网易首页 > 网易号 > 正文 申请入驻

干货 | 十分钟带你从入门到进阶python爬虫

0
分享至

一、基础入门

1.1什么是爬虫

爬虫(spider,又网络爬虫),是指向网站/网络发起请求,获取资源后分析并提取有用数据的程序。

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。

1.2爬虫基本流程

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。

1 发起请求

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)、xpath(主要使用)、beautiful soup、css

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)或 文件的形式。

1.3http协议 请求与响应http协议

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。

1.3.1 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

(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。

请求头需要注意的参数:

  • 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)

  • User-Agent:访问的浏览器(要加上否则会被当成爬虫程序)

  • 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

1.3.2 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)response header

响应头需要注意的参数:Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来

(3)preview就是网页源代码

json数据

如网页html,图片

二进制数据等

02 二、基础模块
2.1requests

requests是python实现的简单易用的HTTP库,是由urllib的升级而来。

开源地址:

https://github.com/kennethreitz/requests

中文API:

http://docs.python-requests.org/zh_CN/latest/index.html

2.2re 正则表达式

在 Python 中使用内置的 re 模块来使用正则表达式。

2.3XPath

Xpath(XML Path Language) 是一门在 XML 文档中查找信息的语言,可用来在 XML 文档中对元素和属性进行遍历。

在python中主要使用 lxml 库来进行xpath获取(在框架中不使用lxml,框架内直接使用xpath即可)

lxml 是 一个HTML/XML的解析器,主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样,也是用 C 实现的,是一款高性能的 Python HTML/XML 解析器,我们可以利用之前学习的XPath语法,来快速的定位特定元素以及节点信息。

2.4BeautifulSoup

和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。

使用BeautifulSoup需要导入bs4库

2.5Json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景,比如网站前台与后台之间的数据交互。

在python中主要使用 json 模块来处理 json数据。Json解析网站:

https://www.sojson.com/simple_json.html

2.6threading

使用threading模块创建线程,直接从threading.Thread继承,然后重写__init__方法和run方法

03 三、方法实例

3.1get方法实例

demo_get.py

3.2post方法实例

demo_post.py

3.3添加代理

demo_proxies.py

3.4获取ajax类数据实例

demo_ajax.py

3.5使用多线程实例

demo_thread.py

04 四、爬虫框架

4.1Srcapy框架

  • Scrapy是用纯Python实现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,用途非常广泛。

  • Scrapy 使用了 Twisted ['twstd] (其主要对手是Tornado)异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求。

4.2Scrapy架构图

4.3Scrapy主要组件

  • Scrapy Engine(引擎) : 负责 SpiderItemPipelineDownloaderScheduler 中间的通讯,信号、数据传递等。

  • Scheduler(调度器) : 它负责接受 引擎 发送过来的Request请求,并按照一定的方式进行整理排列,入队,当 引擎 需要时,交还给 引擎

  • Downloader(下载器) :负责下载 Scrapy Engine(引擎) 发送的所有Requests请求,并将其获取到的Responses交还给 Scrapy Engine(引擎) ,由 引擎 交给 Spider 来处理,

  • Spider(爬虫) :它负责处理所有Responses,从中分析提取数据,获取Item字段需要的数据,并将需要跟进的URL提交给 引擎 ,再次进入 Scheduler(调度器)

  • Item Pipeline(管道) :它负责处理 Spider 中获取到的Item,并进行进行后期处理(详细分析、过滤、存储等)的地方.

  • Downloader Middlewares(下载中间件) :你可以当作是一个可以自定义扩展下载功能的组件。

  • Spider Middlewares(Spider中间件) :你可以理解为是一个可以自定扩展和操作 引擎Spider 中间 通信 的功能组件(比如进入 Spider 的Responses;和从 Spider 出去的Requests)

4.4Scrapy的运作流程

  1. 1. 引擎 :Hi! Spider , 你要处理哪一个网站?

