易实用的HTTP库,是一个请求库。主要方法如下,其中requests.request()方法最常用,用于构造请求,是其他几种方法的总和。其余方法如get()获取HTML网页,head()获取网页head标签,post()\pu()t用于提交对应请求,patch()进行局部修改,delete()提交删除请求。
着重介绍request.get()方法,requests.get(url, params=None,**kwargs)
其中url为页面链接,params为额外参数,字典格式,**kwargs包含了12个控制访问的参数。(params\data\json\headers\cookies\auth\files\timeout\proxies\allow_redirects\stream\verify\cert)
通常我们使用get()方法获取页面的内容。
接着介绍请求得到的Response对象,见下表。
补充几段常用代码。
(1)爬取京东商品
import requests url = "https://item.jd.com/2967929.html" try: r = requests.get(url) r.raise_for_status() #如果发送了错误请求,可以抛出异常 r.encoding = r.apparent_encoding #把文本内容的编码格式传递给头文件编码格式 print(r.text[:1000]) except: print("爬取失败!")
(2)爬取亚马逊,需要修改headers字段,模拟请求
import requests url="https://www.amazon.cn/gp/product/B01M8L5Z3Y" try: kv = {'user-agent':'Mozilla/5.0'} #模拟请求头 r=requests.get(url,headers=kv) r.raise_for_status() r.encoding=r.apparent_encoding print(r.status_code) print(r.text[:1000]) except: print("爬取失败")
(3)百度搜索关键词提交-params提交关键词
import requests url="http://www.baidu.com/s" try: kv={'wd':'Python'} r=requests.get(url,params=kv) print(r.request.url) r.raise_for_status() print(len(r.text)) print(r.text[500:5000]) except: print("爬取失败")
(4)图片爬取存储
import requests import os url="http://tc.sinaimg.cn/maxwidth.800/tc.service.weibo.com/p3_pstatp_com/6da229b421faf86ca9ba406190b6f06e.jpg" root="D://pics//" path=root + url.split('/')[-1] try: if not os.path.exists(root): os.mkdir(root) if not os.path.exists(path): r = requests.get(url) with open(path, 'wb') as f: f.write(r.content) #r.content为图片 f.close() print("文件保存成功") else: print("文件已存在") except: print("爬取失败")
下面介绍BeautifulSoup库,用于对网页内容进行解析。
BeautifulSoup(mk, 'html.parser'),可以用html.parser\lxml\xml\html5lib作为解析器,这里选取html.parser。
元素主要有Tag\Name\Attributes\NavigableString\Comment。其中Tag使用方法如(soup.a),attrs使用如(a.attrs['class']),Navigable(tag.string)为非属性字符串,comment即注释。
标签树的遍历方法有(上行遍历、下行遍历、平行遍历)
此外可以用soup.prettify()输出有层次感的段落。
信息提取方法如下:常用find_all,具体对标签搜索有soup.find_all('a'),对属性搜索有soup.find_all('p',class='course'),对字符串搜索有soup.find_all(string='...'),配合正则表达式检索有soup.find_all(re.compile('link'))。
find() 搜索且返回一个结果,字符串类型 find_parents() 在先辈节点中搜索,返回一个列表类型 find_parent() 在先辈节点中返回一个结果,字符串类型 find_next_siblings() 在后续平行节点搜索,返回列表类型 find_next_sibling() find_previous_siblings() find_previous_sibling() 在前序平行节点中返回一个结果,字符串类型 find_all(name,attrs,recursive,string,**kwargs) 返回一个列表类型,存储查找的结果 参数: name:对标签名称的检索字符串,可以使用列表查找多个标签,find_all(true)所有标签 attrs:对标签属性值的检索字符串,可标注属性检索 例如find_all('a','href') recursive:是否对子孙所有节点搜索,默认值为true,false则值查找当前节点儿子的信息 string:<></>中字符串区域的检索字符串
最后介绍Re正则表达式库。
正则表达式限定符如下:
贪婪匹配指匹配的数据无限多,所谓的的非贪婪指的是匹配的次数有限多。一般情况下,非贪婪只要匹配1次。*、+限定符都是贪婪的,因为它们会尽可能多的匹配文字,只有在它们的后面加上一个?就可以实现非贪婪或最小匹配。
在re库中一般使用raw string类型即r'text'。其中遇到特殊字符需要 \ 加以转义。
方法如下
