Python爬虫小记

Posted 2020-10-22 clouds-114

实习两个月，小记下自己目前的爬虫技巧

一、爬虫实际上是模仿我们平时登录网站的过程，通俗来讲就是给服务器发送请求，服务器接受请求并进行解析，并给出回应，在页面上就得到你想要的界面了。

二、用到的工具是python2.7以及谷歌浏览器。右键点击“检查”选项，Elements是页面内容，Network是请求内容

三、用到的是requests这个库，一般用到的是get和post方法，根据网站访问需求而定。传入的参数有url，headers，params，data。其中params和data都是传入的是字典形式的参数，其中params是get方法时，传参到url中用的，data是post方法传参所用的。

     headers是请求头部，一般网站访问可能要带cookie，而这就在headers中。这些参数在程序中编写加测试看的有点烦躁，不够直观。在这里介绍下postman这个软件，非常好用。可以粘贴复制参数，进行挑选，能提高效率。

 四、接下来是解析得到的页面，有可能一开始出现乱码问题，可以看Element中的head中的“charset”编码方式是什么，得到页面内容后就直接decode("该方式")。解析的工具包有BeautifulSoup和Xpath，BeautifulSoup需要找到class类型以及下面的属性，Google的selector

    可能在程序中得不出你想要的东西，需要自己手动去找关系，不过也比较简单。Xpath的话，调用代码是

from lxml impot etree

tree = etree.HTML(text)

#text为网页内容

k = tree.xpath("路径")

推荐google的xpath-helper插件。直接copy xpath内容，得到属性内容，在该语句后面添加/@该属性

 

 

五、举个解析的小例子，爬下b站的视频链接。

 

 

可以发现Reponse中并没有网站信息，网页源码中也没有网站信息。 我们点开带有页面信息的json链接，https://space.bilibili.com/ajax/member/getSubmitVideos?mid=8820267&pagesize=30&tid=0&page=2&keyword=&order=pubdate

此时打开www.json.cn网站在线解析，可以看出字典中的aid跟平时我们看到的视频id很相似， 验证后确实如此，后续只需要循环得到aid,‘https://www.bilibili.com/video/av{0}/‘.format(aid) 就是视频网址了。附上几行小代码

#encoding:utf-8
import sys
reload(sys)
sys.setdefaultencoding(‘utf-8‘)
import json
from http_requests import Response
url_1 = "https://www.bilibili.com/video/av{0}/"
class gethref():
    def __init__(self):
        self.sess = Response()
    def run(self,url):
            #url = "https://space.bilibili.com/ajax/member/getSubmitVideos?mid=8820267&pagesize=30&tid=0&page=2&keyword=&order=pubdate"
            html = self.sess.get_response(method="get",url = url)
            if not html:
                html = self.sess.get_response(method="get", url=url)
            text = html.content.decode(‘utf-8‘)
            text = json.loads(text)
            print text
            k =  text["data"]["vlist"]
            for i in k:
                id =  i["aid"]
                with open("bzhan_href.txt","a") as f:
                    f.writelines(url_1.format(id)+"\\n")
app = gethref()
for i in range(1, 13):
    url = "https://space.bilibili.com/ajax/member/getSubmitVideos?mid=8820267&pagesize=30&tid=0&page={0}&keyword=&order=pubdate".format(str(i))
    app.run(url)

http_requests是用的代理程序，用request也是一样可以的。