目录
初识爬虫
爬虫分类
网络爬虫原理
爬虫基本工作流程
搜索引擎获取新网站的url
robots.txt
HTHP协议
Resquests模块
前言:
安装
普通请求
会话请求
response的常用方法
简单案例
aiohttp模块
使用前安装模块
具体案例
数据解析
re解析
bs4解析
bs4的主要解析器
具体使用方法
bs4中常用的四种对象
获取Tag对象常用方法
获取属性以及字符串内容方法
Xpath解析
前言
xpath节点关系
xpath语法
具体使用
使用的xml
获取etree对象
通过etree对象获取元素
理解上面语法的案例
初识爬虫
爬虫:通过编写代码,模拟正常用户使用浏览器的过程,使其能够在互联网上自动进行数据抓取
爬虫分类
- 通用爬虫:通用网络爬虫是搜索引擎抓取系统的重要组成部分,主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份
- 聚焦爬虫:针对某一类数据进行采集的爬虫
网络爬虫原理
网络爬虫从互联网中搜索网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定了整个引擎系统是否内容丰富,信息是否及时,因此其性能优劣直接影响着搜索引擎的效果
爬虫基本工作流程
- 首先选取一部分种子URL,将这些url放入待抓取的队列
- 取出待抓取队列的url,解析DNS得到主机IP,并将URL对应的网页下载下来,存储到已下载的网页库中,并将这些url放入已抓取的url队列
- 分析已抓取的url队列中的url,分析其中的其他url,并且将该url放入待抓取的url队列中,进入下一个循环
搜索引擎获取新网站的url
- 新网站搜索引擎主动提交网址(如百度:http://zhanzhang.baidu.com/linksubmit/url)
- 在其他网站上设置新的网站外链
- 搜索引擎和DNS服务商合作,新网站域名被迅速抓取
robots.txt
前言:
- robots.txt是存放在网站根目录下的文本文件,比如https://www.baidu.com/robots.txt
- robots.txt用来告诉爬虫,那些内容是不应该被爬取的,那些是可以被爬取的
注意:
- 因为一些系统中的url是大小写敏感的,所以robots.txt的文件名应统一为小写
- 它并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私(只能防君子,不能防小人)
HTHP协议
前言:http协议为下面的requests模块学习做基础
http协议入口:http协议
Resquests模块
前言:
- 在python3中常用的网络模块有两个(urllib、requests)虽然在python标准库中urllib模块已经包含了平常我们使用的大多数功能,但是他的API使用起来让人感觉不太好,而requests自称"http for humans"说明使用更简洁方便
- requests继承了urllib2的所有特性,requests支持http链接保持和连接池,支持使用cookie保持会话,支持文件上传,支持自动确定响应内容的编码,支持国际化url和post数据自动编码
- requests是唯一一个非转基因的python的http库,人类可以安全使用,其底层实现就是urllib3
安装
打开命令行:pip install requests
注意:使用时先导入requests模块:import requests
普通请求
get:response=request.get(url="url地址",headers={"key":"value"},params={"key":"value"},proxies={"协议":"协议://代理IP:端口号"})
post:response=requests.post(url="url地址",headers={"key":"value"},data={"key":"value"},proxies={"协议":"协议://代理IP:端口号"})
会话请求
获取session对象:session=requests.session()
get:response=session.get(url="url地址",headers={"key":"value"},params={"key":"value"},proxies={"协议":"协议://代理IP:端口号"})
post:response=session.post(url="url地址",headers={"key":"value"},data={"key":"value"},proxies={"协议":"协议://代理IP:端口号"})
注意:
- 上面的传递参数由于url后面参数顺序不同,因此要用关键字传参方式
- get请求的url地址需要加?,而post请求的url地址不需要加?
- 使用同一个session进行请求,那么浏览器就知道一直请求的是你
- 若设置请求头的cookie,那么不用session对象也可以达到相同效果
- 代理的协议与自己访问url的协议保持一致
- 代理原理,将自己发的请求先发给代理后代理帮你把请求发给目标地址
response的常用方法
设置编码格式为UTF-8:reponse.encoding="UTF-8"
查看返回的文本数据:变量=response.text
查看具有的cookie:变量=response.cookies
拿到响应内容:变量=response.content(这里拿到的是字节)
查看完整的url地址:变量=response.url
查看响应头部的字节编码:变量=response.encoding
查看响应状态码:变量=response.status_code
关闭response:response.close()
简单案例
#导入网络请求的第三方模块
import requests
headers={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36 Edg/115.0.1901.188"
}
kw={"wd":"python"
}
#通过requests模拟发送网络请求params=kw
response=requests.get("https://www.baidu.com/?",headers=headers,params=kw)
#手动设置编码格式
response.encoding="UTF-8"
#查看文本数据,返回的是Unicode数据
print(response.text)
#查看相应内容,返回的是字节流数据
print(response.content)
#查看完整的url地址
print(response.url)
#查看响应头部的字节编码
print(response.encoding)
#查看响应状态码
print(response.status_code)
#关掉response
response.close()
aiohttp模块
前言:我们之前使用的requests.get()等方法都是同步的方法,如今我们需要执行异步操作
使用前安装模块
导入asyncio模块:import asyncio
导入aiohttp模块:import aiohttp
具体案例
import aiohttp
import asyncio
