Python网络爬虫入门篇
1. 预备知识
学习者需要预先掌握Python的数字类型、字符串类型、分支、循环、函数、列表类型、字典类型、文件和第三方库使用等概念和编程方法。
Python入门篇：https://www.cnblogs.com/wenwei-blog/p/10592541.html
2. Python爬虫基本流程
a. 发送请求
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。
b. 获取响应内容
如果requests的内容存在于目标服务器上，那么服务器会返回请求内容。
Response包含：html、Json字符串、图片，视频等。
c. 解析内容
对用户而言，就是寻找自己需要的信息。对于Python爬虫而言，就是利用正则表达式或者其他库提取目标信息。
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
d. 保存数据
解析得到的数据可以多种形式，如文本，音频，视频保存在本地。
数据库（MySQL，Mongdb、Redis）
文件
3. Requests库入门
Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库。
3.1 Requests库安装和测试
安装：
Win平台：以“管理员身份运行cmd”，执行 pip install requests
测试：
3.2 Requests库的7个主要方法
| 方法 | 说明 |
| requests.request() | 构造一个请求，支撑一下个方法的基础方法。 |
| requests.get() | 获取HTML网页的主要方法，对应HTTP的GET |
| requests.head() | 获取HTML网页投信息的方法，对应HTTP的HEAD |
| requests.post() | 向HTML网页提交POST请求的方法，对应HTTP的POST |
| requests.put() | 向HTML网页提交PUT请求的方法，对应HTTP的PUT |
| requests.patch() | 向HTML网页提交局部修改请求，对应HTTP的PATCH |
| requests.delete() | 向HTML网页提交删除请求，对应HTTP的DELETE |
带可选参数的请求方式：
requests.request(method,url,**kwargs)
method:请求方式，对应get/put/post等7种
url：获取页面的url链接
**kwargs：控制访问的参数，均为可选项，共以下13个
params：字典或字节系列，作为参数增加到url中
>>> kv = {\'key1\':\'value1\',\'key2\':\'value2\'}
>>> r = requests.request(\'GET\',\'http://python123.io/ws\',params=kv)
>>> print(r.url)
https://python123.io/ws?key1=value1&key2=value2
data：字典、字节系列或文件对象，作为requests的内容
>>> kv = {\'key1\':\'value1\',\'key2\':\'value2\'}
>>> r = requests.request(\'POST\',\'http://python123.io/ws\',data=kv)
>>> body = \'主题内容\'
>>> r = requests.request(\'POST\',\'http:///python123.io/ws\',data=body)
json：JSON格式的数据，作为equests的内容
>>> kv = {\'key1\':\'value1\',\'key2\':\'value2\'}
>>> r = requests.request(\'POST\',\'http://python123.io/ws\',json=kv)
headers：字典，HTTP定制头
>>> hd = {\'user-agent\':\'Chrome/10\'}
>>> r = requests.request(\'POST\',\'http://www.baidu.com\',headers=hd)
cookies：字典或cookieJar，Request中的cookie
files：字典类型，传输文件
>>> f = {\'file\':open(\'/root/po.sh\',\'rb\')}
>>> r = requests.request(\'POST\',\'http://python123.io/ws\',file=f)
timeout:设置超时时间，秒为单位。
>>> r = requests.request(\'GET\',\'http://python123.io/ws\',timeout=30)
proxies:字典类型，设置访问代理服务器，可以增加登录验证。
>>> pxs = {\'http\':\'http://user:pass@10.10.10.2:1234\',
... \'https\':\'https://10.10.10.3:1234\'}
>>> r = requests.request(\'GET\',\'http://www.baidu.com\',proxies=pxs)
allow_redirects:True/False,默认为True，重定向开关
stream：True/False,默认为True，获取内容立即下载开关
verify：rue/False,默认为True，认证SSL证书开关
Cert：本地SSL证书路径
auth：元组类型，支持HTTP认证功能
3.3 Requests库的get()方法
3.4 Requests的Response对象
Response对象包含服务器返回的所有信息，也包含请求的Request信息
Response对象的属性
3.5 理解Response的编码
注意：编码为ISO-8859-1不支持编译中文，需要设置 r = encoding=”utf-8″
3.6 理解Requests库的异常
Requests库支持常见的6种连接异常
注意：网络连接有风险。异常处理很重要。raise_for_status()如果不等于200则产生异常requests.HTTPError。
3.7 爬取网页的通用代码框架
import requests def getHTMLText(url): try: r = requests.get(url,timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "产生异常" if __name__ == "__main__": url = "http://www.baidu.com" print(getHTMLText(url))
4. 网络爬虫的“盗亦有道”：Robots协议
