1. 基本概念

1.1 什么是爬虫

通过编写程序模拟浏览器上网，去互联网上抓取数据

遵从浏览器上网流程

1.2 编程语言

• php（多线程和多进程方面封装的不够好）
• java（代码臃肿，重构成本大）
• c、c++（封装不够好）
• python

1.3 爬虫分类

• 通用爬虫：搜索引擎，将互联网上的网页下爱到本地，形成一个本地备份，
• 聚焦爬虫：页面中指定的数据

1.4 robots协议

约束爬虫程序的数据爬虫，相当于口头协议，并没有强制

1.5 反爬虫

通过相应的策略和技术手段，防止数据的爬取

1.6 反反爬虫

破解反爬虫手段

1.7 Jupyter Notebook

1.7.1 快捷键

• b：向下插入一个cell
• a：向上插入一个cell
• m：将cell切换成markdown
• y：将cell切换成code
• Shift+Enter：运行
• Shift+Tab：帮助文档
• Tab：自动补全

2. urllib模块

2.1 浏览器发送请求

1. 输入指定url
2. 针对指定的url发起了一个请求
3. 获取服务器相应回来的页面数据
4. 持久化存储

2.2 第一个网页

import urllib.request
url='https://www.baidu.com/'
response=urllib.request.urlopen(url=url)
page_text=response.read()
print(page_text)
with open('1.html','wb') as f:
    f.write(page_text)
    print('写入')

2.3 编码处理

url里面不能存在非ASCII码编码的字符

字符编码的转换

import urllib.request
import urllib.parse
url='http://www.baidu.com/s?wd='
word=urllib.parse.quote('人民币') # 对中文进行编码
url+=word # 将编码传给url
response=urllib.request.urlopen(url=url)
page_text=response.read()
with open('2.html','wb') as f:
    f.write(page_text)
    print('写入')

2.4 反爬机制

User-Agent（UA）：请求载体的身份标识

网站检查请求的UA

反反爬机制：伪装爬虫程序请求的UA

2.5 伪装UA

import urllib.request
url='http://www.baidu.com/'
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}  # 自定义响应头
request=urllib.request.Request(url=url,headers=headers)
response=urllib.request.urlopen(request)
text=response.read()
with open('3.html','wb')as f:
    f.write(text)

2.6 post请求

netwo的XHR里面去找

import urllib.request
import urllib.parse
 
url='https://fanyi.baidu.com/sug'
data={
    'kw':'西瓜'
} # 将参数封装到字典中
data=urllib.parse.urlencode(data)  # 进行编码处理，得到字符串类型
data=data.encode() # 将字符串类型的转成bytes类型
response=urllib.request.urlopen(url=url,data=data)
ret=response.read()  # 一组json字符串
with open('4.html','wb')as f:
    f.write(ret)

2.7 代理操作

2.8 cookie

3. request模块

3.1 概念

1. python原生的一个基于网络请求的模块，模拟浏览器发起请求
2. 为什么request比urllib好
   • 有中文的情况，需要手动处理url编码
   • 手动处理post请求， urlencode(),decode()
   • cookie的操作比较繁琐
     • 创建一个cookiejar对象
     • 创建一个handler对象
     • 创建一个openner对象
   • 代理操作比较繁琐
     • 创建handler对象，代理ip和端口封装到该对象
     • 创建openner对象
3. 使用流程
   • 指定url
   • 使用requests模块发起请求
   • 获取相应数据
   • 进行数据存储

3.2 基本使用

import requests
url='https://www.sogou.com/'
response=requests.get(url=url)
page_data=response.text # 字符串形式的页面数据
with open('sogou.html','w',encoding='utf-8')as f:
    f.write(page_data)

3.3 基本属性

response.text # 字符串形式的页面数据
response.content  # 二进制的页面数据
response.status_code  # 返回相应状态码
response.headers  # 响应头信息
response.url  # 获取请求的url

3.4 带参数的get

方式一

import requests
url='https://www.sogou.com/web?query=周杰伦&ie=utf8'
response=requests.get(url=url)
page_text=response.text

方式二

import requests
url='https://www.sogou.com/web'
params={
    'query':'周杰伦',
    'ie':'utf8'
}
response=requests.get(url=url,params=params)
page_text=response.text

