本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
本文章来自腾讯云 作者:python学习教程
想要学习Python?有问题得不到第一时间解决?来看看这里“1039649593”满足你的需求,资料都已经上传至文件中,可以自行下载!还有海量最新2020python学习资料。
点击查看
前言
Python现在非常火,语法简单而且功能强大,很多同学都想学Python!所以小的给各位看官们准备了高价值Python学习视频教程及相关电子版书籍,欢迎前来领取!
爬虫介绍
网络爬虫,英译为 web crawler ,是一种自动化程序,现在我们很幸运,生处互联网时代,有大量的信息在网络上都可以查得到,但是有时我们需要网络上的数据,活着文章,图片等等,但是,一个个地复制,粘贴是不是太傻了,循着 “DRY” 的设计原则,我们希望用一个自动化的程序,自动帮我们匹配到网络上面的数据,然后下载下来,为我们所用。
其中,搜索引擎就是个很好的例子,搜索引擎技术里面大量使用爬虫,他爬取下整个互联网的内容,存储在数据库里面,做索引。
爬虫思路
首先,我们要知道,每一个网页都是一份 HTML文档,全称叫 hypertext markup language,是一种文本标记语言,他长的就像这样:
<html>
<head>
<title>首页</title>
</head>
<body>
<h1>我是标题</h1>
<img src="xxx">
</body>
</html>
由上,我们可以看出,这是一份很有规则的文档写法
我们打开一个网页,即是通过了 HTTP协议,对一个资源进行了请求,如何他返还你一份 HTML文档,然后浏览器进行文档的渲染,这样,你就看到一份美丽的网页啦
所以,我们只需要模拟浏览器,发送一份请求,获得这份文档,再抽取出我们需要的内容就好
简单爬虫
我们使用python语言,因为python语言的网络库非常多,而且社区对于爬虫的建设非常好,现在很多情况下,大家说起爬虫,第一个想到的就是python,而且,当年GOOGLE的部分爬虫也是使用python编的,只不过后面转去了C++,这也说么python对爬虫是得天独厚的
那么,我们来写一个最简单的爬虫:
import urllib2
response=urllib.urlopen("http://xxx.com")
首先,我们引入python的urllib库
然后,我们对一个url地址进行反问
这样,只要我们运行:
print response.read()
我们就可以看到,一版面的 HTML代码了,就是这么简单,使用python
进阶1
对于一般网站,其实,刚刚那样的程序就够用了,但是,网页里面的数据对于很对互联网企业也很宝贵,所以,她们并不想让你随意拿走,他要做一些手脚,防止你爬取
对于这重情况,我们的唯一办法就是让自己装的更像浏览器
首先,我们来看看一个简单的请求
可以看见,我们的一个访问,包含了很多信息,通常我们必须要伪装的就是 User-Agent了
我们的手法是这样的:
import urllib2
header={
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.11; rv:43.0) Gecko/20100101 Firefox/43.0",
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Host":"aljun.me"
}
request=urllib2.request("http://xxx.com",header=header)
response=urllib2.urlopen(request)
我们先伪造了我们请求头请求,然后再发送我们的请求,这样做的就好像真的是浏览器发送的一样
但是啊,有时候,我们会遇到一个东西,叫做cookie,如果你熟悉互联网发展时,就会知道,这个是网景公司推出的一种想法,他能在用户浏览器用存储信息,这样就做到了登录主场购物车等等操作的浏览器回话,就能够确认访问者的身份
那么我们要怎么样做,才能把我们的cookie发送过去呢?
import urllib2
import cookielib
cookie={"bdshare_firstime":1455378744638}
cookie = cookielib.CookieJar()
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor())
urllib2.install_opener(opener)
response=urllib2.urlopen("http://xxx.com")
这样我们就构造了一个cookie发送过去,不过我最近遇到需要cookie的情况比较少,而且真正需要cookie的时候,其实交互还是很多的,单一的构造cookie请求我感觉是不够的
现在我们可以发送cookie了,那么又迎来了另一个问题,我们一直在使用没有参数的访问方法,想象一下,以往我们访问网页,有时是需要输入几个登陆框,或者评论框的,这样我们才能有数据交互
其实这个也很简单,我们可以这么写:
import urllib2
data={
"username":"xxx"
"password":"xxx"
}
request=urllib2.request("http://xxx.com",data)
response=urllib2.urlopen(request)
这样做便可以了,那么组合以上我们的操作,我们就基本可以访问一切我们想要访问的网页,获得一份 HTML文档了
爬取图片
突然发现,若只是获得文本类型的HTML文档,好像很无聊,那么我们应该怎么样下载到我们的图片呢?