robots是网站跟爬虫间的协议，robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。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。robots.txt应放置于网站的根目录下。
网络爬虫的尺寸：
4.1 网络爬虫引发的问题
a. 网络爬虫的“性能”骚扰
web默认接受人类访问，由于网络爬虫的频繁访问会给服务器带来巨大的额资源开销。
b. 网络爬虫的法律风险
服务器上的数据有产权归属，网络爬虫获取数据牟利将带来法律风险
c. 网络爬虫的隐私泄露
网络爬虫可能具备突破简单控制访问的能力，获取被保护的数据从而泄露个人隐私。
4.2 网络爬虫限制
a. 来源审查：判断User-Agent进行限制
检查来访HTTP协议头的user-agent域，只响应浏览器或友好爬虫的访问
b. 发布公告：Robots协议
告知所有爬虫网站的爬取策略，要求遵守Robots协议
4.3 真实的Robots协议案例
京东的Robots协议：
https://www.jd.com/robots.txt
#注释，*代表所有，/代表根目录
4.4 robots协议的遵守方式
对robots协议的理解
自动或人工识别roboes.txt,z再进行内容爬取。
robots协议是建议但非约束性，网络爬虫可以补遵守，但存在法律风险。
原则：人类行为可以补参考robots协议，比如正常阅览网站，或者较少爬取网站频率。
5. Requests库网络爬虫实战
5.1 京东商品页面爬取
目标页面地址：https://item.jd.com/5089267.html
实例代码：
import requests url = \'https://item.jd.com/5089267.html\' try: r = requests.get(url) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except: print("爬取失败")
结果：
5.2 当当网商品页面爬取
目标页面地址：http://product.dangdang.com/26487763.html
代码：
import requests url = \'http://product.dangdang.com/26487763.html\' try: r = requests.get(url) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except IOError as e: print(str(e))
出现报错：
HTTPConnectionPool(host=\’127.0.0.1\’, port=80): Max retries exceeded with url: /26487763.html (Caused by NewConnectionError(\'<urllib3.connection.HTTPConnection object at 0x10fc390>: Failed to establish a new connection: [Errno 111] Connection refused\’,))
报错原因：当当网拒绝不合理的浏览器访问。
查看初识的http请求头：
print(r.request.headers)
代码改进：构造合理的HTTP请求头
import requests url = \'http://product.dangdang.com/26487763.html\' try: kv = {\'user-agent\':\'Mozilla/5.0\'} r = requests.get(url,headers=kv) r.raise_for_status() r.encoding =r.apparent_encoding print(r.text[:1000]) except IOError as e: print(str(e))
结果正常爬取：
5.3 百度360搜索引擎关键词提交
百度关键词接口：http://www.baidu.com/s?wd=keyword
代码实现：
import requests keyword = "python" try: kv = {\'wd\':keyword} r = requests.get("http://www.baidu.com/s",params=kv) print(r.request.url) r.raise_for_status() print(len(r.text)) except IOError as e: print(str(e))
执行结果：
360关键词接口：
http://www.so.com/s?q=keyword
代码实现：
import requests keyword = "Linux" try: kv = {\'q\':keyword} r = requests.get("http://www.so.com/s",params=kv) print(r.request.url) r.raise_for_status() print(len(r.text)) except IOError as e: print(str(e))
执行结果：
5.4 网络图片爬取和存储
网络图片链接的格式：
http://FQDN/picture.jpg
校花网：http://www.xiaohuar.com
选择一个图片地址：http://www.xiaohuar.com/d/file/20141116030511162.jpg
实现代码：
import requests import os url = "http://www.xiaohuar.com/d/file/20141116030511162.jpg" dir = "D://pics//" path = dir + url.split(\'/\')[-1] #设置图片保存路径并以原图名名字命名 try: if not os.path.exists(dir): os.mkdir(dir) if not os.path.exists(path): r = requests.get(url) with open(path,\'wb\') as f: f.write(r.content) f.close() print("文件保存成功") else: print("文件已存在") except IOError as e: print(str(e))
查看图片已经存在：
5.5 ip地址归属地查询
ip地址归属地查询网站接口：http://www.ip138.com/ips138.asp?ip=
实现代码：
import requests url = "http://www.ip38.com/ip.php?ip=" try: r = requests.get(url+\'104.193.88.77\') r.raise_for_status() r.encoding = r.apparent_encoding print(r.text) except IOError as e: print(str(e))
