Python 爬虫

落日映苍穹つ 2021-11-10 14:54 385阅读 0赞

## 一、爬虫是什么？ ##

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用；

## 二、爬虫的基本流程： ##

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2；

![1122865-20171109155753419-1411600537.png][]

**1、发起请求**

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

**2、获取响应内容**

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

**3、解析内容**

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

**4、保存数据**

数据库（MySQL，Mongdb、Redis）

文件

## 三、http协议 请求与响应 ##

![1122865-20171109162243872-1491006257.png][]

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

## 四、 request ##

**1、请求方式：**

常见的请求方式：GET / POST

**2、请求的URL**

url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定

url编码

https://www.baidu.com/s?wd=图片

图片会被编码（看示例代码）

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

**3、请求头**

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意： 一般做爬虫都会加上请求头

![1518290-20190710105033532-1665713176.png][]

![1518290-20190710105222733-1984430288.png][]

**请求头需要注意的参数：**

（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

**4、请求体**

请求体
        如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到）
        如果是post方式，请求体是format data
    
        ps：
        1、登录窗口，文件上传等，信息都会被附加到请求体内
        2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

## 五、 响应Response ##

**1、响应状态码**

**　　**200：代表成功

301：代表跳转

404：文件不存在

403：无权限访问

502：服务器错误

**2、respone header**

**响应头需要注意的参数：**

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面

**3、preview就是网页源代码**

JSO数据

如网页html，图片

二进制数据等

## 六、总结 ##

**1、总结爬虫流程：**

爬取--->解析--->存储

**2、爬虫所需工具：**

请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）  
 解析库：正则，beautifulsoup，pyquery  
 存储库：文件，MySQL，Mongodb，Redis

import requests

from bs4 import BeautifulSoup

url = 'http://www.itest.info/courses'\# 定义被抓取页面的url

\# 获取被抓取页面的html代码，并使用html.parser来实例化BeautifulSoup，属于固定套路

soup = BeautifulSoup(requests.get(url).text, 'html.parser')

\# 遍历页面上所有的h4

for course in soup.find\_all('h4'):

\# 打印出h4的text属性

print(course.text)

如果网站反扒，可以使用以下方法

url='https://cn.investing.com/currencies/wti-usd'
    ua={"user-agent":"Mozilla/5.0"}
    r=requests.get(url,headers=ua)
    soup=BeautifulSoup(r.text,'html.parser')

for i in soup.find_all('div', class_='top bold inlineblock'):
        print(i.get_text())

转载于:https://www.cnblogs.com/cyq0528/p/11149930.html

[1122865-20171109155753419-1411600537.png]: /images/20211109/57f822bcaa4c43899de861be1effcd95.png
[1122865-20171109162243872-1491006257.png]: /images/20211109/296f72242afa447bbc4b6bdf6e3eeeab.png
[1518290-20190710105033532-1665713176.png]: /images/20211109/0b0214cbdabe42fdb0463623d50a6eb9.png
[1518290-20190710105222733-1984430288.png]: /images/20211109/f2e59f4afa474f889e8d0383550cf657.png