python之爬虫的学习

最新推荐文章于 2023-06-19 04:26:10 发布

赟文武

最新推荐文章于 2023-06-19 04:26:10 发布

阅读量2.9k

点赞数 2

分类专栏： python爬虫文章标签： python 爬虫学习

本文链接：https://blog.csdn.net/weixin_51371629/article/details/127959538

版权

python爬虫专栏收录该内容

2 篇文章 0 订阅

订阅专栏

python爬虫入门-1

为什么要学习爬虫
浏览器背后的秘密
常用网络请求
URL解析
HTTP常见响应状态码
相关库及其简单使用
相关引用
综合栗子

为什么要学习爬虫

现如今，浏览器可以更方便的进行网页交互以人们适合阅读的方式展示数据；但爬虫或者网页抓取对数据的收集和处理更为卓越，如果我们可以再将这些处理过的数据存储到数据库中，自然也能实现其可视化

浏览器背后的秘密

既然是网络抓取，首先我们要对当我们输入网址后回车，浏览器到底都干了什么：

假设有两台主机A，B；其中A为服务器，B为客户机

首先，B对获得的URL进行DNS解析
注：DNS解析简单理解就是根据域名去查找相对应的IP地址（A的IP地址）
B发送信息（由请求头和消息体组成），该信息包括B的本地路由器MAC地址和A的IP地址
B路由器收到B发送的信息，打上自己的IP地址并寄送给A的IP地址
到达A服务器后，读取包裹请求头里的目标数据，传递给对应的应用
A服务器上网络服务器应用读取到数据，数据内容大致如下：
- 这是一个…请求
- 请求index.html
网络服务器找到对应的html文件，把它打包发给B，经过B的本地路由器传给B，B电脑的浏览器就显示出了相关网页

注：用户可以理解为两个人之间发微信，首先B要拿手机找到A微信号然后再通过手机（“路由器”）发出去，然后A看到了回给B

常用网络请求

在这里插入图片描述
爬虫中最常使用的是GET和POST，故不对其他三种做介绍，感兴趣可自行查阅相关文档。

GET——人们日常在浏览器中输入相关URL后页面展示即为最常见的一个GET请求
POST——人们进行用户登录注册/使用在线翻译功能/使用搜索引擎搜索时候即是一个简单的POST请求

注：edge浏览器开发模式的快捷键是F12，然后添加上网络即可；若出现网络无内容显示，尝试刷新网页即可

URL解析

URL（Uniform / Universal Resource Locator的缩写）：统一资源定位符，是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。

基本格式：scheme://host[:port#]/path/…/[?query-string][#anchor]

scheme——协议；如http、https、ftp
host——服务器IP地址或域名；例如www.baidu.com、192.168.21.138
[:port#]——端口号，可省略省略后走默认，默认为80
path——访问资源路径
query-string——参数，发送给http服务器的数据；常见于数据库参数查询
anchor——锚（跳转到网页的指定锚点位置）

下面看几个栗子：
https://cdn.haier.net/assets/bazaar/com_map.json?v20210726
https://www.shulanxt.com/datawarehouse/kettle/kettlefz
https://www.baidu.com/index.html

HTTP常见响应状态码

1xx——信息
- 100 Continue 仅接受到部分，需用户继续操作
2xx——成功
- 200 OK 成功
3xx——重定向
- 307 Temporary Redirect 被请求的页面已经临时移至新的url
4xx——客户端错误
- 400 Bad Request 服务器未能理解请求
- 401 Unauthorized 被请求的页面需要用户名和密码
- 403 Forbidden 对被请求页面的访问被禁止，可能是heards信息被屏蔽或者用户IP被该网站屏蔽
- 404 Not Found 服务器上未找到请求的页面
5xx——服务器错误
- 503 Service Unavailable 请求未完成。服务器临时过载或宕机