5.5 有道翻译翻译表单提交
打开有道翻译，在开发者模式依次单击“Network”按钮和“XHR”按钮，找到翻译数据：
import requests import json def get_translate_date(word=None): url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule" #post参数需要放在请求实体里，构建一个新字典 form_data = {\'i\': word, \'from\': \'AUTO\', \'to\': \'AUTO\', \'smartresult\': \'dict\', \'client\': \'fanyideskweb\', \'salt\': \'15569272902260\', \'sign\': \'b2781ea3e179798436b2afb674ebd223\', \'ts\': \'1556927290226\', \'bv\': \'94d71a52069585850d26a662e1bcef22\', \'doctype\': \'json\', \'version\': \'2.1\', \'keyfrom\': \'fanyi.web\', \'action\': \'FY_BY_REALTlME\' } #请求表单数据 response = requests.post(url,data=form_data) #将JSON格式字符串转字典 content = json.loads(response.text) #打印翻译后的数据 print(content[\'translateResult\'][0][0][\'tgt\']) if __name__ == \'__main__\': word = input("请输入你要翻译的文字：") get_translate_date(word)
执行结果：
6 Beautiful Soup库入门
6.1 简介
6.2 Beautiful Soup安装
6.3 BeautifulSoup库解析器
from bs4 import BeautifulSoup soup = BeautifulSoup(\'<p>Hello</p>\',\'lxml\') print(soup.p.string)
6.4 BeautifulSoup的基本用法
>>> from bs4 import BeautifulSoup >>> import requests >>> r = requests.get("http://python123.io/ws/demo.html") >>> demo = r.text >>> demo \'<html><head><title>This is a python demo page</title></head>\r\n<body>\r\n<p class="title"><b>The demo python introduces several python courses.</b></p>\r\n<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>\r\n</body></html>\' >>> soup = BeautifulSoup(demo,"html.parser") >>> soup.title #获取标题 <title>This is a python demo page</title> >>> soup.a #获取a标签 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> >>> soup.title.string \'This is a python demo page\' >>> soup.prettify() #输出html标准格式内容 \'<html>\n <head>\n <title>\n This is a python demo page\n </title>\n </head>\n <body>\n <p class="title">\n <b>\n The demo python introduces several python courses.\n </b>\n </p>\n <p class="course">\n Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\n <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">\n Basic Python\n </a>\n and\n <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">\n Advanced Python\n </a>\n .\n </p>\n </body>\n</html>\' >>> soup.a.name #每个<tag>都有自己的名字，通过<tag>.name获取 \'a\' >>> soup.p.name \'p\' >>> tag = soup.a >>> tag.attrs {\'href\': \'http://www.icourse163.org/course/BIT-268001\', \'class\': [\'py1\'], \'id\': \'link1\'} >>> tag.attrs[\'class\'] [\'py1\'] >>> tag.attrs[\'href\'] \'http://www.icourse163.org/course/BIT-268001\' >>> type(tag.attrs) <class \'dict\'> >>> type(tag) <class \'bs4.element.Tag\'> >>>
6.5 标签树的遍历
from bs4 import BeautifulSoup import requests demo = requests.get("http://python123.io/ws/demo.html").text soup = BeautifulSoup(demo,"html.parser") #标签树的上行遍历 print("遍历儿子节点：\n") for child in soup.body.children: print(child) print("遍历子孙节点：\n") for child1 in soup.body.descendants: print(child1) print(soup.title.parent) print(soup.html.parent) for parent in soup.a.parents: if parent is None: print(parent) else: print(parent.name) #标签树的平行遍历 print(soup.a.next_sibling) print(soup.a.next_sibling.next_sibling) print(soup.a.previous_sibling)