3.5 自定义get请求头

import requests
url='https://www.sogou.com/web'
params={
    'query':'周杰伦',
    'ie':'utf8'
}
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response=requests.get(url=url,params=params,headers=headers)
page_text=response.text

3.6 post请求

先去找到url，得到data

import requests
url='https://www.douban.com/accounts/login'
data={
'source': 'index_nav',
'form_email': '18668573649@163.com',
'form_password': 'k365532902',
}
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response=requests.post(url=url,data=data,headers=headers)
page_text=response.text
with open('douban.html','w',encoding='utf8')as f:
    f.write(page_text)

3.7 ajax的get请求

要找到url和参数

import requests
url='https://movie.douban.com/j/chart/top_list?'
params={
'type': '17',
'interval_id': '100:90',
'action': '',
'start': '60',
'limit': '20',
}
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response=requests.get(url=url,params=params,headers=headers)
page_text=response.text

3.8 ajax的post请求

import requests
url='http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
data={
'cname': '',
'pid': '',
'keyword': '宁波',
'pageIndex': '1',
'pageSize': '10',
}
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response=requests.post(url=url,data=data,headers=headers)
page_text=response.text

3.9 综合，页码

根据指定的词条，获取一定范围的数据

import requests
import os
if not os.path.exists('pages'):
    os.mkdir('pages')
word=input('enter a word') # 关键字
url='https://zhihu.sogou.com/zhihu'
start_pagenum=int(input('enter a start pagenum')) # 开始页码
end_pagenum=int(input('enter a end pagenum')) # 结束页码
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
for page in range(start_pagenum,end_pagenum+1):
    params={
        'query':word,
        'pane':page,
        'ie':'utf-8'
    }
    response=requests.get(url=url,params=params,headers=headers)
    page_text = response.text
    file_name=word+str(page)+'.html'
    filepath='pages/'+file_name
    with open(filepath,'w',encoding='utf-8')as f:
        f.write(page_text)
 

3.10 cookie

被验证码拦截了

import requests
 
session = requests.session()
login_url = 'https://www.douban.com/accounts/login'
data = {
    'source': 'None',
    'redir': 'https://www.douban.com/people/186654449/',
    'form_email': '18668573649@163.com',
    'form_password': 'k365532902',
    'captcha-solution': 'cough',
    'captcha-id': 'TONAWBuNAp3yeI8r67VCHiYx:en',
    'remember': 'on',
    'login': '登录',
}
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
login_response = session.post(url=login_url, data=data, headers=headers)
url = 'https://www.douban.com/people/186654449/'
response = session.get(url=url, headers=headers)
page_text = response.text
with open('5.html', 'w', encoding='utf8')as f:
    f.write(page_text)

3.11 代理操作

1. 使用第三方代理本体执行相关的事物
2. 一种常用的反反爬的手段
3. 分类：正向代理：代替客户端获取数据；反向代理：代替服务端提供数据
4. 免费代理ip的网站提供商：
   • www.goubanjia.com
   • 快代理
   • 西祠代理

import requests
 
url = 'http://www.baidu.com/s?word=ip'
proxy = {
    'http': '223.111.254.83:80',
}
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response = requests.get(url=url, proxies=proxy, headers=headers)
with open('daili.html', 'w', encoding='utf-8')as f:
    f.write(response.text)

3.12 验证码

云打码平台

• 开发文档，调用实例下载
• 创建一个软件，我的软件，添加新的软件
• 使用实例代码进行修改

import requests, json, time, re
from lxml import etree
import yan
 
# 使用封装好的方法
def get_code(code_img):
    username = 'qych1988gw'
 
    # 密码
    password = 'k365532902'
 
    # 软件ＩＤ，开发者分成必要参数。登录开发者后台【我的软件】获得！
    appid = 6570
 
    # 软件密钥，开发者分成必要参数。登录开发者后台【我的软件】获得！
    appkey = 'b1237a57c579e506735ffffed31b675c'
 
    # 图片文件
    filename = code_img
 
    # 验证码类型，# 例：1004表示4位字母数字，不同类型收费不同。请准确填写，否则影响识别率。在此查询所有类型 http://www.yundama.com/price.html
    codetype = 3000
 
    # 超时时间，秒
    timeout = 20
 
    # 检查
    if (username == 'username'):
        print('请设置好相关参数再测试')
    else:
        # 初始化
        yundama = yan.YDMHttp(username, password, appid, appkey)
 
