python爬虫基础详细教程

Posted 2022-04-18 京都小白

文章目录

• • • • 什么是url
      • 第一个爬虫
      • Web请求过程剖析
      • HTTP协议
      • Requests
      • • 案例一（get方式）
        • 案例二（post方式）
        • • get与post的区别
        • 案例三
      • 数据解析概述
      • • re解析
        • • findall
          • finditer
          • search
          • match
          • complie
          • 迭代
          • （？P<分组名字>正则）
          • 豆瓣电影网练手
          • 将数据保存在csv文件中
        • bs4解析
        • • 图片链接爬取
        • xpath解析
        • • 猪八戒网实战

本篇内容全部基于B站视频link.内容所做的笔记，UP主讲的十分详细，大家可以去看一看。

爬虫不一定要用python，也可以用java和C，但是python是所有编程中最好上手的

robots.txt协议：君子协议，规定了网络中哪些数据可以被爬取数据，哪些不可以

爬虫：通过编写程序来获取网络上的资源

什么是url

URL是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎处理它。

URL由两个主要的部分构成：协议（Protocol）和目的地（Destination）。

“协议”是告诉我们自己面对的是何种类型的Internet资源。

web中最常见的协议是http，它表示从Web中取回的是html文档。其他协议还有gopher，ftp和telnet等。

目的地可以是某个文件名、目录名或者某台计算机的名称。

第一个爬虫

#页面源代码
from urllib.request import urlopen
url = "https://blog.csdn.net/Jurbo/article/details/52313636"
resp = urlopen(url)
print(resp.read().decode("UTF-8"))//输出的字节解码后的

由于各大网站反爬虫的防护做的还是相当可以的，所以这样的基础代码只能算是一个小尝试，并不能拿来应用。

Web请求过程剖析

• 服务器渲染

  在服务器那边直接把数据和html整合在一起，统一返回给浏览器，在页面源代码中能看到数据

• 客户端渲染

  第一次请求只要一个html骨架，第二次请求拿到数据，进行数据展示，在页面源代码中看不到数据

HTTP协议

协议：两个电脑传输数据时进行的君子约定

HTTP全称Hyper Text Transfer Protocol（超文本传输协议），浏览器和服务器之间数据交互遵守的是HTTP协议

HTTP不论是请求还是响应都是三块内容

#请求
请求行  ——>  请求方式（get/post）  请求url地址  协议
请求头  ——>  放一些服务器需要的附加信息
请求体  ——>  一段放一些请求参数#真正要的东西

#响应
状态行  ——>  协议  状态码
响应头  ——>  放一些客户端要使用的一些附加信息
响应体  ——>  服务器返回的真正客户端要用的内容（HTML,json等）

请求头中常见的一些内容（爬虫需要）：

1. User-Agent：请求载体的身份标识（用什么发送的请求）
2. Referer：防盗链（此次请求是从哪个页面来的）
3. cookie：本地字符串数据信息（用户登录信息，反爬的token）

Requests

Request模块需要额外安装

案例一（get方式）

import requests

url = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'
resp = requests.get(url)

print(resp)
print(resp.text)

从运行结果可以看出，网页给出了响应，但是明显制止了程序的爬虫操作。为了能够逃过网页的监视，我们要为自己设置一个浏览器身份。

网页鼠标右键点击检查，并进入网络，刷新一下便出现了如下页面。

往下翻看，可以看到一个User-Agent，这是网页所显示的访问的浏览器身份，我们将它复制。

代码更改如下：

import requests

url = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'
dic = 
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

resp = requests.get(url,headers = dic)

print(resp)
print(resp.text)

此刻便如愿爬取了网页的源代码

案例二（post方式）

我们用post方式来发送请求，想要获取什么就在右边寻找对应的文件，此时我想要获取蓝色圈住的这些数据，于是我找到了sug文件，并查看它的url。

我们将url赋值给代码的数据，并设置字典来保存我们想要查询的数据

import requests

url = "https://fanyi.baidu.com/sug"
s = input("输入")
dic = 
    "kw": s

resp = requests.post(url, data=dic)
print(resp.json())

post请求一个数据，网页返回了这个单词的意思，就像pycharm的一个字典一样

发送post的请求必须放在字典中，并用data传递数据

get与post的区别

通过以上两个案例我们可以看到get请求方式仅仅是获取浏览器的数据，称为“显式访问”，而post在访问的时候会发送一个数据，比如上述案例的百度翻译原本我们想要查到的是dog的翻译，post方式发送了mun单词，最后我们获取到了mun的汉语意思，这称为“隐式访问”