相关库及其简单使用

Requests

(1) 利用Requests模拟最基本的GET请求

#导入requests
import requests
#模拟get请求
response=requests.get("https://www.baidu.com")
#打印get请求返回内容
print(response.text)

运行效果如下图所示：
在这里插入图片描述（2)利用Requests添加查询参数

import requests
#添加查询参数，数据类型必须为字典
kw={'wd':'长城'}
response=requests.get("http://www.baidu.com/s?",params=kw)

print('返回内容（Unicode编码）:')
print(response.text)

print('返回内容（字节流类型）:')
print(response.content)

print('完整url地址:')
print(response.url)

print('状态码:')
print(response.status_code)

返回内容如下：

"D:\Python Project\demo\venv\Scripts\python.exe" "D:\Python Project\demo\main.py" 
返回内容（Unicode编码）:
<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="utf-8">
    <title>ç™¾åº¦å®‰å
¨éªŒè¯</title>
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8">
    <meta name="apple-mobile-web-app-capable" content="yes">
    <meta name="apple-mobile-web-app-status-bar-style" content="black">
    <meta name="viewport" content="width=device-width, user-scalable=no, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0">
    <meta name="format-detection" content="telephone=no, email=no">
    <link rel="shortcut icon" href="https://www.baidu.com/favicon.ico" type="image/x-icon">
    <link rel="icon" sizes="any" mask href="https://www.baidu.com/img/baidu.svg">
    <meta http-equiv="X-UA-Compatible" content="IE=Edge">
    <meta http-equiv="Content-Security-Policy" content="upgrade-insecure-requests">
    <link rel="stylesheet" href="https://ppui-static-wap.cdn.bcebos.com/static/touch/css/api/mkdjump_c5b1aeb.css" />
</head>
<body>
    <div class="timeout hide">
        <div class="timeout-img"></div>
        <div class="timeout-title">ç½‘ç»œä¸ç»™åŠ›ï¼Œè¯·ç¨åŽé‡è¯•</div>
        <button type="button" class="timeout-button">è¿”å›žé¦–é¡µ</button>
    </div>
    <div class="timeout-feedback hide">
        <div class="timeout-feedback-icon"></div>
        <p class="timeout-feedback-title">é—®é¢˜åé¦ˆ</p>
    </div>

<script src="https://wappass.baidu.com/static/machine/js/api/mkd.js"></script>
<script src="https://ppui-static-wap.cdn.bcebos.com/static/touch/js/mkdjump_db105ab.js"></script>
</body>
</html>
返回内容（字节流类型）:
b'<!DOCTYPE html>\n<html lang="zh-CN">\n<head>\n    <meta charset="utf-8">\n    <title>\xe7\x99\xbe\xe5\xba\xa6\xe5\xae\x89\xe5\x85\xa8\xe9\xaa\x8c\xe8\xaf\x81</title>\n    <meta http-equiv="Content-Type" content="text/html; charset=utf-8">\n    <meta name="apple-mobile-web-app-capable" content="yes">\n    <meta name="apple-mobile-web-app-status-bar-style" content="black">\n    <meta name="viewport" content="width=device-width, user-scalable=no, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0">\n    <meta name="format-detection" content="telephone=no, email=no">\n    <link rel="shortcut icon" href="https://www.baidu.com/favicon.ico" type="image/x-icon">\n    <link rel="icon" sizes="any" mask href="https://www.baidu.com/img/baidu.svg">\n    <meta http-equiv="X-UA-Compatible" content="IE=Edge">\n    <meta http-equiv="Content-Security-Policy" content="upgrade-insecure-requests">\n    <link rel="stylesheet" href="https://ppui-static-wap.cdn.bcebos.com/static/touch/css/api/mkdjump_c5b1aeb.css" />\n</head>\n<body>\n    <div class="timeout hide">\n        <div class="timeout-img"></div>\n        <div class="timeout-title">\xe7\xbd\x91\xe7\xbb\x9c\xe4\xb8\x8d\xe7\xbb\x99\xe5\x8a\x9b\xef\xbc\x8c\xe8\xaf\xb7\xe7\xa8\x8d\xe5\x90\x8e\xe9\x87\x8d\xe8\xaf\x95</div>\n        <button type="button" class="timeout-button">\xe8\xbf\x94\xe5\x9b\x9e\xe9\xa6\x96\xe9\xa1\xb5</button>\n    </div>\n    <div class="timeout-feedback hide">\n        <div class="timeout-feedback-icon"></div>\n        <p class="timeout-feedback-title">\xe9\x97\xae\xe9\xa2\x98\xe5\x8f\x8d\xe9\xa6\x88</p>\n    </div>\n\n<script src="https://wappass.baidu.com/static/machine/js/api/mkd.js"></script>\n<script src="https://ppui-static-wap.cdn.bcebos.com/static/touch/js/mkdjump_db105ab.js"></script>\n</body>\n</html>'
完整url地址:
https://wappass.baidu.com/static/captcha/tuxing.html?&logid=11524773033600612710&ak=c27bbc89afca0463650ac9bde68ebe06&backurl=https%3A%2F%2Fwww.baidu.com%2Fs%3Fwd%3D%25E9%2595%25BF%25E5%259F%258E&signature=e7acb04e8e0047a1c7c088c65135643b&timestamp=1669116487
状态码:
200

