骚话Python爬虫入门，教你刷网课丶刷文章阅读量丶刷刷刷

Posted 2020-12-20 sn8888

走过路过不要错过，学不会没关系，长点见识也是可以的啦。

简介

博主于17年开始自学的python, 期间做过各个领域的python开发，包括爬虫, web, 硬件, 桌面应用, AI, 数据分析。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！??¤
QQ群：623406465

可能有人会问python能做硬件开发？可自行搜索pyboard丶树莓派丶MicroPython， 描述python最有精髓的一句话: python 除了不能生孩子， 啥都能干。
?

通过该篇文章，读者可以发现爬虫入门并不难，还可以知道那些大学生网络刷视频课程的实现原理，以及抢票工具的实现原理，并且可以自己动手编写一个简单爬虫。当然入门容易, 出来未并容易。
?
其实很多东西看似难，其实很容易，你觉得难的原因仅仅是因为你不知道它的原理， 奉劝读者学习的过程中多了解一下实现原理， 这也是我切身体会。
?

本质

• 爬虫是一种获取网络信息的脚本，方便帮助人们快速的丶大量的从网络上的获取一些信息。
• 简单地说，比如你在一个网站上看到很多坏坏的图，你好喜欢，想下载下来，但是一个个点太费劲了，如果你是个妹子，或许能喊来一群甜 dog帮你。
  ?
• 但是像博主这种没人疼, 没人爱的单身dog, 只能靠自己的双手了，三下五除二， 撸了一段代码搞定，代码如下:
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
• 代码呢? 年轻人做事不能这么着急，慢慢来嘛, 讨厌。心急吃不了热豆腐。

?

• 紧接着，博主继续阐述爬虫的本质。上文说到爬虫是自动化获取网络信息的脚本。, 那么脚本操作的本质又是啥? 要知道脚本的操作本质，那么得知道你操作浏览器时，人家浏览器是怎么操作的，例如:

  • 当你点击一个页面的时候，客户端浏览器向指定的服务器发送一个GET请求，服务端接受到该请求之后便会返回响应内容，客户端浏览器接受到响应内容便会进行解析渲染，此时你就看到了页面上的内容。这期间还涉及客户端是如何找到服务端的(DNS协议), 客户端跟服务端是如何通信的(TCP协议), 这两个协议这里就不作解析了，再说就超纲了，博主是一个正直的男人(单身，划重点)，违背伦理道德的事我不干，可以自行和百度老师好好深入交流。

  • 当你想点赞我的文章时候，此时万恶的浏览器告诉你(其实罪魁祸首是服务器端代码)，需要登录，你拒绝登录的话，那么我就损失了一个赞，所以你还是行行好，登录一下点赞吧, 你是个好人。
    ?
    在登录的时候，发现你没有注册，不管注册还是登录，你需要在浏览器输入账号密码(扫码登录), 当你操作完成之后点登录，客户端浏览器会向服务端发送一个POST请求进行操作，服务端会进行一系列的操作然后响应给客户端，客户端浏览器会弹出提示告诉你操作状态(登录成功, 或者失败)。GET请求和POST请求有什么不同? GET请求的内容实体会带在网址的后面，POST请求的内容实体会带在请求体里面。还有XXX， 不告诉你(百度)。

  • 了解了请求的GET和POST，对于本篇文章已经够用了(还有PUT,DELETE,OPTION)， 如果想深入了解的可以百度搜索: 详解HTTP请求 , 写太深入就没人看了。?

• 网络刷课，抢票软件，刷文章访问量等软件的实现原理也是基于网络请求的操作，只不过很多站点会增加一些反爬虫机制，如ip限制，登录加密，操作内容体加密，当然这些也是可以搞定的。

Python

也不知道我的读者有没有学过python, 甚至可能没有学过编程，但是没关系，很简单的。
接下来，带你如何快速入门python：

由于一篇文章的篇幅有限， 请自行查找python入门教程， 如果觉得不够骚，可以私信我写。

本人就是网上闷骚男， 网下腼腆男。
?

实战

• 各位看官，现在又到了紧张的实战环节， 我狂铁贼六，又狂又头铁， 进可一打五，退可六分投。
  ?

• 首先介绍两个Python的三方模块requests, BeautifulSoup。

  • requests是一个网络请求库，用于实现上文说到的GET, POST等请求，官方文档点我。
  • BeautifulSoup库是一个网页文本解析模块，用于检索我们需要的内容， 官方文档点我。
  • pip install requests, pip install BeautifulSoup4分别安装这两个包。

• 入门教程从简， 以一个斗图网的表情包套图页面为例，实现该页面下所有图片的下载， 点我查看网页。

  • 先通过requests模块获取网页文本数据:

    import requests #  导入模块
    
    
    def get_html_text(url):  # 获取html文本内容
        """
        获取html文本
        :param url:
        :return:
        """
        return requests.get(url).text  # 这里通过GET请求拿到返回的网页文本内容
    
    
    if __name__ == ‘__main__‘:
        url = ‘http://www.bbsnet.com/xiongmaoren-18.html‘
        html_text = get_html_text(url)
        print(html_text)

     

    

