Scrapy 基础

Posted 2020-11-25 nori

1.requests 安装：
    -pip install requests
    确认requests是否安装成功
    -import requests
   eg :
    -import requests
    r = requests.get("htpp://www.baidu.com")# 获取百度
    r.status_code #状态码
    返回值 ：200 说明 请求成功
    t.encoding = ‘utf-8‘
    t.text #打印百度的html网页的代码
    --
        html 代码
    --
2.get方法：
    r =requests.get(url)
    request.get(url,params=None, **kwargs)
    url: 拟获取页面的url的链接，
    params: url中的额外参数，字典或字节流格式，可选
    ** kwargs 可选的

3.Response 对象：
    -属性：
        r.status_code：http请求的返回状态，200表示链接成功， 404表示连接失败
        t.text; http响应内容的字符串形式， 即， url对应的页面内容
        r.encoding:从http header中猜测的响应内容编码方式，
        r.apparent_encoding: 从内容分析出的响应内容编码方式（备选编码方式）
        r.content :http响应内容的二进制形式

4.requests库的异常：
    requests.ConnectionError:网络连接错误异常，如DNS查询失败，拒绝链接等
    requests.HTTPError:HTTP错误异常
    requests.URLRequired:URL缺失异常
    requests.TooManyRedirects:超过最大重定向次数，产生重定向异常
    requests.ConnectTimeout:链接远程服务器超时异常
    requests.Timeout:请求URL超时， 产生超时异常
    r.raise_for_status():如果是200， 产生异常requests.HTTPError
    -爬取网页的通用代码的框架：
        import requests
        def getHTMLText(url):
            try:
                r = requests.get(url, timeout=30)
                r.raise_for_status()#如果状态不是200， 引发HTTPError异常
                r.encoding = r.apparent_encoding
                return r.text
            except:
                return "产生异常"

        if __name__=="__main__":
            url="http://www.baidu.com"
            print(getHTMLText(url))

requests库的head()方法：
    r=requests.head("http://httpbin.org/get")
    r.headers
requests库的post()方法：
    payload={‘key1‘:‘value1‘, ‘key2‘:‘value2‘}
    r = requests.post("http://httpbin.org/post", data=payload)
    print(r.text)

5.Requests 库的7个方法：
requests.request():构造一个请求，支撑以下各个方法的计出方法
requests.get():获取HTML网页的主要方法， 对应HTTP的GET
requests.head():获取HTML网页头信息的方法， 对应于HTTP的HEAD
requests.post():向html网页提交post请求的方法， 对应HTTP的POST
requests.put():向html网页提交PUT请求的方法， 对应HTTP的PUT
requests.patch():向html网页提交局部修改请求， 对应HTTP的PATCH
requests.delete():向html页面提交删除请求，对应于HTTP的DELETE

requests.request(method, url, **kwargs)
    -method:请求方式， 对应get/post/put等7种
    -url:拟获取网页的url链接
    **kwargs:控制访问的参数，共13个

    -13个参数：
      --params:字典或者序列， 作为参增加到url中
        kv={‘key1‘:‘value1‘, ‘key2‘:‘value2‘}
        r = requests.request("GET", ‘http://python123.io/ws‘, params=kv)
        print(r.url)
        返回值
        ----
        >>>https://python123.io/we?key1=value1&key2=value2
        -----
      --data:字典， 字节序列或文件对象， 作为Request的内容
        kv={‘key1‘:‘value1‘, ‘key2‘:‘value2‘}
        r = requests.request("GET", ‘http://python123.io/ws‘, data=kv)
        body=‘主体内容‘
        r = requests.request("POST", ‘http://python123.io/ws‘, data=body)
      --json:json格式数据，作为Request的内容
        kv = {‘key1‘:‘value1‘}
        r=requests.request(‘POST‘, ‘http://python123.io/ws‘, json=kv)
      --headers:字典， http定制头
        hd={‘user-agent‘:‘Chrome/10‘}
        r=requests.request(‘POST‘, ‘http://python123.io/ws‘, headers=hd)
      --cookies:字典或CookieJar, Request中的cookie
      --auth:元组， 支持HTTP认证功能
      --file:字典类型，传输文件
        fs = {‘file‘:open(‘data.xls‘,‘rb‘)}
        r = requests.request(‘POST‘, ‘http://python123.io/ws‘, file=fs)
      --timeout:设定超时时间，秒为单位
        r = requests.request(‘GET‘, ‘http://python123.io/ws‘,timeout=10)
      --proxies:字典类型， 设定访问代理服务器， 可以增加登录认证
        pxs = {‘http‘:‘http://user:pass@10.10.10.1:1234‘
                ‘https://10.10.10.1:4321‘
        }
        r=requests.request(‘GET‘,‘http://www.baidu.com‘, proxies=pxs)
      --allow_redirects:True/False, 默认为True, 重定向开关
      --stream:True/False, 默认为True, 获取内容立即下载开关
      --verify:True/False, 默认为True， 认证SSL证书开关
      --cert:本地SSL证书路径