进程已结束,退出代码0

复制打印的完整URL发现，该操作与用户手动在百度搜索框输入长城搜索返回的页面一致
（3）添加headers

import requests
hearders={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52"
}

response=requests.get('https://www.linuxcool.com/',headers=hearders)
print(response.content.decode('utf-8'))

User-Agent（用户代理）是网站服务器用来确定用户所使用的操作系统版本、CPU 类型、浏览器版本等信息

如何寻找User-Agent信息如下视频演示：
在这里插入图片描述
如果遇到403禁止访问，可尝试更改User-Agent

（4）小栗子：利用request实现抓取某个网址整个页面

import requests
response=requests.get('https://www.shulanxt.com/datawarehouse/kettle/kettlefz')
print(response.content.decode('utf-8'))

urllib
（1）urlopen函数使用

# 导入模块
import urllib.request
# url地址
url='https://youku.com/'
#用户代理
headers={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52"
}
#模拟一个网页请求
req=urllib.request.Request(url=url,headers=headers)
response=urllib.request.urlopen(req)
#打印网页内容以utf-8格式解码
print(response.read().decode("utf-8"))

注意：decode()函数代表解码，encode()是其逆函数因为response.read()返回的编码格式为Unicode故要转为utf-8进行解码以消除乱码

（2）urllib.error模块
- URLError——该错误一般由网络引起
- HTTPError——服务器返回错误状态码，是URLError子类即URLError包括HTTPError

BeautifulSoup之find_all
（1）导入相关库

from bs4 import BeautifulSoup

（2）首先进行一个简单初始化

bs = BeautifulSoup(html.read(), 'html.parser')
html为urlopen赋值给的变量名

html.parser为解析器；除该参数外还有lxml、html5lib；解析器个人理解为中间翻译官以确保能读懂
（3）调用find_all

变量名= bs.find_all('div', {'class':'green'})

该语句会找到抓取页面上包含class="green"属性的div标签的所有内容

注：在此先对三者做简单学习，以后的文章会展开深度讲解有关该三个模块的相关内容

综合栗子

爬取优酷页面所有该标签
在这里插入图片描述

# 导入模块
import urllib.request
from bs4 import BeautifulSoup
# url地址
url='https://youku.com/'
headers={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52"
}
req=urllib.request.Request(url=url,headers=headers)
response=urllib.request.urlopen(req)
bs=BeautifulSoup(response.read(),'html.parser')
Titlename=bs.find_all('a',{'class':'aplus_exp aplus_clk'})
for title in Titlename:
    # get_text函数会去除除文本内的所有内容
    print(title.get_text())