黑马爬虫资料

目录

• 黑马爬虫资料
  • 爬虫概念、工具和HTTP
    • 1.什么爬虫
    • 2.爬虫的数据去哪了
    • 3.需要的软件和环境
    • 4.浏览器的请求
    • 5.认识HTTP、HTTPS
  • requests模块的学习
    • 使用事前
    • 发送get，post请求，获取响应
    • response的方法
    • 获取网页源码的正确打开方式(通过下面三种方式一定能够获取到网页的正确解码之后的字符串)
    • 发送带header的请求
    • 使用超时参数
    • retrying模块的学习
    • 处理cookie相关的请求
  • 数据提取方法
    • json
    • xpath和lxml
    • 基础知识点的学习
    • 写爬虫的讨论

爬虫概念、工具和HTTP

1.什么爬虫

• 爬虫就是模拟客户端(浏览器)发送网络请求，获取响应，按照规则提取数据的程序

• 模拟客户端(浏览器)发送网络请求 : 照着浏览器发送一模一样的请求，获取和浏览器一模一样的数据

2.爬虫的数据去哪了

• 呈现出来：展示在网页上，或者是展示在app上
• 进行分析：从数据中寻找一些规律

3.需要的软件和环境

• python3

  • 黑马python基础班15天视屏：http://yun.itheima.com/course/214.html
  • 基础语法（字符串，列表，字典，判断和循环）
  • 函数（函数的创建和调用）
  • 面向对象（如何创建一个类，如何使用这个类）

• pycharm

  • python编辑器

• chrome浏览器

  • 分析网络请求用的

4.浏览器的请求

• url

  • 在chrome中点击检查，点到network，
  • url = 请求的协议+网站的域名+资源的路径+参数

• 浏览器请求url地址

  • 当前url对应的响应+js+css+图片 ---》elements中的内容

• 爬虫请求url地址

  • 当前url对应的响应

• elements的内容和爬虫获取到的url地址的响应不同，爬虫中需要以当前url地址对应的响应为准提取数据

• 当前url地址对应的响应在哪里

  • 从network中找到当前的url地址，点击response
  • 在页面上右键显示网页源码

5.认识HTTP、HTTPS

• HTTP:超文本传输协议

  • 以明文的形式传输
  • 效率更高，但是不安全

• HTTPS:HTTP + SSL(安全套接字层)

  • 传输之前数据先加密，之后解密获取内容
  • 效率较低，但是安全

• get请求和post请求的区别

  • get请求没有请求体，post有，get请求把数据放到url地址中
  • post请求常用于登录注册，
  • post请求携带的数据量比get请求大，多，常用于传输大文本的时候

• HTTP协议之请求

  • 1.请求行
  • 2.请求头
    • User-Agent:用户代理：对方服务器能够通过user_agent知道当前请求对方资源的是什么浏览器
  • 如果我们需要模拟手机版的浏览器发送请求，对应的，就需要把user_agent改成手机版
    • Cookie：用来存储用户信息的，每次请求会被携带上发送给对方的浏览器
  • 要获取登录后才能访问的页面
    • 对方的服务器会通过cookie来判断是我们是一个爬虫
  • 3.请求体
    • 携带数据
    • get请求没有请求体
    • post请求有请求体

• HTTP协议之响应

  • 1.响应头
    • Set-Cookie：对方该字段设置cookie到本地
  • 2.响应体
    • url地址对应的响应

requests模块的学习

使用事前

• pip install reqeusts

发送get，post请求，获取响应

• response = requests.get(url) #发送get请求，请求url地址对应的响应
• response = reqeusts.post(url,data={请求体的字典}) ##发送post请求

response的方法

• response.text

  • 该方式往往会出现乱码，出现乱码使用response.encoding="utf-8"

• response.content.decode()

  • 把响应的二进制字节流转化为str类型

• resposne.request.url #发送请求的url地址

• response.url #response响应的url地址

• resposne.request.headers #请求头

• resposne.headers #响应请求

获取网页源码的正确打开方式(通过下面三种方式一定能够获取到网页的正确解码之后的字符串)

• 1. response.content.decode()
• 2. response.content.decode("gbk")
• 3. response.text

