大佬带你1小时入门 Python 爬虫

Posted 不加班的程序员丶

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了大佬带你1小时入门 Python 爬虫相关的知识,希望对你有一定的参考价值。

适合人群:

零基础 Python 读者

具有 Python 基础读者

想学爬虫的学者

本文内容如下:

Python 基础知识学习途径

Python开发环境的搭建

什么是爬虫?

爬虫的作用

豆瓣短评的数据爬取

而爬虫工程师、数据分析师、大数据工程师的岗位也越来越受欢迎。爬虫则是 Python 的一个应用领域,Python 还有诸多应用领域,如 Web 全栈开发、图形界面开发、大数据、人工智能、系统网络运维、云计算系统管理……

Python 基础知识学习途径

学习好 Python 基础对于学习 Python 爬虫具有事半功倍的效果。就像生活中的学英语一样,一个对英语一概不通的人听完别人读英语,自己也能读出来,但是要把英语读好,好好学习音标是非常有必要的。

然而 Python 的基础知识如果要系统学习,内容也较多,那么我们到底需要学习到什么程度,对于学习 Python 爬虫才是足够的呢?这里,我对学习爬虫需要掌握的 Python 基础知识进行了筛选,过滤掉了一些不必要的知识。为您提供了如下学习链接:

Python 开发环境的搭建

Python 目前流行版本两个 Python 2.x 与 Python 3.x,由于 Python 2 只会维护到2020年,因此这里建议使用 python 3 来作为我们的编程环境。

1.下载Python。

进入下载页面(https://www.python.org/downloads/release/python-362/)下载 Python3.6.2 版本即可。

提示:根据你的电脑选择,32位还是64位的安装包。

安装过程中只需要默认安装即可。安装完成后在 cmd 命令行输入 python,然后回车,如果成功进入 python 并返回 python 的版本信息,则证明 Python 环境安装成功(这里我将 Python.exe 改为了 Python3.exe)。如下图所示。

 

 

什么是爬虫?

网络爬虫(又被称为网页蜘蛛,网络机器人,在 FOAF 社区中间,更常被称为网页追逐者),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,从中获取大量的信息。

爬虫的作用主要有以下几点:

  • 市场分析:电商分析、商圈分析、一二级市场分析等;

  • 市场监控:电商、新闻、房源监控、票房预测、股票分析等;

  • 商机发现:招投标情报发现、客户资料发掘、企业客户发现等;

  • 数据分析:对某个 App 的下载量跟踪、用户分析、评论分析,虚拟货币详情分析……

爬虫基础知识补充

在开始学习爬虫知识之前,你需要了解一些网页的基本知识:

  • 网址的构成

  • 网页的基本构成

  • 常见的加载模式

  • 网页的请求过程

  • 谷歌浏览器之 HTTP 请求分析

1.网址的构成

网站的网址一般由协议+域名+加页面构成,如 https://auction.jd.com/home.html,域名一般是固定的不会改变,能改变的则是页面(home.html),所以在爬虫的过程中我们所需要解析的就是自己编写的不同页面的URL,只有解析出各个不同页面的 URL 入口,我们才能开始爬虫(爬取网页)。

2.网页的基本构成

一般来说一个网页的页面主要有 HTML、CSS、javascript 构成,这里我们可以打开任意一个网页右击查看网页源代码。

  • HTML:是用来制作网页,简单来说就是编写网页结构。

  • CSS:美化网页(样式);

  • JavaScript: 实现网页与客户之间互动的桥梁,让网页具有丰富的生命力。

3.常见的加载模式

学习爬虫有必要了解网页常见的两种加载模式(后续爬虫过程中,经常需要用到)。

  • 同步加载:改变网址上的某些参数会导致网页发生改变。如常见的网站翻页后网址会发生变化。

  • 异步加载:改变网址上的参数不会使网页发生改变。如常见的网站翻页后网址不会发生变化。

4.网页的请求过程

打开浏览器,地址栏输 baidu.com,按下回车,到用户看到内容,主要经历了如下步骤:

(1)开始进行域名解析。

首先浏览器自身搜 DNS 缓存,搜 baidu.com 有没有缓存有没有过期,如果过期就结束,其次浏览器会搜索操作系统自身的 DNS 缓存并读取本地的 host 文件,浏览器发起一个 DNS 系统调用。

(2)浏览器获得 baidu.com 域名对应的 IP 地址后,发起 HTTP 三次握手。

 

(3)建立 TCP/IP,浏览器就可以向服务器发送 HTTP 请求。

TCP/IP 链接建立起来后,浏览器就可以向服务器发送 HTTP 请求。服务器接收到请求之后就会对请求做相应的处理,并将结果返回给浏览器。

(4)浏览器拿到资源之后对页面进行加载、解析、渲染,最后呈现给用户。

5.谷歌浏览器之 HTTP 请求分析

打开 Chrome 开发工具(这里我们以打开百度网址为例),如下图:

 

 

  • Elements(元素面板):使用“元素”面板可以通过自由操纵 DOM 和 CSS 来重演您网站的布局和设计。

  • Console(控制台面板):在开发期间,可以使用控制台面板记录诊断信息,或者使用它作为 shell,在页面上与 JavaScript 交互。

  • Sources(源代码面板):在源代码面板中设置断点来调试 JavaScript ,或者通过 Workspaces(工作区)连接本地文件来使用开发者工具的实时编辑器。

  • Network(网络面板):从发起网页页面请求 Request 后得到的各个请求资源信息(包括状态、资源类型、大小、所用时间等),并可以根据这个进行网络性能优化。

 

 

 

 

需要相关python资料的可以扫一下备注【python】

 

 

以上是关于大佬带你1小时入门 Python 爬虫的主要内容,如果未能解决你的问题,请参考以下文章

致Python初学者-从入门到爬虫开发,这一篇文带你省略学习路上的歪歪扭扭

Python大佬手把手带你用爬虫破解——滑动验证码识别

Python网络爬虫入门,带你领略Python爬虫的乐趣!

大佬带你用 python爬虫获取指定网站所有连接下图片单线程

三个Python爬虫版本,带你轻松入门爬虫!

python爬虫-35-scrapy实操入门,一文带你入门,保姆级教程