爬虫页面

Posted 2020-11-15 cui00

9.31

爬取百度

import urllib.request

response=urllib.request.urlopen(‘http://www.baidu.com‘)
print(response.read().decode(‘utf-8‘))

爬取

10.1

1. 主动提交url
   2.设置友情链接
   3.百度会和DNS服务商务合作，抓取新页面?
   爬取步骤
   1.给一个url
   2.写程序，模拟浏览器访问url
   3.解析内容，提取数据
   使用库  urllib equestss4
   解析网页  正则表达式s4xpathjsonpath
   涉及动态html   selenium+phantomjschromeheadless

10.2

Python 爬虫架构

主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序。

• 调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
• URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
• 网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
• 网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
• 应用程序：就是从网页中提取的有用数据组成的一个应用。

10.3
scrapy框架
scrapy-redis组建
涉及到爬虫-反爬虫-反反爬虫的一些内容UA,代理，验证码，动态页面
fiddler抓包工具
1.配置    tools=>options=>https
             选中:capture  https 
             decrypt https   trafic
               ignore    xxx
            点击:action  ok
配置完成把fiddler关闭重启
一个页面的呈现，中间有好多的http请求，平均一个网页有10-15个http请求
抓包
<>:html内容
{json}:json数据，很可能就是个接口
{css}:css文件
{js}:js文件
停止抓取 :   file=>copture  点击就会切换
点击请求:右边选中 Instpectors
        右上:http请求信息
                raw:请求头部的详细信息
               webforns:请求所带参数,query_string
formdata
        右下:http响应信息
              首先点击黄色条进行解码
              raw:响应的所有信息
              headers:响应头
             json:接口返回内容
        左下黑色框，输入指令
              clear:清除所有请求
              select json:选择所有json请求
              select image:选择图片请求
             select html:选择html请求
             ?内容:搜索内容有关的请求
10.4

1. urllib库
   模拟浏览器发送请求的库，Pythion自带
   Python2:urllib  urllib2
   python3:urllib.request     urllib.parse
   字符串=>二进制字符串的转换
        encode()字符串=>字节类型
             如果括号里面不写默认utf8，如果些就是gbk
        decode()字节类型=>字符串
             如果括号里面不写默认utf8，如果些就是gbk
   ⑴urllib.request属性方法
            urlopen
            urlretrieve
   ⑵urlib.parse属性方法
   ⑶response属性方法
          read()读取响应内容，内容是字节类型
          geturl()获取请求的url
        getheaders()获取响应头信息，列表里面有元组
           getcode()获取状态码
       readlines()获取按行读取，还回列表，字节类型
   例子1:
   import    urllib.request
   url=‘http://www.baidu.com‘
   #完整的url
   #url=‘http://www.baidu.com:80/index.html?name=123#lala
   response=urllib.request.urlopen(url=url)
   #print(response.read( ).decode())发送请求响应
   with open(‘baidu.html‘,‘w‘,encoding=‘utf8‘) as fp:
          fp.write(response.read().deconde())
   10.5
2. 5.sublime使用
         1.安装，激活
         2.安装插件管理器
                    packagecontrol
                     安装两种方式
                        1.指令安装
                         2.下载包放在指定位置
         3.安装插件
              输入ctrl+shift+p
              输入pic，选中 instanll packages
              进入输入插件名字点击就能安装