async def main():async with aiohttp.ClientSession() as session:async with session.get('https://limestart.cn/') as resp:#打印状态码print(resp.status)#注意text有括号说明是个函数调用所以加awaitprint(await resp.text())#打印内容print(await resp.content.read())
asyncio.run(main())
注意:
- with语句作用:加了with后就会有上下文的管理器,有了上下文管理,那么当我们的with操作完事后,就会自动的关流。
- 异步请求和同步请求的步骤大同小异,可以相互借鉴(传递参数,请求头,以及相应resp方法)
数据解析
re解析
理解:re解析即正则表达式解析,对于具体正则表达事,请详见我另一篇文章
正则表达式入口:python之正则表达式
bs4解析
前言:bs4即BeautifulSoup,是python中的一种库,其可以从html或者xml文件中提取数据,他能够通过你喜欢的转换器实现惯用文档导航,查找、修改、文档的方式,beautiful soup会帮你节省数小时甚至数天的工作时间
使用前需要安装:pip install bs4
安装后需要导入模块:from bs4 import BeautifulSoup
bs4的主要解析器
注意:解析器的主要作用是将前面的文件用什么方式进行解析
具体使用方法
创建soup对象:soup=BeautifulSoup("html文本","解析器")
注意:python默认的解析器为html.parser
bs4中常用的四种对象
- Tag:标签,html中的标签
- NavigableString:字符串,主要是标签内的字符串
- BeautifulSoup:最先生成的Soup对象
- Comment:注释部分,一般用不到
获取Tag对象常用方法
Tag对象=find("标签名",attrs={"属性名":"属性值"})
作用:返回匹配到的第一个标签
ResultSet对象=find_all("标签名",attrs={"属性名":"属性值"})
作用:返回所有的匹配值
注意:find两个函数主要是通过html的标签和属性名共同确定一个要查找的对象,但是也可以仅用标签名来查找。
获取属性以及字符串内容方法
字符串=Tag对象.text
作用:拿到被标签标记的内容(就是被标签夹着的字符串)
字符串=Tag对象.get("属性名")
作用:从Tag对象中拿到拿到对应属性的值
Xpath解析
前言
- xpath是一门在html/xml文档中查找信息的一门语言,可用来在html/xml文档中对元素和属性进行遍历
- html是xml的一个子集
含义:xpath全称XML Path Language,即XML路径语言,它是一门在XML文档中查找信息的语言,它最初是用来搜寻XML文档的,但是它同样适用于HTML文档的搜索
xpath节点关系
节点:每个html标签我们都称之为节点(根节点、子节点,兄弟节点)
<html><!--根节点--><head><!--子节点--><title>节点的关系</title></head><body><div>实验</div></body>
</html>
<!--注意,head标签和body标签同属于兄弟节点-->
xpath语法
前言:xpath使用路径表达式来选取xml文档中节点或者节点集。这些路径表达式和我们在常规的电脑文件系统中看到的表达式十分相似
表达式 | 描述 |
nodename | 选中该元素 |
/ | 从根节点选取,或者是元素和元素间的过度 |
// | 可以跨节点获取标签 |
.(点) | 选取当前节点 |
.. | 选取当前节点的父节点 |
nodename[@属性名='属性值'] | 选取特定属性的nodename元素 |
@属性名 | 获取元素属性的值 |
text() | 选取元素文本内容 |
nodename[n] | 得到的多个节点中选取第n个节点 |
* | 通配符 |
注意:点方法需要对标签进行第一次提取,获取标签对象之后,通过点的方式获取当前标签的方法可以获得他的下一级标签
具体使用
使用前安装:pip install lxml
安装后导入:from lxml import etree
使用的xml
<book><id>1</id><name>野花遍地香</name><price>1.23</price><nick>臭豆腐</nick><author><nick id="10086">周大强</nick><nick id="10010">周芷若</nick><nick class="joy">周杰伦</nick><nick class="jolin">蔡依林</nick><div><nick>刘谦</nick></div><span><nick>高达</nick></span></author><partner><nick id="ppc">胖胖不沉</nick><nick id="ppbc">陈陈不胖</nick></partner>
</book>
获取etree对象
etree对象=etree.XML("xml内容")
etree对象=etree.HTML("html内容")
etree对象=etree.parse("文件名")
通过etree对象获取元素
变量=etree对象.xpath("路径表达式")
理解上面语法的案例
获取book元素
book1=tree.xpath("/book")
print(book1)#[<Element book at 0x135b5575f00>]
book2=tree.xpath("/book/author/..")
print(book2)#[<Element book at 0x135b5575f00>]
book3=tree.xpath("/book/.")
print(book3)#[<Element book at 0x135b5575f00>]
获取book里的name元素的文本
text=tree.xpath("/book/name/text()")
print(text)#['野花遍地香']
获取author下面的所有nick元素文本
nick=tree.xpath("/book/author//nick/text()")
print(nick)#['周大强', '周芷若', '周杰伦', '蔡依林', '刘谦', '高达']
获取author和partner元素之下一级的nick元素文本
nickname=tree.xpath("/book/*/nick/text()")
print(nickname)#['周大强', '周芷若', '周杰伦', '蔡依林', '胖胖不沉', '陈陈不胖']
获取author下的第一个nick的元素文本
nick_one=tree.xpath("/book/author/nick[1]/text()")
print(nick_one)#['周大强']
获取id为10010元素的内容
nick_id=tree.xpath("//nick[@id='10010']/text()")
print(nick_id)#['周芷若']
获取周芷若id的值
nick_id_name=tree.xpath("/book/author/nick[2]/@id")
print(nick_id_name)#['10010']