Robots协议：
    Robots Exclusion Standard 网络爬虫排除标准
    作用：网站告知网络爬虫那些页面可以抓取， 那些不行
    形式：在网站的根目录下
  --Robots协议的使用：
    网络爬虫：自动或人工识别robots.txt, 在进行内容爬取
  --约束性:Robots协议是建议但非约束性， 网络爬虫可以不遵守， 但是存在法律风险

---图片下载与保存：

import requests
r=requests.get(url)
with open(path, ‘wb‘) as f:
    f.write(r.content)
=================================
IP地址的查询：------
              -----------------------
import requests
url = ‘http://m.ip138.com/ip.asp?ip=‘
try:
    r = requests.get(url+‘202.204.80.112‘)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text)
except:
    print(‘爬取失败！‘)

===============
-------------------------
beautifulsoup4的安装：
    -pip install beautifulsoup4
BeautifulSoup测试：
-----------------------
import requests
r=requests.get(‘http://python123.io/ws/demo.html‘)
print(r.text)
demo=r.text
from bs import BeautifulSoup
soup = BeautifulSoup(demo, ‘html.parser‘)
print(soup.prettify())
=======================
6. BeautifulSoup 库的理解
=======================
    --解析，遍历，维护，"标签树"的功能库
    ==Beautiful Soup 类的基本元素
        --Tag:标签， 最基本的信息组织单元， 分别用<>和</>标明开头和结尾
        --Name:标签的名字，<p>……</p>的名字是‘p‘, 格式：<tag>.name
        --Attributes:标签的属性， 字典形式组织， 格式：<tag>.attrs
        --NavigableString:标签内非常属性字符串，<>…</>中字符串吗格式：<tag>.string
        --Comment:标签内字符串的注释部分， 一种特殊的Comment类型
    ==标签树的下行遍历
        .content:子节点的列表， 将<tag>所有儿子节点存入列表
        .children:子节点的迭代类型，与.content类似， 用于循环遍历儿子节点
        .descendants:子孙节点的迭代类型，包含所有的子孙节点，用于循环遍历
    ==标签树的上行遍历
        .parent:节点的父亲标签
        .parents:节点先辈标签的迭代类型，用于循环遍历先辈节点
    ==标签树的平行遍历
        .next_sibling:返回按照HTML文本顺序的下一个平行节点标签
        .previous_sibling:返回按照HTML文本顺序的上一个平行节点标签
        .next_siblings:迭代类型， 返回按照HTML文本顺序的后续所有平行的节点
        .previous_siblings:迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

========
        .prettify()

========

--信息标记的三种形式：
    --信息的标记：
        --标记后的信息可形成信息组织结构，增加信息维度
        --标记后的信息可用于通信、存储或展示
        --标记的结构与信息一样具有重要的价值，
        --标记的信息更利于程序的理解胡运用
        =====
        HTML知识： …………
            Xml 信息标记语言
            json:有类型的键值对 （key:value）
            YAML:无类型的键值对 （没有双引号""）
                --"|" 表达整块数据 # 表注释

        =====
        信息提取的一般方法：
            方法一：
                完整解析信息的标记形式，在提取关键信息
                    XML JOSN YAML
                    需要标记解析器， 例如：bs4的标签树的遍历
            方法二：
                五十标记形式， 直接搜索关键信息
                搜索
            ---对信息的文本查找函数即可，
            优点：提取过程简洁，速度较快
            缺点，提取结果准确性与信息内容相关
========
代码： =
========================================================
import requests
r=requests.get(‘http://python123.io/ws/demo.html‘)
print(r.text)
demo=r.text
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo, "hrml.parser")
for link in soup.find_all(‘a‘):
    print(link.get(‘href‘))
=========================================================
    -- <>.find_all(name, attrs,recursive, string, **kwargs)
        返回一个列表类型， 存储查找结果，
        --name:对标签名称的检索字符串。
        --attrs:对标签属性值的检索字符串，可标注属性检索。
        --recursive:是否对子孙全部检索，默认True
        --string:<>…</>中字符串区域的检索字符串