7 正则表达式
正则表达式是处理字符串的强大工具，它有自己特定的语法结构，实现字符串的检索、替换、匹配验证都可以。对于爬虫来说，
从HTML里提取想要的信息非常方便。python的re库提供了整个正则表达式的实现
7.1 案例引入
这里介绍一个正则表达式测试工具http://tool.oschina.net/regex，输入待匹配的文本，然选择常用的正则表达式，得到相应的匹配结果，
适合新手入门。这里输入：
hello,my phone is 18898566588 and email is david@gmail.com, and wen is https://www.cnblogs.com/wenwei-blog/
点击“匹配Email地址”，即可匹配出网址。
7.2 常用正则表达式匹配规则
.*？ 满足条件的情况只匹配一次，即懒惰匹配。
7.3 常用匹配方法属性函数
|
方法/属性
|
作用
|
|
re.match(pattern, string, flags=0)
|
从字符串的起始位置匹配，如果起始位置匹配不成功的话，match()就返回none
|
|
re.search(pattern, string, flags=0)
|
扫描整个字符串并返回第一个成功的匹配
|
|
re.findall(pattern, string, flags=0)
|
找到RE匹配的所有字符串，并把他们作为一个列表返回
|
|
re.finditer(pattern, string, flags=0)
|
找到RE匹配的所有字符串，并把他们作为一个迭代器返回
|
|
re.sub(pattern, repl, string, count=0, flags=0)
|
替换匹配到的字符串
|
#!/usr/bin/python3 import re #替换 phone = \'18898537584 #这是我的电话号码\' print(\'我的电话号码:\',re.sub(\'#.*\',\'\',phone)) #去掉注释 print(re.sub(\'\D\',\'\',phone)) #search ip_addr = re.search(\'(\d{3}\.){1,3}\d{1,3}\.\d{1,3}\',os.popen(\'ifconfig\').read()) print(ip_addr) #match >>> a = re.match(\'\d+\',\'2ewrer666dad3123df45\') >>> print(a.group()) 2
>>> import re >>> print(re.search(r\'(\d+)-([a-z])\',\'34324-dfsdfs777-hhh\').group(0)) #返回整体 34324-d >>> print(re.search(r\'(\d+)-([a-z])\',\'34324-dfsdfs777-hhh\').group(1)) #返回第一组 34324 >>> print(re.search(r\'(\d+)-([a-z])\',\'34324-dfsdfs777-hhh\').group(2)) #获取第二组 d >>> print(re.search(r\'(\d+)-([a-z])\',\'34324-dfsdfs777-hhh\').group(3)) #不存在。报错“no such group” Traceback (most recent call last): File "<stdin>", line 1, in <module> IndexError: no such group
7.4 re.compile 函数
compile 函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象。语法格式：
re.compile(pattern[, flags])
参数：
pattern : 一个字符串形式的正则表达式
flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
re.I 忽略大小写
re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
re.M 多行模式
re.S 即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s, \S 依赖于 Unicode 字符属性数据库
re.X 为了增加可读性，忽略空格和 # 后面的注释
常用的是re.I和re.S
>>> import re >>> pattern = re.compile(\'\d+\',re.S) #用于匹配至少一个数字 >>> res = re.findall(pattern,"my phone is 18898566588") >>> print(res) [\'18898566588\']
7.5 爬取猫眼电影TOP排行
代码整合
import json import requests from requests.exceptions import RequestException #引入异常 import re import time def get_one_page(url): try: response = requests.get(url) if response.status_code == 200: #由状态码判断返回结果 return response.text #返回网页内容 return None except RequestException: return None def parse_one_page(html): pattern = re.compile(\'<dd>.*?board-index.*?>(\d+)</i>.*?data-src="(.*?)".*?name"><a\' + \'.*?>(.*?)</a>.*?star">(.*?)</p>.*?releasetime">(.*?)</p>\' + \'.*?integer">(.*?)</i>.*?fraction">(.*?)</i>.*?</dd>\', re.S) #compile函数表示一个方法对象，re.s匹配多行 items = re.findall(pattern, html) #以列表形式返回全部能匹配的字符串。 for item in items: #将结果以字典形式返回键值对 yield { #把这个方法变成一个生成器 \'index\': item[0], \'image\': item[1], \'title\': item[2], \'actor\': item[3].strip()[3:], \'time\': item[4].strip()[5:], \'score\': item[5] + item[6] #将评分整数和小数结合起来 } def write_to_file(content): with open(\'result.txt\', \'a\', encoding=\'utf-8\') as f: #将结果写入文件 f.write(json.dumps(content, ensure_ascii=False) + \'\n\') def main(offset): url = \'http://maoyan.com/board/4?offset=\' + str(offset) html = get_one_page(url) for item in parse_one_page(html): print(item) write_to_file(item) if __name__ == \'__main__\': for i in range(10): main(offset=i * 10) time.sleep(1)
