爬虫初识
Posted golanguage
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫初识相关的知识,希望对你有一定的参考价值。
爬虫
什么是爬虫?
通过编写代码,模拟浏览器发送请求,让其去网络上抓去数据的过程。
爬虫分类?
通用爬虫
- 抓取整张网页的全部内容
聚焦爬虫
- 抓去一张页面的部分内容
通用爬虫和聚焦爬虫的关联:
- 聚焦是建立在通用爬虫的基础上
增量式
- 监测网站数据的更新情况,以便将最新的数据进行爬取。
reqeusts基本介绍
- 作用:实现爬虫,模拟浏览器上网。
- 编码流程:
- 指定url地址(指定要爬取的网站地址)
- 发起请求
- 获取响应的数据
- 持久化储存
- 环境安装: pip install requests
反爬之UA伪装
- 什么是UA?
- 请求载体的身份标识
- UA查找路径:打开浏览器,搜索一个网页→Ctrl+Shift+c→Network→选择网址对饮的name→Headers→User-Agent(把后面的值复制)
- 常用浏览器请求头UA
1) Chrome
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (Khtml, like Gecko) Chrome/14.0.835.163 Safari/535.1
win10 64
Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36
2) Firefox
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0
3) Safari
Win7:
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50
4) Opera
Win7:
Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50
5) IE
Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 2.0.50727; SLCC2; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; Tablet PC 2.0; .NET4.0E)
Win7+ie8:
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)
WinXP+ie8:
Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; GTB7.0)
WinXP+ie7:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)
WinXP+ie6:
Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)
6) 傲游
傲游3.1.7在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; ) AppleWebKit/534.12 (KHTML, like Gecko) Maxthon/3.0 Safari/534.12
傲游3.1.7在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
7) 搜狗
搜狗3.0在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E; SE 2.X MetaSr 1.0)
搜狗3.0在Win7+ie9,高速模式:
Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.3 (KHTML, like Gecko) Chrome/6.0.472.33 Safari/534.3 SE 2.X MetaSr 1.0
8) 360
360浏览器3.0在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E)
9) QQ浏览器
QQ浏览器6.9(11079)在Win7+ie9,极速模式:
Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201
QQ浏览器6.9(11079)在Win7+ie9,IE内核兼容模式:
Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.3; .NET4.0C; .NET4.0E) QQBrowser/6.9.11079.201
10) 阿云浏览器
阿云浏览器1.3.0.1724 Beta(编译日期2011-12-05)在Win7+ie9:
Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)
"""
搜狗首页的源码数据爬取
需要UA伪装
"""
import requests
inp = input('搜索:')
params = {
# url携带的请求参数
'query': inp,
}
# UA伪装,请求头信息
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 指定url(网址)
url = f'https://www.sogou.com/web'
# get发起请求,携带请求参数,返回的是一个响应对象
# url 网址,params 参数动态化,headers UA伪装
response = requests.get(url=url, params=params, headers=headers)
response.encoding = 'utf-8' # 手动修改编码格式指定utf8,处理乱码问题
# 获取响应数据 .test
page_text = response.text
fileName = inp + '.html'
# 持久化存储
with open(fileName, 'w', encoding='utf-8') as f:
f.write(page_text)
print('ok')
反爬之动态加载
需求:爬取豆瓣电影中爱情类型中的详情数据
- 动态加载的数据:通过另一个请求单独请求到的数据
- 如何检测爬取的数据是否为动态加载的数据?
- 基于抓包工具进行局部搜索
- 抓包工具获取到的所有数据包,然后找到浏览器地址栏url对应的数据包,response这个选项卡中进行局部搜索(搜到或者搜不到)
- 搜不到:数据为动态加载
- 全局搜索Ctrl+F,搜索想要的数据
- 能搜到:数据不是动态加载
- 直接对浏览器地址栏的url发起请求获取数据即可
- 搜不到:数据为动态加载
- 抓包工具获取到的所有数据包,然后找到浏览器地址栏url对应的数据包,response这个选项卡中进行局部搜索(搜到或者搜不到)
- 基于抓包工具进行局部搜索
代码实现单页爬取
import requests
# UA伪装,请求头信息
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
# 请求携带的参数
params = {
'type': '15',
'interval_id': '100:90',
'action': '',
'start': '0',
'limit': '20',
}
# 请求的网址
url = "https://movie.douban.com/j/chart/top_list?"