首先,你要知道,图片是有地址的,比如
http://zhaduixueshe.com/static/pic/discovery.png
可以看出,他也是一个文件类型,只要对他进行HTTP访问,我们一样能拿到数据,一样可以下载下来
比较暴力的办法:
import urllib2
response=urllib2.urlopen("http://zhaduixueshe.com/static/pic/discovery.png")
with open("xxx.png","wb") as f:
f.write(response.read())
这样确实可以成功的下载图片,但是比较暴力
那么我们可以温柔一点,因为有时图片较大,这样下载很容易出现错误,这个时候我们需要缓存的帮助
import urllib2
import stringIO
response=urllib.urlopen("http://zhaduixueshe.com/static/pic/discovery.png")
response=stringIO.stringIO(response.read())
with open("xxx.png","wb") as f:
f.write(response)
而且这样的做法,还可以使用PIL模块,对下下来的图片进行渲染活着整理
那么,最好用的下载图片的办法是什么呢?
import urllib
path="xxx.png"
url="http://zhaduixueshe.com/static/pic/discovery.png"
urllib.urlretrieve(url,path)
这是官方推荐做法,非常快,而且好用。
requests
这个世界上,总有那么一些人,他们不满现状,积极进取,python内置的urllib和urllib2其实已经算是蛮好用了,但是非有人不服,于是他做出了更好的一个http库,叫做request
Requests: HTTP for Humans
它是以这么一句话介绍自己的,为人类使用的HTTP库
下载requests:
它是以这么一句话介绍自己的,为人类使用的HTTP库
下载requests:
pip install requests
他的使用非常之简单,简直可以说是弱智
接下来我演示部分他的使用,光是看语句,你便知道他的作用都是什么
In [1]: import requests
In [3]: response=requests.get("http://aljun.me")
In [4]: response=requests.post("http://zhihu.com/login",data={"username":"xxx"})
等等之类的操作,由于他的文档写的非常好,我还是比较推荐大家去看看他的官方文档
requests官方文档
都爬下来了,然后呢?
首先,正则表达式是什么呢?它是用来匹配文档的,例如
import urllib2
import re
reg=r'http.(d+).jpg'
reg=re.compile(reg)
response=urllib2.urlopen("http://xxx.com")
result=re.findall(response.read(),reg)
这样我们就得到了我们想要的,符合我们需要的信息了
但是古话有云:
你遇到了一个问题,你想到使用正则表达式解决它,于是,你现在有了两个问题
即是说,正则这个东西很厉害,但是不是很好掌握,反正我是从来没背下来几个正则表达式匹配模式的
beautifulsoup
这个库是用来编译HTML代码的专业库
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.prettify())
###
<html>
<head>
<title>首页</title>
</head>
<body>
<h1>我是标题</h1>
<img src="xxx">
</body>
</html>
soup.title
# <title>The Dormouse's story</title>
soup.title.name
# u'title'
soup.title.string
# u'The Dormouse's story'
soup.title.parent.name
# u'head'
soup.p
# <p class="title"><b>The Dormouse's story</b></p>
soup.p['class']
# u'title'
soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
soup.find_all('a')
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
soup.find(id="link3")
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
是不是有一种要什么有什么的感觉
之后的xpath,我在之前的教程里面有介绍过了,
pyquery
pyquery是以jquery的选择器语法为基础,非常适合前端转来的
>>> from pyquery import PyQuery as pq
>>> from lxml import etree
>>> import urllib
>>> d = pq("<html></html>")
>>> d = pq(etree.fromstring("<html></html>"))
>>> d = pq(url=your_url)
>>> d = pq(url=your_url,
... opener=lambda url, **kw: urlopen(url).read())
>>> d = pq(filename=path_to_html_file)
>>> d("#hello")
[<p#hello.hello>]
>>> p = d("#hello")
>>> print(p.html())
Hello world !
>>> p.html("you know <a href='http://python.org/'>Python</a> rocks")
[<p#hello.hello>]
>>> print(p.html())
you know <a href="http://python.org/">Python</a> rocks
>>> print(p.text())
you know Python rocks
调用json格式
前面我们说到了网络资源不仅仅是HTML,还有一种格式叫json文件
它是javascript面向对象表达式的意思
很多网站都会提供api,也就是数据接口,一般都是以json格式返回的,我的博客的like返回也是json格式的文件
In [1]: import urllib2
In [2]: response=urllib2.urlopen("http://aljun.me/like")
In [3]: print response.read()
{
"liked": 1647
}
我可以良好的使用json包,来对这个文件进行解析,因为json格式和python自带的dict文件形式很像,所以,这个非常简单