发送带header的请求

• 为了模拟浏览器，获取和浏览器一模一样的内容

headers = {
"User-Agent":"Mozilla/5.0 (iPhone; CPU iPhone OS 10_3 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) CriOS/56.0.2924.75 Mobile/14E5239e Safari/602.1",
"Referer": "http://fanyi.baidu.com/?aldtype=16047"}

response = requests.get(url,headers=headers)

使用超时参数

• requests.get(url,headers=headers,timeout=3) #3秒内必须返回响应，否则会报错

retrying模块的学习

• pip install retrying

from retrying import retry

@retry(stop_max_attempt_number=3)
def fun1():
  print("this is func1")
  raise ValueError("this is test error")

处理cookie相关的请求

• 人人网{"email":"[e-mail]", "password":"alarmchime"}
• 直接携带cookie请求url地址
  • 1. cookie放在headers中

    headers= {"User-Agent":"....","Cookie":"cookie 字符串"}

- 2. cookie字典传给cookies参数
    - requests.get(url,cookies=cookie_dict)

• 先发送post请求，获取cookie，带上cookie请求登录后的页面
  • 1. seesion = requests.session()#session具有的方法和requests一样
  • 2. session.post(url,data,headers) #服务器设置在本地的cookie会笨哦存在session
  • 3. session.get(url) #会带上之前保存在session中的cookie,能够请求成功

数据提取方法

json

• 数据交换格式,看起来像python类型(列表,字典)的字符串

• 使用json之前需要导入

• 哪里会返回json的数据

  • 流程器切换到手机版
  • 抓包app

• json.loads

  • 把json字符串转化为python类型
  • json.loads(json字符串)

• json.dumps

  • 把python类型转化为json字符串
  • json.dumps({})
  • json.dumps(ret1,ensure_ascii=False,indent=2)
    • ensure_ascii :让中文显示成中文
    • indent :能够让下一行在上一行的基础上空格

• 豆瓣电视爬虫案例

xpath和lxml

• xpath

  • 一门从html中提取数据的语言

• xpath语法

  • xpath helper插件:帮助我们从elements中定位数据
  • 1. 选择节点(标签)
    • /html/head/meta :能够选中html下的head下的所有的meta标签
  • 2. // :能够从任意节点开始选择
    • //li :当前页面上的所有的li标签
    • /html/head//link :head下的所有的link标签
  • 3. @符号的用途
    • 选择具体某个元素://div[@class='feed']/ul/li
    • 选择class='feed'的div下的ul下的li
    • a/@href :选择a的href的值
  • 4. 获取文本:
    • /a/text() :获取a下的文本
    • /a//text() :获取a下的所有的文本
  • 5. 点前
    • ./a 当前节点下的a标签

• lxml

  • 安装:pip install lxml
  • 使用

    from lxml import etree
    element = etree.HTML("html字符串")
    element.xpath("")

基础知识点的学习

• format:字符串格式化的一种方式

  "传智{}播客".format(1)
  "传智{}播客".format([1,2,3])
  "传智{}播客".format({1,2,3})
  "传智{}播客{}".format({1,2,3},[1,23,2])
  "传智{}播客{}".format({1,2,3},1)

• 列表推导式
  • 帮助我们快速的生成包含一堆数据的列表
      [i+10 for i in range(10)]--->[10,11,12,...19]
      ["10月{}日".format(i) for i in range(1,10)] -->["10月1日","10月2日",..."10月9日"]
• 字典推导式
  • 帮助我们快速的生成包含一堆数据的字典

 {i+10:i for i in range(10)} #{10:0,11:1,12:2...19:9}
 {"a{}".format(i):10 for i in range(3)}#{"a0":10,"a1":10,"a2":10}

• 三元运算符
  • if 后面的条件成立,就把if前面的结果赋值给a,否则把else后面的结果赋值给a

 a = 10 if 4>3 else 20 # a = 10
 a = 10 if 4<3 else 20 # a =20

写爬虫的讨论

• 1. url
  • 知道url地址的规律和总得页码数:构造url地址的列表
  • start_url

• 2.发送请求,获取响应

  • requests

• 3.提取数据

  • 返回json字符串:json模块
  • 返回的是html字符串:lxml模块配合xpath提取数据

• 4.保存