  2. 2. Spider :老大要我处理xxxx.com。

  3. 3. 引擎 :你把第一个需要处理的URL给我吧。

  4. 4. Spider :给你,第一个URL是xxxxxxx.com。

  5. 5. 引擎 :Hi! 调度器 ,我这有request请求你帮我排序入队一下。

  6. 6. 调度器 :好的,正在处理你等一下。

  7. 7. 引擎 :Hi! 调度器 ,把你处理好的request请求给我。

  8. 8. 调度器 :给你,这是我处理好的request

  9. 9. 引擎 :Hi!下载器,你按照老大的 下载中间件 的设置帮我下载一下这个request请求

  10. 10. 下载器 :好的!给你,这是下载好的东西。(如果失败:sorry,这个request下载失败了。然后 引擎 告诉 调度器 ,这个request下载失败了,你记录一下,我们待会儿再下载)

  11. 11. 引擎 :Hi! Spider ,这是下载好的东西,并且已经按照老大的 下载中间件 处理过了,你自己处理一下(注意!这儿responses默认是交给 def parse() 这个函数处理的)

  12. 12. Spider :(处理完毕数据之后对于需要跟进的URL),Hi! 引擎 ,我这里有两个结果,这个是我需要跟进的URL,还有这个是我获取到的Item数据。

  13. 13. 引擎 :Hi ! 管道 我这儿有个item你帮我处理一下! 调度器 !这是需要跟进URL你帮我处理下。然后从第四步开始循环,直到获取完老大需要全部信息。

  14. 14. 管道``调度器 :好的,现在就做!

4.5制作Scrapy爬虫4步曲

1新建爬虫项目scrapy startproject mySpider2明确目标 (编写items.py)打开mySpider目录下的items.py3制作爬虫 (spiders/xxspider.py)scrapy genspider gushi365 "gushi365.com"4存储内容 (pipelines.py)设计管道存储爬取内容

05 五、常用工具

5.1fidder

fidder是一款抓包工具,主要用于手机抓包。

5.2XPath Helper

xpath helper插件是一款免费的chrome爬虫网页解析工具。可以帮助用户解决在获取xpath路径时无法正常定位等问题。

谷歌浏览器插件xpath helper 的安装和使用:

https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

06 六、分布式爬虫

6.1scrapy-redis

Scrapy-redis是为了更方便地实现Scrapy分布式爬取,而提供了一些以redis为基础的组件(pip install scrapy-redis)

github网站:https://github.com/rolando/scrapy-redis

6.2分布式策略

  • Master端 (核心服务器) :搭建一个Redis数据库,不负责爬取,只负责url指纹判重、Request的分配,以及数据的存储

  • Slaver端 (爬虫程序执行端) :负责执行爬虫程序,运行过程中提交新的Request给Master

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
火箭vs雷霆裁判报告:5个漏判!杰伦-格林绝杀上篮被犯规

