何謂爬蟲
所謂爬蟲，就是按照一定的規則，自動的從網絡中抓取信息的程序或者腳本。萬維網就像一個巨大的蜘蛛網，我們的爬蟲就是上面的一個蜘蛛，不斷的去抓取我們需要的信息。
爬蟲三要素
- 抓取
- 分析
- 存儲
基礎的抓取操作
1、urllib
在Python2.x中我們可以通過urllib 或者urllib2 進行網頁抓取，但是再Python3.x 移除了urllib2。只能通過urllib進行操作
import urllib.request
response = urllib.request.urlopen('https://blog.csdn.net/weixin_43499626')
print(response.read().decode('utf-8'))
帶參數的urllib
url = 'https://blog.csdn.net/weixin_43499626' url = url + '?' + key + '=' + value1 + '&' + key2 + '=' + value2
2、requests
requests庫是一個非常實用的HTPP客戶端庫，是抓取操作最常用的一個庫。Requests庫滿足很多需求
import requests
# get請求
response = requests.get(url='https://blog.csdn.net/weixin_43499626')
print(response.text) #打印解碼后的返回數據
# 帶參數的requests get請求
response = requests.get(url='https://blog.csdn.net/weixin_43499626', params={'key1':'value1', 'key2':'value2'})
需要登錄的情況下
1、表單提交登錄
向服務器發送一個post請求並攜帶相關參數，將服務器返回的cookie保存在本地,cookie是服務器在客戶端上的“監視器”，記錄了登錄信息等。客戶端通過識別請求攜帶的cookie，確定是否登錄
params = {'username': 'root', 'passwd': 'root'}
response = requests.post("http:xxx.com/login", data=params)
for key,value in response.cookies.items():
print('key = ', key + ' ||| value :'+ value)
2、cookie登錄
我們可以將登錄的cookie存儲在文件中，
import urllib.request
import http.cookiejar
"""
保存登錄的cookie
"""
"""
MozillaCookieJar ： cookiejar的子類
從FileCookieJar派生而來，創建與Mozilla瀏覽器 cookies.txt兼容的FileCookieJar實例。
"""
cookie = http.cookiejar.MozillaCookieJar('cookie.txt')
# 構建一個cookie的處理器
handler = urllib.request.HTTPCookieProcessor(cookie)
# 獲取一個opener對象
opener = urllib.request.build_opener(handler)
# # 獲取一個請求對象
request = urllib.request.Request('http://flights.ctrip.com/',headers={"Connection": "keep-alive"})
# 請求服務器，獲取響應對象。cookie會在response里一起響應
response = opener.open(request)
# 保存cookie到文件
cookie.save(ignore_discard=True, ignore_expires=True)
"""
請求攜帶文件中的cookie
"""
import urllib.request
import http.cookiejar
cookie = http.cookiejar.MozillaCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
request = urllib.request.Request('http://flights.ctrip.com/')
html = opener.open(request).read().decode('gbk')
print(html)
常見的反爬有哪些
1、通過user-agent來控制訪問
user-agent能夠使服務器識別出用戶的操作系統及版本、cpu類型、瀏覽器類型和版本。很多網站會設置user-agent白名單，只有在白名單范圍內的請求才能正常訪問。所以在我們的爬蟲代碼中需要設置user-agent偽裝成一個瀏覽器請求。有時候服務器還可能會校驗Referer，所以還可能需要設置Referer(用來表示此時的請求是從哪個頁面鏈接過來的)
# 設置請求頭信息
headers = {
'Host': 'https://blog.csdn.net',
'Referer': 'https://blog.csdn.net/weixin_43499626/article/details/85875090',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}
response = requests.get("http://www.baidu.com", headers=headers)
如下是CSDN中的Request Header中的信息