案例三

XHR：第二次请求数据

import requests

url = "https://movie.douban.com/j/chart/top_list"
#封装参数
param = 
    "type": "24",
    "interval_id": "100:90",
    "action":"",
    "start": "0",
    "limit": "20"


reps = requests.get(url=url, params=param)
print("默认User-Agent")
print(reps.request.headers)#输出默认访问身份

我们寻找浏览器可以进入的User-Agent，并输入

import requests

url = "https://movie.douban.com/j/chart/top_list"
#封装参数
param = 
    "type": "24",
    "interval_id": "100:90",
    "action":"",
    "start": "0",
    "limit": "20"

headers = 
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

reps = requests.get(url=url, params=param,headers=headers)

print(reps.text)
reps.close()

如愿爬取到了信息，但是此时我们看起来不是很方便，转为json换成我们更熟悉的文件。

爬取完信息一定要记得关掉访问，不然会被反爬盯上

数据解析概述

re解析

re解析即正则解析，在线正则表达式测试：在线正则表达式测试 (oschina.net)

正则语法：使用元字符进行排列组合来匹配字符串

元字符：具有固定含义的特殊符号

常用元字符

.        匹配换行符以外的任意字符
\\w       匹配字母或数字或下划线
\\s       匹配任意的空白符
\\d       匹配数字
\\n       匹配一个换行符
\\t       匹配一个制表符
^        匹配一个字符串的开始
$        匹配字符串的结尾
\\W       匹配非字母或数字或下划线
\\D       匹配非数字
\\S       匹配非空白符
a|b      匹配字符a或字符b
()       匹配括号内的表达式，也表示一个组
[...]    匹配字符组中的字符
[^...]   匹配除了字符组中的所有字符

量词：控制前面的元字符出现的次数

*     重复零次或更多次
+     重复一次或更多次
？    重复零次或一次
n   重复n次
n,  重复n次或更多次
n,m 重复n次到m次

贪婪匹配和惰性匹配

.*    贪婪匹配（匹配最长的一条）
.*?   惰性匹配（匹配最短的一条）

findall

import re

# findall:匹配字符串中所有符合正则的内容
lst = re.findall(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(lst)

finditer

和findall差不多，只不过返回的是迭代器

import re

# findall:匹配字符串中所有符合正则的内容
lst = re.findall(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(lst)

# finditer:匹配字符串中所有的内容[返回的是迭代器]
it = re.finditer(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(it)

将代码替换

it = re.finditer(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
for i in it:
    print(i)

<re.Match>是调用了re模块的匹配方法，span表示了所匹配字符的起始和结束位置，match是匹配到的字符。

想要调用迭代器中的内容，就要使用group，再对代码进行更改

it = re.finditer(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
for i in it:
    print(i.group())

结果为迭代器中的内容，运行无误。

search

# search:找到一个结果就返回，返回的是一个match对象，拿数据需要.group()
s = re.search(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(s.group())

search与find的不同之处在于search只要知道有匹配的字符存在就返回，只寻找一个字符串

match

# match：默认从头开始匹配，如果字符串的第一个字符不是可匹配字符，则无返回值
s = re.match(r"\\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")
print(s.group())

complie

预加载正则表达式

当正则表达式过长时，我们可以使用预加载正则表达式，将要寻找的正则表达式格式储存住，调用时可以用不同的字符串，相当于用一种匹配格式匹配多次字符串，不用我们每次都去编写匹配格式，而且将匹配格式和待匹配语句分开写代码看起来更加整洁。

import re

obj = re.compile(r"\\d+")
ret = obj.finditer("我的电话号码是10086，我女朋友的电话号码是:10010")
print(ret)
for i in ret:
    print(i.group())

ret = obj.findall("我的电话号码是10086，我女朋友的电话号码是:10010")
print(ret)

预加载正则表达式的好处是我们可以在多个地方多次使用。

迭代

在这里我们要区分几个概念

• 可迭代对象

  列表、元组、字符串、字典等都是可迭代对象，可以使用for循环遍历出所有元素的都可以称为可迭代对象（Iterable）。

• 迭代器

  迭代器是一个可以记住遍历的位置的对象。 迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。

• 迭代器和可迭代对象的联系

  1. 可迭代对象是包含迭代器的(迭代器一定是可迭代对象，反之却不一定)