8 Scrapy框架
Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 其可以应用在数据挖掘，信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的， 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下
Scrapy主要包括了以下组件：
-
引擎(Scrapy)
用来处理整个系统的数据流处理, 触发事务(框架核心) -
调度器(Scheduler)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址 -
下载器(Downloader)
用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的) -
爬虫(Spiders)
爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面 -
项目管道(Pipeline)
负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。 -
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。 -
爬虫中间件(Spider Middlewares)
介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。 -
调度中间件(Scheduler Middewares)
介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。
Scrapy运行流程大概如下：
- 引擎从调度器中取出一个链接(URL)用于接下来的抓取
- 引擎把URL封装成一个请求(Request)传给下载器
- 下载器把资源下载下来，并封装成应答包(Response)
- 爬虫解析Response
- 解析出实体（Item）,则交给实体管道进行进一步的处理
- 解析出的是链接（URL）,则把URL交给调度器等待抓取
scrapy常用命令
scrapy startproject <爬虫名称> 创建爬虫名称（唯一）
scrapy genspider<爬虫项目名称> 创建爬虫项目名称
scrapy list 列出所有爬虫名称
scrapy crawl <爬虫名称> 运行爬虫
8.1 scrapy爬虫项目一：爬取豆瓣电影TOP250
爬取目标：电影排名、电影名称、电影评分、电影评论数
创建爬虫项目和爬虫
scrapy startproject DoubanMovieTop
cd DoubanMovieTop
scrapy genspider douban
修改默认“user-agent”和reboots为True
修改settings.py文件以下参数：
USER_AGENT = \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36\'
ROBOTSTXT_OBEY = False
Item使用简单的class定义语法以及Field对象来声明。
写入下列代码声明Item
import scrapy class DoubanmovietopItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() #排名 ranking = scrapy.Field() #电影名称 movie_name = scrapy.Field() #评分 score = scrapy.Field() #评论人数 score_num = scrapy.Field()
分析网页源码抓取所需信息
# -*- coding: utf-8 -*- import scrapy from DoubanMovieTop.items import DoubanmovietopItem class DoubanSpider(scrapy.Spider): name = \'douban\' #allowed_domains = [\'movie.douban.com\'] def start_requests(self): start_urls = \'https://movie.douban.com/top250\' yield scrapy.Request(start_urls) def parse(self, response): item = DoubanmovietopItem() movies = response.xpath(\'//ol[@class="grid_view"]/li\') for movie in movies: item[\'ranking\'] = movie.xpath(\'.//div[@class="pic"]/em/text()\').extract()[0] item[\'movie_name\'] = movie.xpath(\'.//div[@class="hd"]/a/span[1]/text()\').extract()[0] item[\'score\'] = movie.xpath(\'.//div[@class="star"]/span[@class="rating_num"]/text()\').extract()[0] item[\'score_num\'] = movie.xpath(\'.//div[@class="star"]/span/text()\').re(r\'(\d+)人评价\')[0] #Selector也有一种.re() yield item next_url = response.xpath(\'//span[@class="next"]/a/@href\').extract() if next_url: next_url = \'https://movie.douban.com/top250\' + next_url[0] yield scrapy.Request(next_url)
运行爬虫写入文件中
scrapy crawl douban -o douban.csv
使用wps打开excel表格查看抓取结果