知名网站建设定制python爬虫基础详细教程

知名网站建设定制本篇内容全部基于B站视频.知名网站建设定制内容所做的笔记，UP知名网站建设定制主讲的十分详细，知名网站建设定制大家可以去看一看。

知名网站建设定制不一定要用python，也可以用java和C，但是python知名网站建设定制是所有编程中最好上手的

robots.txt协议：君子协议，知名网站建设定制规定了网络中哪些数据知名网站建设定制可以被爬取数据，知名网站建设定制哪些不可以

爬虫：知名网站建设定制通过编写程序来获取网知名网站建设定制络上的资源

什么是url

URL知名网站建设定制是统一资源定位符，知名网站建设定制对可以从互联网上得到知名网站建设定制的资源的位置和访问方知名网站建设定制法的一种简洁的表示，知名网站建设定制是互联网上标准资源的地址。知名网站建设定制互联网上的每个文件都知名网站建设定制有一个唯一的URL，知名网站建设定制它包含的信息指出文件知名网站建设定制的位置以及浏览器应该怎处理它。

URL知名网站建设定制由两个主要的部分构成：协议（Protocol）和目的地（Destination）。

“协议”知名网站建设定制是告诉我们自己面对的知名网站建设定制是何种类型的Internet资源。

web中最常见的协议是http，它表示从Web中取回的是HTML文档。其他协议还有gopher，ftp和telnet等。

目的地可以是某个文件名、目录名或者某台计算机的名称。

第一个爬虫

#页面源代码from urllib.request import urlopenurl = "https://blog.csdn.net/Jurbo/article/details/52313636"resp = urlopen(url)print(resp.read().decode("UTF-8"))//输出的字节解码后的
1
2
3
4
5

由于各大网站反爬虫的防护做的还是相当可以的，所以这样的基础代码只能算是一个小尝试，并不能拿来应用。

Web请求过程剖析

• 服务器渲染

  在服务器那边直接把数据和html整合在一起，统一返回给浏览器，在页面源代码中能看到数据

• 客户端渲染

  第一次请求只要一个html骨架，第二次请求拿到数据，进行数据展示，在页面源代码中看不到数据

HTTP协议

协议：两个电脑传输数据时进行的君子约定

HTTP全称Hyper Text Transfer Protocol（超文本传输协议），浏览器和服务器之间数据交互遵守的是HTTP协议

HTTP不论是请求还是响应都是三块内容

#请求请求行  ——>  请求方式（get/post）  请求url地址  协议请求头  ——>  放一些服务器需要的附加信息请求体  ——>  一段放一些请求参数#真正要的东西#响应状态行  ——>  协议  状态码响应头  ——>  放一些客户端要使用的一些附加信息响应体  ——>  服务器返回的真正客户端要用的内容（HTML,json等）
1
2
3
4
5
6
7
8
9

请求头中常见的一些内容（爬虫需要）：

1. User-Agent：请求载体的身份标识（用什么发送的请求）
2. Referer：防盗链（此次请求是从哪个页面来的）
3. cookie：本地字符串数据信息（用户登录信息，反爬的token）

Request模块需要额外安装

案例一（get方式）

import requestsurl = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'resp = requests.get(url)print(resp)print(resp.text)
1
2
3
4
5
6
7

从运行结果可以看出，网页给出了响应，但是明显制止了程序的爬虫操作。为了能够逃过网页的监视，我们要为自己设置一个浏览器身份。

网页鼠标右键点击检查，并进入网络，刷新一下便出现了如下页面。

往下翻看，可以看到一个User-Agent，这是网页所显示的访问的浏览器身份，我们将它复制。

代码更改如下：

import requestsurl = 'https://www.sogou.com/web?query=%E5%91%A8%E6%9D%B0%E4%BC%A6'dic = {    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}resp = requests.get(url,headers = dic)print(resp)print(resp.text)
1
2
3
4
5
6
7
8
9
10