火箭vs雷霆裁判报告:5个漏判!杰伦-格林绝杀上篮被犯规

直播吧
2024-03-29 07:31:58
34岁霉霉和球星男友海岛度假,甜得难舍难分,却令歌迷想起了抖森

34岁霉霉和球星男友海岛度假,甜得难舍难分,却令歌迷想起了抖森

半夏吃瓜妹
2024-03-27 12:18:23
今日李铁过堂+足协补制度漏洞,足球行业正努力重拾信心

今日李铁过堂+足协补制度漏洞,足球行业正努力重拾信心

澎湃新闻
2024-03-28 22:38:29
胡歌与老婆游西藏,老胡大包小包像助理,黄曦宁低调随行两手空闲

胡歌与老婆游西藏,老胡大包小包像助理,黄曦宁低调随行两手空闲

影视口碑榜
2024-03-27 12:22:24
东莞一女子宴请吃饭,客人醉酒身亡,被判定赔偿28万元

东莞一女子宴请吃饭,客人醉酒身亡,被判定赔偿28万元

南方都市报
2024-03-28 14:05:19
26岁赵露思被赌王千金狠狠秒杀,这就是明星与豪门的差距

26岁赵露思被赌王千金狠狠秒杀,这就是明星与豪门的差距

娱乐圈酸柠檬
2024-03-29 03:23:11
致敬!北师大教授因没排上课,把课免费发网上,录制宣传单挨个发

致敬!北师大教授因没排上课,把课免费发网上,录制宣传单挨个发

王晓爱体彩
2024-03-28 22:48:03
四名暴徒全部招供,普京点名幕后黑手,接下来就是复仇了

四名暴徒全部招供,普京点名幕后黑手,接下来就是复仇了

冒泡泡的鱼儿
2024-03-28 12:35:27
大S自乱阵脚!律师发声帮倒忙连忙删文,台媒曝服药致幻确有其事

大S自乱阵脚!律师发声帮倒忙连忙删文,台媒曝服药致幻确有其事

萌神木木
2024-03-28 12:14:20
取代徐杰+不输胡明轩!广东“新后卫”被杜锋重用,不是张文逸!

取代徐杰+不输胡明轩!广东“新后卫”被杜锋重用,不是张文逸!

绯雨儿
2024-03-28 12:09:41
媒体人徐江:我明确告诉你,孙准浩下球了

媒体人徐江:我明确告诉你,孙准浩下球了

直播吧
2024-03-28 19:28:22
30万高彩礼分手后续:女方发声,有两个弟弟,家里父母诉求曝光!

30万高彩礼分手后续:女方发声,有两个弟弟,家里父母诉求曝光!

亲番茄哎茄子
2024-03-28 18:41:24
科尔:追梦和全队道歉了 感谢上帝我们赢了&否则问题就更大了

科尔:追梦和全队道歉了 感谢上帝我们赢了&否则问题就更大了

直播吧
2024-03-29 08:03:13
闹大了!成都某地一群印度人举行印度节日 网友:有点接受不了

闹大了!成都某地一群印度人举行印度节日 网友:有点接受不了

刘哥谈体育
2024-03-28 11:33:14
菲律宾前总统阿罗约:西方解决国际冲突靠战争,而中国有东方之道

菲律宾前总统阿罗约:西方解决国际冲突靠战争,而中国有东方之道

环球网资讯
2024-03-28 16:44:13
卢卡申科跟普京唱反调

卢卡申科跟普京唱反调

寰宇大观察
2024-03-27 21:57:37
央行投降!再次带崩亚洲货币,美元完成强势反杀

央行投降!再次带崩亚洲货币,美元完成强势反杀

小马哥谈体育
2024-03-28 21:10:33
闹大了!山东突发恶劣事件...

闹大了!山东突发恶劣事件...

菏泽新鲜趣事
2024-03-27 19:52:41
马英九还没登上飞机,台政界另一位大咖也要赴陆,蔡英文被边缘化

马英九还没登上飞机,台政界另一位大咖也要赴陆,蔡英文被边缘化

涛涛生活搞笑
2024-03-28 18:53:39
大举增兵16万 这是要干啥?400架五代机轮番突防:不排除直接开战

大举增兵16万 这是要干啥?400架五代机轮番突防:不排除直接开战

星辰故事屋
2024-03-27 20:50:00
2024-03-29 08:28:49
霉霉的IT玫
霉霉的IT玫
每天了解一点IT资讯
42文章数 562关注度
往期回顾 全部

科技要闻

雷军:我们是卷王,建议BBA车主感受下时代

头条要闻

小米汽车7分钟大定破2万 网友:这价格真可以杀穿同行

头条要闻

小米汽车7分钟大定破2万 网友:这价格真可以杀穿同行

体育要闻

拒绝为国出战,他是足坛"天选打工人"

娱乐要闻

莱昂纳多与25岁新女友互相投喂超恩爱

财经要闻

中国版QE要来?国内外机构观点罕见一致

汽车要闻

混动增程双模式 长安UNI-Z售11.79万起

态度原创

亲子
健康
教育
艺术
房产

亲子要闻

懂事的让人心疼!3岁男孩主动帮父母收拾夜宵摊

早防早筛,远离肝硬化

教育要闻

留学文凭贬值,出国留学值不值得?在俄罗斯工作16年小伙直说想法

艺术要闻

艺术开卷|从闺阁、庭院到郊野,古画中的女性生活空间

房产要闻

炸裂!新政出台,这里安居房货量近100万㎡,均价最低到6000+!

无障碍浏览 进入关怀版