首页 > 其他 > 详细

理解爬虫原理

时间:2019-03-26 23:53:40      阅读:206      评论:0      收藏:0      [点我收藏+]

1. 简单说明爬虫原理

什么是爬虫

  • 爬虫:请求网站并提取数据的自动化程序
  • 百科:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

 

2. 理解爬虫开发过程

1).简要说明浏览器工作原理;

 

      基本流程:

 

  • 发起请求:通过HTTP库向目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器响应。
  • 获取响应内容:如果服务器能正常响应,会得到一个Response,Response的内容便是所要获取的页面内容,类型可能有HTML,Json字符串,二进制数据(如图片视频)等类型。
  • 解析内容:得到的内容可能是HTML,可以用正则表达式、网页解析库进行解析。可能是Json,可以直接转为Json对象解析,可能是二进制数据,可以做保存或者进一步的处理。
  • 保存数据:保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件

 

2).使用 requests 库抓取网站数据;

requests.get(url) 获取校园新闻首页html代码

 

import requests
from bs4 import BeautifulSoup

url=‘http://news.gzcc.cn/html/2019/tongzhigonggao_0321/11036.html‘
response=requests.get(url) #获取网页html

response.encoding=‘utf-8‘
print(response.text)

 

  技术分享图片

 

 

3).了解网页

写一个简单的html文件,包含多个标签,类,id

4).使用 Beautiful Soup 解析网页;

通过BeautifulSoup(html_sample,‘html.parser‘)把上述html文件解析成DOM Tree

select(选择器)定位数据

找出含有特定标签的html元素

找出含有特定类名的html元素

找出含有特定id名的html元素

 

3.提取一篇校园新闻的标题、发布时间、发布单位

url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html

 

import requests
from bs4 import BeautifulSoup

url=‘http://news.gzcc.cn/html/2019/tongzhigonggao_0321/11036.html‘
response=requests.get(url) #获取网页html

response.encoding=‘utf-8‘
print(response.text)

soup=BeautifulSoup(response.text,"lxml")  #用BS4构建标签对象,用lxml解析器解析获取内容

print(soup.select(‘.show-title‘))#输出新闻标题
print(soup.select(‘.show-info‘))#输出新闻发布时间作者单位

  

技术分享图片

 

理解爬虫原理

原文:https://www.cnblogs.com/WYuHan/p/10599137.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!