  2. 如果一个对象定义了__iter()__方法，那它就是可迭代对象。

  3. 如果一个对象定义了__iter()__方法和__next()方法，那它就是迭代器。(因为迭代器是可迭代对象，所以一定有__iter())

（？P<分组名字>正则）

可以单独从正则匹配内容中单独匹配内容

import re

s = '''
<div class='赘婿'><span id='女主'>宋轶</span></div>
<div class='赘婿'><span id='男主'>郭麒麟</span></div>
'''
# re.S让.可以匹配换行符
obj = re.compile(r"<div class='.*?'><span id='.*?'>.*?</span></div>", re.S)
ret = obj.finditer(s)
for i in ret:
    print(i.group())

此时我们可以在结果中看到惰性匹配为我们把语句全部匹配了出来，但是如果我们只需要’赘婿‘’女主‘这样的信息的话，还需要再添加一个标签，将所需信息保存在标签中并将标签打印输出。

我们将代码更改如下

import re

s = '''
<div class='赘婿'><span id='女主'>宋轶</span></div>
<div class='赘婿'><span id='男主'>郭麒麟</span></div>
'''
# re.S让.可以匹配换行符
obj = re.compile(r"<div class='(?P<class>.*?)'><span id=(?P<id>'.*?')>(?P<name>.*?)</span></div>", re.S)
ret = obj.finditer(s)
for i in ret:
    print(i.group("class"))
    print(i.group("id"))
    print(i.group("name"))

完美爬取。如果不想要进行换行输出，可以在print后加上end=""，但是建议加上循环换行

豆瓣电影网练手

#拿到页面源代码  requests
#通过re来提取想要的有效信息  re模块

import requests
import re

url = 'https://movie.douban.com/top250'
header = 
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码

obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>', re.S)
result = obj.finditer(page_content)
for i in result:
    print(i.group("name"))

成功爬取电影名称

这段代码的思路很简单，首先通过responses获取信息，再建立预加载正则表达式，注意在建立的时候我们要观察所有代码的共同点，不然容易匹配错误从而获取不到我们想要的信息，最后再finditer匹配打印输出。

进一步爬取电影年份信息

#拿到页面源代码  requests
#通过re来提取想要的有效信息  re模块

import requests
import re

url = 'https://movie.douban.com/top250'
header = 
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码

obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)&nbsp', re.S)
result = obj.finditer(page_content)
for i in result:
    print(i.group("name"))
    print(i.group("year").strip())#strip()函数可以消除字符前面或后面的空格，不能消除字符中间的空格

成功获取年份

同理我们也可以根据这种方式获取电影评分和观看人数。

#拿到页面源代码  requests
#通过re来提取想要的有效信息  re模块

import requests
import re

url = 'https://movie.douban.com/top250'
header = 
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码

obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)'
                 r'&nbsp.*?<span class="rating_num" property="v:average">(?P<point>.*?)</span>.*?<span>(?P<people>.*?)人评价', re.S)
result = obj.finditer(page_content)
for i in result:
    print(i.group("name"))
    print(i.group("year").strip())
    print(i.group("point"))
    print(i.group("people"))

将数据保存在csv文件中

csv文件中的东西都是通过，分隔开的，对我们以后做数据分析很有帮助

import requests
import re
import csv

url = 'https://movie.douban.com/top250'
header = 
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"

resp = requests.get(url, headers=header)
page_content = resp.text #爬取到的页面源代码

obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)'
                 r'&nbsp.*?<span class="rating_num" property="v:average">(?P<point>.*?)</span>.*?<span>(?P<people>.*?)人评价', re.S)
result = obj.finditer(page_content)
f = open("data.csv", mode="w",encoding='UTF-8')
cswriter = csv.writer(f)
for i in result:
    dic = i.groupdict()
    dic['year'] = dic['year'].strip()
    cswriter.writerow(dic.values())

运行结果如下：

pycharm会自动生成一个csv文件，爬取的数据会自动保存到该文件中，看起来是不是特别条理清晰

bs4解析

bs全称Beatiful Soup ，也需要另外安装，如果使用的是pycharm编译器，点击Terminal输入pip install bs4，pycharm便自动为我们安装好了bs模块

#1. 拿到页面源代码
#2. 使用bs4进行解析，拿到数据

解析数据：

1.把页面源代码交给BeautifulSoup进行处理，生成bs对象

page = BeautifulSoup（resp.text, "html.parser"）#指定html解析器

2.从bs对象中查找数据

• find（标签，属性=值）：只找第一个
• find_all（标签，属性=值）：返回页面所有符合要求的

page.find("table", class_ = "hq_table")
#class是python的关键字，所有这里加上_

但是每次这么写都要记得class后面加_，我们可以换一种方式来写

page.find("table", attrs="class":"hq_table")

