爬虫Spider
爬虫流程
库–获取网页(相当于人输入网址打开网页):requests/selenium
requests.get/post(url)
selenium(浏览器驱动)–方法:wbdriver–wbdriver.浏览器 创建浏览器对象
get—浏览器对象.get(url) 获取网页
解析网页(相当于查看网页源代码):bs4(CSS选择器) – 方法:BeautifulSoup— bs4.BeautifulSoup(解析对象,‘html.parser’)
select—select(指定标签相对路径),返回列表
select_one—select_one(指定标签相对路径),返回一个元素
re(正则) --方法:compile–re.compile(正则表达式)
findall–re.findall(正则对象,get网页文本–res.text)
获取数据(相当于浏览数据):bs4: text—取指定标签内的文本数据
attrs—取指定标签内的属性对应值
next_sibling.script–取指定标签与下一个兄弟标签的节点,并去掉空格
next_element.script–取指定标签与上一兄弟标签的节点,并去掉空格
正则:利用序列相关操作和方法
数据持久化(相当于下载保存数据):
xlwt(excel文档)–xlwt.Workbook()–文档对象
文档对象.add_sheet(表格名)
sheet.write(行索引,列索引,数据)
文本对象.save(文档名)
openpyxl(excel文档)–openpyxl.Workbook()–文档对象
文档对象.creat_sheet(表格名)
sheet.cell(行索引,列索引,数据)
文本对象.save(文档名)
csv----with open(‘不存在文档’,‘w’,encoding=‘utf-8’) as f:
csv.write(不存在文档).writerow([元素1,元素2,…])
URL统一资源定位符
-
url模型
https://www.baidu.com:443/index.html(路径)
- 超文本传输协议
- http 普通协议
- https为安全的超文本传输协议(加过密的)
- IP地址/端口
- www.baidu.com / :443 连接服务器
- 首页
- index.html 表示当前页面是首页
- 路径
- 资源的路径
- 超文本传输协议
-
HTTP请求响应式协议
-
请求
- 请求行–GET/http/1.1 直接获取网页数据,不需要向服务器发送信息
POST/http/1.1 通过向服务器发送信息获取网页数据
-
请求头 --(header) 请求行下以键值对形式存在的内容,是浏览器发送给服务器的额外信息
‘User-Agent’:’…’ – 爬取数据时,此键值对放在get()post()中可做伪装,防止被识别出是爬虫。
-
空行 – \n\r
-
消息体 – 浏览器向服务器发送的数据内容
-
响应
-
响应行 – HTTP/1.1 200 OK
200 OK --响应状态码
200 OK----请求成功
300----重定向
400----请求错误
500----服务器崩溃
-
响应头 – 响应行下以键值对形式存在的内容,服务器发给浏览器的额外信息
-
空行 – \n\r
-
消息体 – 服务器向浏览器发送的数据内容
-
-
爬虫辅助–多线程
-
线程(thread)
- 线程是操作系统分配cpu的基本单位,一个进程会有一个或多个线程
- 单线程–同一时间只有一个程序在执行
- 多线程–统一时间多个程序在执行
-
启用多线程方法
def func(a): print(f'线程1{a}') time.sleep(5) print('end') def func2(b): print(f'线程2{b}') time.sleep(2) print('end2') import time from threading import Tread,daemon # 创建线程对象,target赋值函数,args赋值参数且必须参数在元组中 t = Tread(target=func,args=(a,)) # daemon 不管t2是否执行完,主线程一执行完就结束 t2 = Tread(target=func2,args=(b,),daemon=True) #启用线程 start t.start() # join起阻塞作用,主线程会等t子线程执行完才会继续执行 t.join() t2.start() # 未使用多线程时,程序先执行完func才会执行func2,使用后,func和func2同时执行 # 创建线程池,启用线程池 from concurrent.futures.thread import ThreadPoolExecutor # 创建 with ThreadPoolExecutor(max_workers=10) as pool: # 启用 pool.submit(执行的函数,参数)
-
线程锁—当多个线程竞争一个资源时,程序会无法正常执行
def func(a): #with RLock():--启用锁释放锁的上下文写法,同RLock.acquire()RLock.release() # 启用锁 RLock.acquire() print('a============') # 释放锁 RLock.release() from concurrent.futures.thread import ThreadPoolExecutor form threading import RLock,condition with ThreadPoolExecutor(max_workers=10) as pool: for i in range(10000): pool.submit(func,1) 循环执行func函数10000次,启用十个线程,会存在有的线程快有的线程慢的情况,并且还会存在多个线程同时取获取一个资源的情况,这里就要用线程锁给程序上锁,让各线程依次拿到资源
-
线程调度—在加锁并程序有循环的情况下,一个线程进入死循环,其他需要进入循环得线程就得一直等下去(睡眠),如果循环不打破(等待),整个程序就会停止,会让执行效率大打折扣。
''' 功能: 上锁 等待 防死循环占位堵塞 如果线程执行出现问题,他会执行等待机制并自动释放锁 唤醒 唤醒所有因上一线程出现问题而陷入睡眠的线程,继续拿钥匙 ''' def func1(): with Conditon(RLock()): print('等待进入func') # 唤醒睡眠中的所有线程 Conditon(RLock()).nodify_all() def func(a): with Conditon(RLock()): print('a============') # 等待并释放锁 Conditon(RLock()).waite() from concurrent.futures.thread import ThreadPoolExecutor form threading import RLock,condition,Condition with ThreadPoolExecutor(max_workers=10) as pool: for i in range(10000): pool.submit(func,1)
爬虫必备前端知识
前端超文本结构
# 超文本的三大内容: 标签----------内容
# 层叠样式表-----显示
# javascript---行为
# 声明文档类型
<!doctype html>
# 文档开头
<html>
# 设置栏
<head>
<meta charset='utf-8'>
<title>标题</title>
# CSS层叠样式表 选择器
<style>
# 通配符选择器
*{}
# 标签选择器
h1{}
# 类选择器
.j{}
# id选择器
#f{}
#兄弟选择器
a~p{}
#相邻兄弟选择器
a+h1{}
#父子选择器
p>input{}
#后代选择器
p input{}
</style>
</head>
<body>
<table>
# 行
<tr>
<td>列</td>
<th>表头</th>
</tr>
</table>
<ul>
<li>无序列表</li>
</ul>
<ol>
<li>有序列表</li>
</ol>
<dl>
<dt>定义列表</dt>
</dl>
<form action='' id='f' method='post'>
<p><input type='tel' placeholder='手机号码'></p>
<p><input type='password' placeholder='密码'></p>
<p>
<input type='submit' value='登录'>
<input type='reset' autocomplete='重置'>
</p>
</form>
# 锚连接锚点
<a name='foo'></a>
# h1-h6 字体大小
<h1>内容标题</h1>
# strong字体粗细 em斜体 sub下标 sup上标
<strong><em><h4>副标题</h4></em></strong><sup>上标</sup><sub>下标</sub>
<p class='j'>段落</p>
<img src='图片路径' alt='图片无法加载时显示的东西'>
<audio controls>
<source src='音频路径'>
</audio>
<video controls>
<source src='视频路径'>
</video>
<a href='页面超链接路径' target=_blank>超连接路径的显示载体</a>
<a href='#foo'>回到锚点</a>
# 按钮控件,点击确定就能执行script函数功能
<botton onclick='windo'>确定</botton>
# script里面使用Javascript语法
<script>
function windo(){
let name = window.prompt('请输入:')
window.alter('页面即将关闭'+name)
window.close()
}
</script>
</body>
</html>