  • 分析网页结构，鼠标对准图片，右键点检查元素, 如图:
    ?
    在右图中可以看到，所有的图片均包含在id=post_content的div标签里面, 然后其下面是一些p标签，img中src有图片的链接，点进去可以直接看到一张图片。
    ?
    现在要做的事情，就是提取这些图片链接，再通过GET请求和文件操作进行图片的保存。

  • 用BeautifouSoup查找这些图片的链接地址, 定义一个函数来完成这件事情:

    def get_images_urls(html_text):
        """
        获取图片链接
        :param html_text:
        :return:
        """
        urls = []   # 保存提取的url列表
        soup = BeautifulSoup(html_text, ‘html.parser‘)  # 创建一个soup对象，可以打印出来看看里面的内容
        div_tag = soup.find(‘div‘, {‘id‘: ‘post_content‘})  # 查找id=post_content的标签
        img_tag_list = div_tag.find_all_next(‘img‘)  # 查找div下面的所有img标签
        for img_tag in img_tag_list[:-4]:  # 观察找到结果发现从倒数第四个开始并不是表情包，所以只迭代到倒数第四个
            url = img_tag.attrs[‘src‘]   # 提取img标题的src元素的值
            urls.append(url)
        return urls

     

    

  • 然后需要定义一段代码，来完成图片的保存, 如下:

    def save_images(dir, urls):
        """
        保存图片
        :param urls:
        :return:
        """
        if not os.path.exists(dir):  # 使用os模块来判断文件夹是否存在，不存在则创建
            os.makedirs(dir)
        count = 1
        
        for url in urls:
            print(‘正在下载第{}张图片...‘.format(str(count)))
            ext = url.split(‘.‘)[-1]  # 拿到图片的扩展名 
            filename = dir + ‘/‘ + str(count) + ‘.‘ + ext  # 拼接图片的存储路径
            content = requests.get(url).content  # 通过GET请求获取图片的二进制内容，注意拿网页源码时候是text
            with open(filename, ‘wb‘) as f:  # 已写二进制的形式打开文件
                f.write(content)  # 将图片内容写入
            count += 1   # count 用于图片命名和计数，递增1

     

    

  • 代码运行结果:
    ?

  • 这时候就会有杠精说: 这一页不就15个图片嘛，我点几下就完事了，写个代码时间还比较长时间。又或者有虚心向学者问: 怎样爬取整个网站的图片或者某一分类下所有的图片。那么已斗图表情包分类下的图片为例子, 参照之前讲述的步骤, 看下网页结构:
    ?
    可以看到右侧我圈红的框内容包含了一些li标签，li标签对应的就算每一个封面图， 我们要找到的就是蓝钱画出来的url，对应之前代码的url, 只要我们把这些url都找出来，再调用我们之前的代码就可以下载所有的图片了, 当然这里还涉及分页， 分页的操作方法也是一样的，只要我们把下一页的链接找出来，再进行访问，直到找不到下一页为止。

  • 贴上爬取单个页面的完整代码，爬取分类的读者自己琢磨怎么去实现。

    # _*_coding:utf8_*_
    # Project: spider
    # File: main.py
    # Author: ClassmateLin
    # Email: [e-mail]
    # 有项目的可以滴滴我, Python/Java/PHP/Go均可。WX： ClassmateYue
    # Time: 2020/2/21 4:54 下午
    # DESC:
    import requests
    import os
    from bs4 import BeautifulSoup
    
    
    def get_html_text(url):
        """
        获取html文本
        :param url:
        :return:
        """
        return requests.get(url).text
    
    
    def get_images_urls(html_text):
        """
        获取图片链接
        :param html_text:
        :return:
        """
        urls = []   # 保存提取的url列表
        soup = BeautifulSoup(html_text, ‘html.parser‘)  # 创建一个soup对象，可以打印出来看看里面的内容
        div_tag = soup.find(‘div‘, {‘id‘: ‘post_content‘})  # 查找id=post_content的标签
        img_tag_list = div_tag.find_all_next(‘img‘)  # 查找div下面的所有img标签
        for img_tag in img_tag_list[:-4]:  # 观察找到结果发现从倒数第四个开始并不是表情包，所以只迭代到倒数第四个
            url = img_tag.attrs[‘src‘]   # 提取img标题的src元素的值
            urls.append(url)
        return urls
    
    
    def save_images(dir, urls):
        """
        保存图片
        :param urls:
        :return:
        """
        if not os.path.exists(dir):  # 使用os模块来判断文件夹是否存在，不存在则创建
            os.makedirs(dir)
        count = 1
    
        for url in urls:
            print(‘正在下载第{}张图片...‘.format(str(count)))
            ext = url.split(‘.‘)[-1]  # 拿到图片的扩展名
            filename = dir + ‘/‘ + str(count) + ‘.‘ + ext  # 拼接图片的存储路径
            content = requests.get(url).content  # 通过GET请求获取图片的二进制内容，注意拿网页源码时候是text
            with open(filename, ‘wb‘) as f:  # 已写二进制的形式打开文件
                f.write(content)  # 将图片内容写入
            count += 1   # count 用于图片命名和计数，递增1
    
    
    if __name__ == ‘__main__‘:
        url = ‘http://www.bbsnet.com/xiongmaoren-18.html‘
        html_text = get_html_text(url)
        image_urls = get_images_urls(html_text)
        save_images(‘./images‘, image_urls)