python-python网络爬虫实战更新ing

落日映苍穹つ 2022-05-12 07:10 251阅读 0赞

### 文章目录 ###

*   *   *  爬虫是什么?
         *   *  爬虫的价值?
         *  下载python(mac自带2.7版本)
         *  爬虫时序图
         *  爬虫需要的包
         *  1.第一个爬虫
         *   *   *  结构化数据(解析器)
         *  2.下载器两种

### 爬虫是什么? ###

自动抓取互联网信息的程序(自动访问互联网,并提取数据的程序)

#### 爬虫的价值? ####

对互联网数据进行处理,为我所用

### 下载python(mac自带2.7版本) ###

*  1.官网下载
 *  2.mac下带2.7版本,尽量不要修改环境变量,而是使用python3命令  
    `python3 --version`  
    `python3`  
    目前的Python3其实已经集成了pip,由于系统自身的Python版本并行存在，**我们使用pip的时候也需要将pip命令换成用pip3这个命令**。

### 爬虫时序图 ###

![这里写图片描述][70]

### 爬虫需要的包 ###

url管理器:防止重复抓取(已经抓取的url可以保存在1.内存python set2.mysql3.redis)  
url下载器:(核心组件)将互联网上的网页下载到本地文件或字符串**urllib2** 和 **requests第三方,更强大**[两种下载器的用法][Link 1]  
解析器:提取有价值的数据,正则表达式/html.parse/BeautifulSoap/lxml

### 1.第一个爬虫 ###

没有requests包,执行安装命令`pip3 install requests`

#hello 单行注释
    import requests
    newUrl = 'http://news.sina.com.cn/china'
    res = requests.get(newUrl)
    res.encoding = 'utf-8'
    print(res.text)

##### 结构化数据(解析器) #####

[BeautifulSoup4官网][BeautifulSoup4]  
使用BeautifulSoup剖析网页元素`pip3 install BeautifulSoup4`

# hello
    import requests
    from bs4 import BeautifulSoup
    newUrl = 'http://news.sina.com.cn/china'
    res = requests.get(newUrl)
    res.encoding = 'utf-8'
    # print(res.text)
    # 解析DOM树
    soup = BeautifulSoup(res.text,"html.parser")
    print(soup.text)

> soup = BeautifulSoup(html\_doc,“html.parser”)  
> 这一句中删除【from\_encoding=“utf-8”】  
> 原因：  
> python3 缺省的编码是unicode, 再在from\_encoding设置为utf8, 会被忽视掉，去掉【from\_encoding=“utf-8”】这一个好了

取出含有特定标签的元素(但是span也出来)取出为list,带\[\]

import requests
    from bs4 import BeautifulSoup
    newUrl = 'http://news.sina.com.cn/china'
    res = requests.get(newUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,"html.parser")
    # 取出所有a标签
    alink = soup.select('a')
    print(alink)
    
    # 取出a标签
    soup = BeautifulSoup(html_doc, "html.parser")
    links = soup.find_all('a')
    for link in links:
        print(link.name, link['href'], link.get_text())
    
    print(alink[0])
    print(alink[1])
    print(alink[2])
    print(alink[0].text)
    # 输出
    <a href="http://www.sina.com.cn/">新浪首页</a>
    <a href="http://news.sina.com.cn/">新闻</a>
    <a href="http://sports.sina.com.cn/">体育</a>
    新浪首页

取出所有a标签内的文字|查找a标签的属性

按照标签id或class查找元素及内容

import requests
    from bs4 import BeautifulSoup
    newUrl = 'http://news.sina.com.cn/china'
    res = requests.get(newUrl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,"html.parser")
    # 取id为select的值
    alink = soup.select('#select')
    print(alink)
    # 取class为link的元素
    blink = soup.select('.link')
    print(blink)

--------------------

### 2.下载器两种 ###

A:**urllib2 的使用2.7**

import urllib2
    # GET请求
    response = urllib2.urlopen("http://www.baidu.com")
    # 获取状态码
    print(response.getcode())
    # 获取内容
    content = response.read()

![70 1][]

**3.3之后**

# 在python3.3里面，用urllib.request代替urllib2
    import urllib.request
    url = 'http://www.baidu.com'
    
    print('第一种方法')
    response1 = urllib.request.urlopen(url)
    print(response1.getcode())
    print(len(response1.read()))

![cookie][]

[70]: /images/20220512/11ce145a97c24ad1b96b5a783e6f2637.png
[Link 1]: https://www.cnblogs.com/znyyy/p/7868511.html
[BeautifulSoup4]: https://www.crummy.com/software/BeautifulSoup/bs4/doc/
[70 1]: /images/20220512/1bbfbae3993d4ff598b0f36baf143ddc.png
[cookie]: /images/20220512/b7128d9513964d0e97de9301708394e1.png