# 发起请求 url网址 headers请求头 params请求携带的参数
res = requests.get(url=url,params=params,headers=headers)
data_list = res.json() # 返回的是序列化的列表
for i in data_list:
title = i["title"]
types = i["types"]
print(title,types)
需求:餐厅的位置信息进行爬取
代码实现全站爬取
- data参数相当于params,实现参数动态化
import requests
url = "http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword"
city = input("city name : ")
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
# 全站信息爬取
for i in range(1,111):
# 获取餐厅地址所需要的动态参数,键值对,值为str
data = {
'cname': '',
'pid': '',
'keyword': city, # 数据的搜索地址
'pageIndex': str(i), # 数据的页码数
'pageSize': '10', # 每一页的数据量
}
# headers请求头 data参数动态化
pos_list = requests.post(url=url,headers=headers,data=data).json()["Table1"] # 返回一个响应对象 .json()返回了一个序列化好的字典对象 ['Table1']获取Key所对应的value值
for i in pos_list:
s = i["addressDetail"]
print(s)
requests中,get和post的区别就是参数一个是params,一个是data。
需求:所有企业的详情数据
- 网址:http://125.35.6.84:81/xk/
- 分析
- 每一家企业所对应的详情数据是动态加载的
- 通过抓包工具进行了全局搜索,定位到了动态加载数据对赢得数据包
- 提取url:每家企业对应的url都一样
- 请求方式:都一样
- 请求参数:都为ID,但是参数值不同
- ID为每家企业的唯一标识
- 捕获到每家企业的唯一标识id,可以完成需求
- 对企业ID的捕获
- 在首页中进行分析,使用抓包工具进行了企业名称的全局搜索,定位到的数据包的数据中就包含了企业名称和对应的id值
代码实现全站爬取
import requests
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36'
}
url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList"
# 将企业ID存放到列表中
list_1 = []
# 爬取全栈(目前只爬取9页,爬多了之后会被限制)
for a in range(1,10):
data = {
'on': 'true',
'page': str(a),
'pageSize': '15',
'productName': '',
'conditionType': '1',
'applyname': '',
'applysn': '',
}
ret_dic = requests.post(url=url,data=data,headers=headers).json()['list'] # .json()返回一个字典类型的对象 ['list']取字典中list对应的值
# 捕获企业ID
for i in ret_dic:
_id = i['ID']
list_1.append(_id)
detail_url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById"
for i in list_1:
data = {
'id': i
}
com_data = requests.post(url=detail_url,headers=headers,data=data).json()
legalPerson = com_data["legalPerson"]
epsName = com_data["epsName"]
print(legalPerson,epsName)
# 测试了一遍,只爬取了50页,就限制了
总结
- requests的基本使用
- 编码流程
- 指定url
- 发起请求
- 获取响应数据
- 持久化存储
- 搜狗首页数据爬取 ==> 流程
- 参数动态化
- UA伪装
- 修改响应数据的编码格式
- get/post返回值 .encoding=“编码格式”
- get/post:
- url
- headers
- params/data
- 动态加载的数据
- 通过非地址栏url所对应的地址请求到的数据
- 如何检测数据为动态加载
- 基于抓包工具进行局部搜索
- 全站数据的爬取
- 简单来说就是一个for循环,控制页码数
- 编码流程
以上是关于爬虫初识的主要内容,如果未能解决你的问题,请参考以下文章
初识Spring源码 -- doResolveDependency | findAutowireCandidates | @Order@Priority调用排序 | @Autowired注入(代码片段
初识Spring源码 -- doResolveDependency | findAutowireCandidates | @Order@Priority调用排序 | @Autowired注入(代码片段