        # 登陆云打码
        uid = yundama.login();
        print('uid: %s' % uid)
 
        # 查询余额
        balance = yundama.balance();
        print('balance: %s' % balance)
 
        # 开始识别，图片路径，验证码类型ID，超时时间（秒），识别结果
        cid, result = yundama.decode(filename, codetype, timeout);
        print('cid: %s, result: %s' % (cid, result))
 
        return result
 
# 提取验证码图片
url = 'https://www.douban.com/accounts/login'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text
tree = etree.HTML(page_text)
code_image_url = tree.xpath('//*[@id="captcha_image"]/@src')[0]
# <img id="captcha_image" src="https://www.douban.com/misc/captcha?id=52yHi3MS1mj5PeSbamzYkPEp:en&amp;size=s" alt="captcha" class="captcha_image">
code_img = requests.get(url=code_image_url, headers=headers).content
# 提取验证码id
c_id = re.findall('<img id="captcha_image".*?id=(.*?)&amp.*?>', page_text, re.S)[0]
with open('code_img.png', 'wb')as f:
    f.write(code_img)
# 进行图片验证
codetext = get_code('code_img.png')
post = 'https://www.douban.com/accounts/login'
data = {
    'source': 'None',
    'redir': 'https://www.douban.com/people/186654449/',
    'form_email': '18668573649@163.com',
    'form_password': 'k365532902',
    'captcha-solution': codetext,
    'captcha-id': c_id,
    'login': '登录'
}
login_text=requests.post(url=post,data=data,headers=headers).text
with open('login.html','w',encoding='utf-8')as f:
    f.write(login_text)

4. 数据提取

4.1 正则表达式

下载图片

import requests, re, os
 
url = 'https://www.qiushibaike.com/pic/'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
response = requests.get(url=url, headers=headers)
page_text = response.text
img_list = re.findall('<div class="thumb">.*?<img src="(.*?)".*?>.*?</div>', page_text, re.S)
if not os.path.exists('imgs'):
    os.mkdir('imgs')
for i in img_list:
    img_url = 'https:' + i
    img_data = requests.get(url=img_url, headers=headers).content
    img_name=i.split('/')[-1]
    img_path='imgs/'+img_name
    with open(img_path, 'wb')as f:
        f.write(img_data)
 

4.2 xpath

from lxml import etree

创建etree对象进行制定数据的解析

• 本地：etree=etree.parse(‘本地文件路径’)，etree.xpath(‘xpath表达式’)
• 网络：etree=etree.HTML(‘网络请求到的页面数据’)，etree.xpath(‘xpath表达式’)

4.3 xpath常用表达式

返回列表

• 属性定位

  找到class属性值为song的div标签//div[@class=“song”]

• 层级&索引定位

  找到class属性值为tang的div的直系字标签ul下的第二个字标签li下的直系子标签a//div[@class="tang"]/ul/li[2]/a

• 逻辑运算

  找到href属性值为空且class属性值为du的a标签//a[@href="" and @class="du"]

• 模糊匹配

  //div[contains(@class,“ng”)]

  //div[starts-with(@class,"ta")]

• 取文本

  表示获取某个标签下的文本内容，或所有字标签下的所有内容//div[@class="song"]/p[1]/text()

  `//div[@class="tang"]//text()所有子标签的文本

• 取属性

  //div[@class="tang"]//li[2]/a/@href

4.4 xpath使用

from lxml import etree
 
tree=etree.parse('text.html')
tree.xpath('//div[@class=“song”]')

import requests
from lxml import etree
 
url = 'https://ishuo.cn/joke'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text
tree = etree.HTML(page_text)
li_list = tree.xpath('//div[@id="list"]/ul/li')
for li in li_list:
    content = li.xpath('./div[@class="content"]/text()')[0]
    title = li.xpath('./div[@class="info"]/a/text()')[0]
    print(title,content)