=========================================================
url:http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html
功能描述：
    -输入：大学的URL链接
    -输出：大学排名信息的屏幕输出（排名， 大学名称， 总分）
    -技术路线：requests-bs4
    -定向爬虫：仅对输入url进行爬取， 不扩展爬取
程序的结构设计：
    -步骤1：从网络上获取大学排名网页内容
        -- getHTMLText()
    -步骤2：提取网页内容中信息到合适的数据结构
        -- fillUnivList()
    -步骤3：利用数据结构战术输出结果
        --:printUnivList()

代码：
=========================================================================
import requests
import bs4
from bs4 import BeautifulSoup

def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""

def fillUnivList(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    for tr in soup.find(‘tbody‘).children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr(‘td‘)
            ulist.append([tds[0].string, tds[1].string, tds[3].string])

def printUnivList(ulist, num):
    print("{:^10}	{:^6}	{:^10}".format("排名", "学校", "评分"))
    for i in range(num):
        u = ulist[i]
        print("{:^10}	{:^6}	{:^10}".format(u[0], u[1], u[2]))

def main():
    uinfo = []
    url = "http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html"
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)

if __name__ == ‘__main__‘:
    main()
=========================================================================
中文对齐问题的解决：
    采用中文字符的空格填充 chr(12288)
========================================
def printUnivList(ulist, num):
    tplt = "{0:^10}	{1:{3}^10}	{2:^10}"
    print(tplt.format("排名", "学校", "总分", chr(12288)))
    for i in range(num):
        u = ulist[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288) ))
=========================================================
7.正则表达式：
    regular expresson regex RE
    正则表达式是用来简洁表达一组字符串的表达式
    -通过的字符串表达框架
    -简洁表达一组字符串的表达式
    -针对字符串表达“简洁”和“特征”思想的工具
    -判断某字符串的特征归属

    正则表达式在文本处理中十分常用
        -表达文本类型的特征（病毒、入侵等）
        -同时查找或替换一组字符串
        -匹配字符串的全部或部分

    正则表达式的使用
        -编译：将符合正则表达式语法的字符串转换成正则表达式特征

    正则表达式的语法：
        正则表达式语由字符和操作符构成

RE库的介绍：
    RE库是Python的标准库， 主要用于字符串匹配。
        调用方式： import re

    正则表达式的表示类型
        -raw string类型（原生字符串类型--- 不包含转义符的字符串）
         * re库采用raw string类型表示正则表达式， 表示为“r.text”
         * string 类型， 更繁琐
     RE库主要的功能函数：
        -re.search():在一个字符串中搜索匹配正则表达式的第一个位置， 返回match对象
            *re.search(pattern, string, flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -string：待匹配的字符串
                -flags:正则表达式使用时的控制标记
        -re.match():从一个字符串的开始位置起匹配正则表达式， 返回match对象
            *re.match(pattern, string, flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -string：待匹配的字符串
                -flags:正则表达式使用时的控制标记
        -re.findall():搜索字符串， 以列表类型返回全部能匹配的子串
             *re.findall(pattern, string, flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -string：待匹配的字符串
                -flags:正则表达式使用时的控制标记
        -re.split():将一个字符串按照正则表达式匹配结果进行分割， 返回列表类型
               *re.split(pattern, string,maxslplit=0, flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -string：待匹配的字符串
                -maxslplit:最大分割数， 剩余部分作为最后一个元素输出
                -flags:正则表达式使用时的控制标记
        -re.finditer():搜索字符串， 返回一个匹配结果的迭代类型，每个迭代元素是match对象
               *re.finditer(pattern, string, flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -string：待匹配的字符串
                -flags:正则表达式使用时的控制标记
        -re.sub():在一个字符串中替换所有匹配正则表达式的字串， 返回替换后的字符串
               *re.sub(pattern, replstring, coount=0,flags=0)
                -pattern: 正则表达式的字符串或原生字符串表示
                -repl:替换匹配字符串的字符串
                -string：待匹配的字符串
                -count:匹配的最大替换次数
                -flags:正则表达式使用时的控制标记
=================================================================
======淘宝商品比价定向爬虫 示例编写
=================================================================
功能描述：
    *目标：获取淘宝搜索页面的信息，提取其中的商品名称和价格。
    *理解：淘宝的搜索接口。
        -翻页的处理：
    *定向爬虫可行性
        robots.txt
程序的结构设计
    步骤1：提交商品搜索的请求，循环获取页面。
    步骤2：对于每个页面， 提取商品名称和价格信息
    步骤3：将信息输出到屏幕上