写一个简单的爬虫

Posted 2020-11-22 wowhy

（一）关于爬虫的合法性

以淘宝网为例，访问

https://www.baidu.com/robots.txt

最后有两行代码：

User-Agent: *
Disallow: /

意思是除了之前指定的爬虫，不允许其他爬虫爬取任何数据。

（二）html、CSS、javascript知识准备

（三）使用requests库请求网站

(1)Get方式  以www.cntour.cn为例

1 url = ‘http://www.cntour.cn/’
2 strhtml = requests.get(url)
3 print(strhtml.text)

(2)Post方式 以http://fanyi.youdao.com/为例

首先确定其信息传送方式及相关url。按F12出现开发者工具:

当完成翻译，选择网络->XHR，出现我们要的URL，之后将它提取出来并赋值给url：

查看此url的详情，确定其提交方式和具体信息：

Post请求获取数据的方式不同于Get，必须构建请求头。表单数据(Form data)中请求参数如下，将其复制并会构造成一个字典：

接下来开始使用 requests.post 方法请求表单数据：

 1 import requests
 2 import json
 3 def get_translate_data(word=None):
 4     url=‘http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule‘
 5     Form_data = {i":"我爱中国
","from":"AUTO","to":"AUTO","smartresult":"dict","client":"fanyideskweb","salt":"15741317307555","sign":"8c28354728736eb14f6c6e7330b7d4c0","ts":"1574131730755","bv":"e2a78ed30c66e16a857c5b6486a1d326","doctype":"json","version":"2.1","keyfrom":"fanyi.web","action":"FY_BY_REALTlME"}
 6     # 请求表单数据
 7     response = requests.post(url, data=payload)
 8     # 将JSON格式字符串转字典
 9     content = json.loads(response.text)
10     # 打印翻译后的数据
11     print(content[‘translateResult‘][0][0][‘tgt‘])
12 if _name_==‘_main_‘:
13     get_translate_data(‘我爱数据‘）

(四)使用BeautifulSoup解析网页

通过requests库已经可以抓到网页源码，接下来要从源码中找到并提取数据——使用bs4库中的BeautifulSoup库。

首先html文档被转换成unicode编码格式，然后我们指定了lxml解析器对这段文档进行解析。解析后html文档变成树形结构，每个节点都是python对象。解析后的文档存储进新建的变量soup中。用select(选择器)定位数据，用“检查元素”,右击 copy->copy selector自动复制路径。

依然以www.cntour.cn为例：

1 import requests
2 from bs4 import BeautifulSoup
3 url=‘http://www.cntour.cn/‘
4 strhtml=requests.get(url)
5 soup=BeautifulSoup(strhtml.text, ‘lxml‘)
6 data=soup.select(‘main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a‘)
7 print(data）