图片链接爬取

#1.拿到主页面的源代码，提取到子页面的链接地址
#2.通过href拿到子页面的内容，从子页面中拿到图片的下载地址
#3.下载图片
import requests
from bs4 import BeautifulSoup
import re
url = "http://bizhi360.com/weimei/"
resp = requests.get(url)
resp.encoding = "UTF-8"

main_page = BeautifulSoup(resp.text, "html.parser")
alist = main_page.find("div", attrs="class": "pic-list").find_all("a")
for a in alist:
    s = "http://bizhi360.com/"+a.get("href")
    #拿到子页面的源代码
    headers =
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"
    
    child_page_resp = requests.get(s, headers=headers)
    child_page_resp.encoding = "UTF-8"
    child_page_text = child_page_resp.text
    #从子页面中拿到图片的下载途径
    child_page = BeautifulSoup(child_page_text, "html.parser")
    p = child_page.find("figure")
    print(p)
resp.close()

通过一个网站进入子网链接，并对图片地址进行爬取，但是可能是因为进入次数太多，遭到了反爬，只能进行到如上图所示这一步，下次我换个网站试试吧

xpath解析

xpath需要下载lxml模块

XPath 使用路径表达式来选取 XML 文档中的节点或节点集，节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

表达式	描述
nodename	选取此节点的所有子节点。
/	从根节点选取。
//	从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。
.	选取当前节点。
…	选取当前节点的父节点。
@	选取属性。
./	从当前节点选取

举例说明：

路径表达式	结果
bookstore	选取 bookstore 元素的所有子节点。
/bookstore	选取根元素 bookstore。注释：假如路径起始于正斜杠( / )，则此路径始终代表到某元素的绝对路径！
bookstore/book	选取属于 bookstore 的子元素的所有 book 元素。
//book	选取所有 book 子元素，而不管它们在文档中的位置。
bookstore//book	选择属于 bookstore 元素的后代的所有 book 元素，而不管它们位于 bookstore 之下的什么位置。
//@lang	选取名为 lang 的所有属性。

路径表达式：

路径表达式	结果
/bookstore/book[1]	选取属于 bookstore 子元素的第一个 book 元素。
/bookstore/book[last()]	选取属于 bookstore 子元素的最后一个 book 元素。
/bookstore/book[last()-1]	选取属于 bookstore 子元素的倒数第二个 book 元素。
/bookstore/book[position()❤️]	选取最前面的两个属于 bookstore 元素的子元素的 book 元素。
//title[@lang]	选取所有拥有名为 lang 的属性的 title 元素。
//title[@lang=‘eng’]	选取所有 title 元素，且这些元素拥有值为 eng 的 lang 属性。
/bookstore/book[price>35.00]	选取 bookstore 元素的所有 book 元素，且其中的 price 元素的值须大于 35.00。
/bookstore/book[price>35.00]/title	选取 bookstore 元素中的 book 元素的所有 title 元素，且其中的 price 元素的值须大于 35.00。

通配符	描述
*	匹配任何元素节点。
@*	匹配任何属性节点。
node()	匹配任何类型的节点。

路径表达式	结果
/bookstore/*	选取 bookstore 元素的所有子元素。
//*	选取文档中的所有元素。
//title[@*]	选取所有带有属性的 title 元素。

猪八戒网实战

#拿到页面源代码
#提取和解析数据
import requests
from lxml import etree
url = "https://taiyuan.zbj.com/search/f/?kw=saas"
resp = requests.get(url)

#解析
html = etree.HTML(resp.text)
divs = html.xpath("/html/body/div[6]/div/div/div[2]/div[5]/div[1]/div")
for div in divs:#每一个服务商的div
    price = div.xpath("./div/div/a[2]/div[2]/div[1]/span[1]/text()")[0].strip('¥')
    title = 'saas'.join(div.xpath("./div/div/a[2]/div[2]/div[2]/p/text()"))
    com_name = div.xpath("./div/div/a[1]/div[1]/p/text()")[1]
    print(price)
    print(title)
    print(com_name)
    
resp.close()

运行结果还算完美吧

一路学下来，感觉爬虫其实只是一些包的运用，多动手做些案例都能搞明白，继续加油吧！