re.search(pattern,string,flag=0)在一个字符串中搜索匹配正则表达式的第一个位置,返回match对象 re.match() 在一个字符串的开始位置起匹配正则表达式,返回match对象 注意match为空 re.findall()搜索字符串,一列表类型返回全部能匹配的子串 re.split()将一个字符串按照正则表达式匹配结果进行分割,返回列表类型 re.finditer() 搜索字符串,返回一个匹配结果的迭代类型,每个迭代元素是match对象 re.sub()在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串 re.compile(pattern,flags) 将正则表达式的字符串形式编译成正则表达式对象
flag = 0中有三种选择类型,re.I忽略大小写、re.M从每行开始匹配、re.S匹配所有字符。
以上是函数式用法,此外还有面向对象用法。
pat = re.compile('') pat.search(text)
最后介绍match对象的属性和方法,见下。
1、属性 1)string 待匹配文本 2)re 匹配时使用的pattern对象(正则表达式) 3)pos 正则表达式搜索文本的开始位置 4)endpos 正则表达式搜索文本的结束为止 2、方法 1).group(0) 获得匹配后的字符串 2).start() 匹配字符串在原始字符串的开始位置 3).end() 匹配字符串在原始字符串的结束位置 4).span() 返回(.start(),.end())元组类型
2.实战演练
主要选取了淘宝商品搜索和58同城租房两个实例,链接分别为‘https://blog.csdn.net/u014135206/article/details/103216129?depth_1-utm_source=distribute.pc_relevant_right.none-task-blog-BlogCommendFromBaidu-8&utm_source=distribute.pc_relevant_right.none-task-blog-BlogCommendFromBaidu-8‘ 'https://cloud.tencent.com/developer/article/1611414'
淘宝搜索
import requests import re def getHTMLText(url): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:70.0) Gecko/20100101 Firefox/70.0' } #cookies在元素审查,网络里面刷新,找请求头下面的Cookie usercookies = '' #这里需要使用客户端的淘宝登录cookies cookies = {} for a in usercookies.split(';'): name, value = a.strip().split('=', 1) cookies[name] = value print(cookies) try: r = requests.get(url, headers=headers, cookies=cookies, timeout=60) r.raise_for_status() #如果有错误返回异常 print(r.status_code) #打印状态码 r.encoding = r.apparent_encoding return r.text except: return 'failed' def parsePage(ilt, html): try: plt = re.findall(r'\"view_price\"\:\"[\d\.]*\"', html) tlt = re.findall(r'\"raw_title\"\:\".*?\"', html) for i in range(len(plt)): price = eval(plt[i].split(':')[1]) # 意义是进行分割其冒号 title = eval(tlt[i].split(':')[1]) ilt.append([price, title]) except: print("") def printGoodsList(ilt): tplt = "{:4}\t{:8}\t{:16}" print(tplt.format("序号", "价格", "商品名称")) # 输出信息 count = 0 for g in ilt: count = count + 1 print(tplt.format(count, g[0], g[1])) def main(): goods = '足球' depth = 3 start_url = 'http://s.taobao.com/search?q={}&s='.format(goods) # 找到起始页的url链接 infoList = [] for i in range(depth): # 进行循环爬去每一页 try: url = start_url + str(44 * i) html = getHTMLText(url) parsePage(infoList, html) except: continue printGoodsList(infoList) main()
58同城爬取租房,这部分代码较多,选取重要内容展示。
1.加密字体的解码
# 获取字体文件并转换为xml文件 def get_font(page_url, page_num, proxies): response = requests.get(url=page_url, headers=headers, proxies=proxies) # 匹配 base64 编码的加密字体字符串 base64_string = response.text.split("base64,")[1].split("'")[0].strip() # print(base64_string) # 将 base64 编码的字体字符串解码成二进制编码 bin_data = base64.decodebytes(base64_string.encode()) # 保存为字体文件 with open('58font.woff', 'wb') as f: f.write(bin_data) print('第' + str(page_num) + '次访问网页,字体文件保存成功!') # 获取字体文件,将其转换为xml文件 font = TTFont('58font.woff') font.saveXML('58font.xml') print('已成功将字体文件转换为xml文件!') return response.text # 将加密字体编码与真实字体进行匹配 def find_font(): # 以glyph开头的编码对应的数字 glyph_list = { 'glyph00001': '0', 'glyph00002': '1', 'glyph00003': '2', 'glyph00004': '3', 'glyph00005': '4', 'glyph00006': '5', 'glyph00007': '6', 'glyph00008': '7', 'glyph00009': '8', 'glyph00010': '9' } # 十个加密字体编码 unicode_list = ['0x9476', '0x958f', '0x993c', '0x9a4b', '0x9e3a', '0x9ea3', '0x9f64', '0x9f92', '0x9fa4', '0x9fa5'] num_list = [] # 利用xpath语法匹配xml文件内容 font_data = etree.parse('./58font.xml') for unicode in unicode_list: # 依次循环查找xml文件里code对应的name result = font_data.xpath("//cmap//map[@code='{}']/@name".format(unicode))[0] # print(result) # 循环字典的key,如果code对应的name与字典的key相同,则得到key对应的value for key in glyph_list.keys(): if key == result: num_list.append(glyph_list[key]) print('已成功找到编码所对应的数字!') # print(num_list) # 返回value列表 return num_list # 替换掉网页中所有的加密字体编码 def replace_font(num, page_response): # 9476 958F 993C 9A4B 9E3A 9EA3 9F64 9F92 9FA4 9FA5 result = page_response.replace('鑶', num[0]).replace('閏', num[1]).replace('餼', num[2]).replace('驋', num[3]).replace('鸺', num[4]).replace('麣', num[5]).replace('齤', num[6]).replace('龒', num[7]).replace('龤', num[8]).replace('龥', num[9]) print('已成功将所有加密字体替换!') return result
2.租房信息爬取
# 提取租房信息 def parse_pages(pages): num = 0 soup = BeautifulSoup(pages, 'lxml') # 查找到包含所有租房的li标签 all_house = soup.find_all('li', class_='house-cell') for house in all_house: # 标题 # title = house.find('a', class_='strongbox').text.strip() # print(title) # 价格 price = house.find('div', class_='money').text.strip() price = str(price) print(price) # 户型和面积 layout = house.find('p', class_='room').text.replace(' ', '') layout = str(layout) print(layout) # 楼盘和地址 address = house.find('p', class_='infor').text.replace(' ', '').replace('\n', '') address = str(address) print(address) num += 1 print('第' + str(num) + '条数据爬取完毕,暂停3秒!') time.sleep(3) with open('58.txt', 'a+', encoding='utf-8') as f: #这里需encoding编码为utf-8,因网络读取的文本和写入的文本编码格式不一;a+继续在文本底部追加内容。 f.write(price + '\t' + layout + '\t' + address + '\n')
3.由于58会封禁爬虫IP地址,还需要爬取ip进行切换。
def getiplists(page_num): #爬取ip地址存到列表,爬取pages页 proxy_list = [] for page in range(1, page_num): url = " "+str(page) r = requests.get(url, headers=headers) soup = BeautifulSoup(r.text, 'lxml') ips = soup.findAll('tr') for x in range(5, len(ips)): ip = ips[x] tds = ip.findAll("td") #找到td标签 ip_temp = 'http://'+tds[1].contents[0]+":"+tds[2].contents[0] #.contents找到子节点,tag之间的navigable也构成了节点 proxy_list.append(ip_temp) proxy_list = set(proxy_list) #去重 proxy_list = list(proxy_list) print('已爬取到'+ str(len(proxy_list)) + '个ip地址') return proxy_list 通过更新proxies,作为参数更新到requests.get()中,可以一直刷新IP地址。 proxies = { 'http': item, 'https': item, }
3.经验总结
期间遇到问题汇总如下:
1.大多数网站都需要模拟请求头,user-agent。
2.淘宝需要模拟cookies登陆,cookies信息可以在检查元素中找到。
3.这种方法只能爬取静态的网页,对于数据写入javascript的动态网页,还需要新的知识。
4.爬取过程中容易被封IP,需要在IP代理网站爬取IP地址,不断刷新IP地址。在get()方法中增加proxies参数即可。
5.58的价格字符串采用的加密的方式显示,需要解码。
6.写入文本时要用encoding='utf-8'编码,避免出错。