4.5 bs4

python独有，更加简单便捷高效

html文档来源是本地，Beautiful(‘open(‘本地的html文件‘)‘，‘lxml‘)

html文件来源是网络，Beautiful(‘网络请求到的页面数据‘，‘lxml‘)

f = open('text.html')
soup = BeautifulSoup(f, 'lxml')

属性和方法：

1. 根据标签名查找，只能找到第一个

   soup.div

2. 获取属性

   soup.a.attrs，所有属性，返回字典

   soup.a.attrs[‘href‘],soup.a[‘href‘]指定属性

3. 获取内容

   soup.a.string,/text()

   soup.a.text,//text()

   soup.a.get_text(),//text()

4. find查找

   soup.find(‘a‘)

   soup.find(‘a‘,title="")

   soup.find(‘a‘,alt="")

   soup.find(‘a‘,class_="")有个下划线

   soup.find(‘a‘,id="")

5. find_all查找，返回列表

   soup.find_All(‘a‘)

   soup.find_All([‘a‘,‘div‘])

   soup.find_All(‘a‘,limit=2)

6. 根据选择器，返回列表

   soup.select(‘#feng‘)

   soup.select(‘div>img‘)

4.6 bs4实例

from bs4 import BeautifulSoup
import requests
 
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
}
page_text = requests.get(url=url, headers=headers).text
soup = BeautifulSoup(page_text, 'lxml')
a_list = soup.select('.book-mulu > ul > li > a')
 
 
def get_content(content_url):
    content_page = requests.get(url=content_url, headers=headers).text
    soup = BeautifulSoup(content_page, 'lxml')
    div = soup.find('div', class_="chapter_content")
    return div.text
 
f=open('sanguo.txt','w',encoding='utf-8')
for a in a_list:
    title = a.string
    a_url = a['href']
    content_url = 'http://www.shicimingju.com' + a_url
    content = get_content(content_url)
    f.write(title+'\n\n'+content+'\n\n\n')
f.close()

4.7 selenium

处理页面动态加载数据的爬取

• find_element_by_id，根据id找节点
• find_element_by_name，根据name找节点
• find_element_by_xpath，根据xpath查找
• find_element_by_tag_name，根据标签名查找
• find_element_by_class_name，根据class名查找

from selenium import webdriver
import time
 
bro = webdriver.Chrome(executable_path='chromedriver')
bro.get('http://www.baidu.com')
time.sleep(1)
text=bro.find_element_by_id('kw')  # 获取input
text.send_keys('人民币') # 往input输入
time.sleep(1)
button=bro.find_element_by_id('su')
button.click() # 点击
time.sleep(3)
bro.quit() # 关闭浏览器

4.8 phantomJs

无界面浏览器，其自动化流程和谷歌浏览器一致，但是可截屏

from selenium import webdriver
import time
 
bro=webdriver.PhantomJS(executable_path=r'phantomjs-2.1.1-windows\bin\phantomjs.exe')
bro.get('http://www.baidu.com')
bro.save_screenshot('1.png')
time.sleep(1)
text=bro.find_element_by_id('kw')  # 获取input
text.send_keys('人民币') # 往input输入
bro.save_screenshot('2.png')
time.sleep(1)
button=bro.find_element_by_id('su')
button.click() # 点击
bro.save_screenshot('3.png')
time.sleep(3)
bro.save_screenshot('3.png')
bro.quit() # 关闭浏览器

4.9 实例

from selenium import webdriver
import time
 
bro = webdriver.PhantomJS(executable_path=r'phantomjs-2.1.1-windows\bin\phantomjs.exe')
url = 'https://movie.douban.com/typerank?type_name=%E7%A7%91%E5%B9%BB&type=17&interval_id=100:90&action='
bro.get(url)
time.sleep(1)
# 让浏览器对象执行js代码
js = 'window.scrollTo(0,document.body.scrollHeight)'  # 滚轮到底部
for i in range(5):
    bro.execute_script(js)
    time.sleep(2)
bro.save_screenshot('2.png')
# 获取加载数据后的页面
page_text = bro.page_source

爬虫基础

原文：https://www.cnblogs.com/qiuyicheng/p/10753105.html