accept: */* accept-encoding: gzip, deflate, br accept-language: zh-CN,zh;q=0.9 content-length: 0 cookie: bdshare_firstime=1500xxxxxxxx.............. origin: https://blog.csdn.net referer: https://blog.csdn.net/weixin_43499626/article/details/85875090 user-agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36 x-requested-with: XMLHttpRequest
2、通過IP來限制
當我們用同一個ip多次頻繁訪問服務器時，服務器會檢測到該請求可能是爬蟲操作。因此就不能正常的響應頁面的信息了。
解決辦法常用的是使用IP代理池。網上就有很多提供代理的網站、
proxies = {
"http": "http://119.101.125.56",
"https": "http://119.101.125.1",
}
response = requests.get("http://www.baidu.com", proxies=random.choices(proxies))
3、設置請求間隔
import time time.sleep(1)
4、自動化測試工具Selenium
Web應用程序測試的Selenium工具。該工具可以用於單元測試，集成測試，系統測試等等。它可以像真正的用戶一樣去操作瀏覽器(包括字符填充、鼠標點擊、獲取元素、頁面切換)，支持Mozilla Firefox、Google、Chrome、Safari、Opera、IE等等瀏覽器。
5、參數通過加密
某些網站可能會將參數進行某些加密，或者對參數進行拼接發送給服務器，以此來達到反爬蟲的目的。這個時候我們可以試圖通過js代碼，查看破解的辦法。
連接xxx
或者可以使用"PhantomJS",PhantomJS是一個基於Webkit的"無界面"(headless)瀏覽器，它會把網站加載到內存並執行頁面上的JavaScript，因為不會展示圖形界面，所以運行起來比完整的瀏覽器更高效。
6、通過robots.txt來限制爬蟲
robots.txt是一個限制爬蟲的規范，該文件是用來聲明哪些東西不能被爬取。如果根目錄存在該文件，爬蟲就會按照文件的內容來爬取指定的范圍。
瀏覽器訪問https://www.taobao.com/robots.txt
可以查看淘寶的robots.txt文件
部分內容如下
User-agent: Baiduspider Disallow: /product/ Disallow: / User-Agent: Googlebot Disallow: / User-agent: Bingbot Disallow: / User-Agent: 360Spider Disallow: / User-Agent: Yisouspider Disallow: / User-Agent: Sogouspider Disallow: / User-Agent: Yahoo! Slurp Disallow: / User-Agent: * Disallow: /
可以看出淘寶拒絕了百度爬蟲、谷歌爬蟲、必應爬蟲、360爬蟲、神馬爬蟲，搜狗爬蟲、雅虎爬蟲等約束。
分析
我們可以分析爬取的網頁內容，獲得我們真正需要的數據，常用的有正則表達式，BeautifulSoup,XPath、lxml等
正則表達式是進行內容匹配，將符合要求的內容全部獲取；
xpath()能將字符串轉化為標簽，它會檢測字符串內容是否為標簽，但是不能檢測出內容是否為真的標簽；
Beautifulsoup是Python的一個第三方庫，它的作用和 xpath 作用一樣，都是用來解析html數據的相比之下，xpath的速度會快一點，因為xpath底層是用c來實現的
存儲
通過分析網頁內容，獲取到我們想要的數據，我們可以選擇存到文本文件中，亦可以存儲在數據庫中，常用的數據庫有MySql、MongoDB
存儲為json文件
import json
dictObj = {
'小明':{
'age': 15,
'city': 'beijing',
},
'湯姆': {
'age': 16,
'city': 'guangzhou',
}
}
jsObj = json.dumps(dictObj, ensure_ascii=False)
fileObject = open('jsonFile.json', 'w')
fileObject.write(jsObj)
fileObject.close()
存儲為cvs文件
import csv
with open('student.csv', 'w', newline='') as csvfile:
writer = csv.writer(csvfile)
writer.writerow(['姓名', '年齡', '城市'])
writer.writerows([['小明', 15 , '北京'],['湯姆', 16, '廣州']])
存儲到Mongo
# mongo服務
client = pymongo.MongoClient('mongodb://127.0.0.1:27017/')
# test數據庫
db = client.test
# student表,沒有自動創建
student_db = db.student
student_json = {
'name': '小明',
'age': 15,
'city': '北京'
}
student_db.insert(student_json)
歡迎關注我的公眾號：程序員共成長
公眾號內回復【禮包】，獲取程序員專屬資料，包括但不限於Java、Python、Linux、數據庫、大數據、架構、測試、前端、ui以及各方向電子書