此刻便如愿爬取了网页的源代码

案例二（post方式）

我们用post方式来发送请求，想要获取什么就在右边寻找对应的文件，此时我想要获取蓝色圈住的这些数据，于是我找到了sug文件，并查看它的url。

我们将url赋值给代码的数据，并设置字典来保存我们想要查询的数据

import requestsurl = "https://fanyi.baidu.com/sug"s = input("输入")dic = {    "kw": s}resp = requests.post(url, data=dic)print(resp.json())
1
2
3
4
5
6
7
8
9

post请求一个数据，网页返回了这个单词的意思，就像pycharm的一个字典一样

发送post的请求必须放在字典中，并用data传递数据

get与post的区别

通过以上两个案例我们可以看到get请求方式仅仅是获取浏览器的数据，称为“显式访问”，而post在访问的时候会发送一个数据，比如上述案例的百度翻译原本我们想要查到的是dog的翻译，post方式发送了mun单词，最后我们获取到了mun的汉语意思，这称为“隐式访问”

案例三

XHR：第二次请求数据

import requestsurl = "https://movie.douban.com/j/chart/top_list"#封装参数param = {    "type": "24",    "interval_id": "100:90",    "action":"",    "start": "0",    "limit": "20"}reps = requests.get(url=url, params=param)print("默认User-Agent")print(reps.request.headers)#输出默认访问身份
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

我们寻找浏览器可以进入的User-Agent，并输入

import requestsurl = "https://movie.douban.com/j/chart/top_list"#封装参数param = {    "type": "24",    "interval_id": "100:90",    "action":"",    "start": "0",    "limit": "20"}headers = {    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}reps = requests.get(url=url, params=param,headers=headers)print(reps.text)reps.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

如愿爬取到了信息，但是此时我们看起来不是很方便，转为json换成我们更熟悉的文件。

爬取完信息一定要记得关掉访问，不然会被反爬盯上

数据解析概述

re解析

re解析即正则解析，在线正则表达式测试：

正则语法：使用元字符进行排列组合来匹配字符串

元字符：具有固定含义的特殊符号

常用元字符

.        匹配换行符以外的任意字符\w       匹配字母或数字或下划线\s       匹配任意的空白符\d       匹配数字       匹配一个换行符\t       匹配一个制表符^        匹配一个字符串的开始$        匹配字符串的结尾\W       匹配非字母或数字或下划线\D       匹配非数字\S       匹配非空白符a|b      匹配字符a或字符b()       匹配括号内的表达式，也表示一个组[...]    匹配字符组中的字符[^...]   匹配除了字符组中的所有字符
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

量词：控制前面的元字符出现的次数

*     重复零次或更多次+     重复一次或更多次？    重复零次或一次{n}   重复n次{n,}  重复n次或更多次{n,m} 重复n次到m次
1
2
3
4
5
6

贪婪匹配和惰性匹配

.*    贪婪匹配（匹配最长的一条）.*?   惰性匹配（匹配最短的一条）
1
2

findall

import re# findall:匹配字符串中所有符合正则的内容lst = re.findall(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")print(lst)
1
2
3
4
5

finditer

和findall差不多，只不过返回的是迭代器

import re# findall:匹配字符串中所有符合正则的内容lst = re.findall(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")print(lst)# finditer:匹配字符串中所有的内容[返回的是迭代器]it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")print(it)
1
2
3
4
5
6
7
8
9
10

将代码替换

it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")for i in it:    print(i)
1
2
3

<re.Match>是调用了re模块的匹配方法，span表示了所匹配字符的起始和结束位置，match是匹配到的字符。

想要调用迭代器中的内容，就要使用group，再对代码进行更改

it = re.finditer(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")for i in it:    print(i.group())
1
2
3

结果为迭代器中的内容，运行无误。

search

# search:找到一个结果就返回，返回的是一个match对象，拿数据需要.group()s = re.search(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")print(s.group())
1
2
3

search与find的不同之处在于search只要知道有匹配的字符存在就返回，只寻找一个字符串

match

# match：默认从头开始匹配，如果字符串的第一个字符不是可匹配字符，则无返回值s = re.match(r"\d+", "我的电话号码是10086，我女朋友的电话号码是:10010")print(s.group())
1
2
3

complie

预加载正则表达式

当正则表达式过长时，我们可以使用预加载正则表达式，将要寻找的正则表达式格式储存住，调用时可以用不同的字符串，相当于用一种匹配格式匹配多次字符串，不用我们每次都去编写匹配格式，而且将匹配格式和待匹配语句分开写代码看起来更加整洁。

import reobj = re.compile(r"\d+")ret = obj.finditer("我的电话号码是10086，我女朋友的电话号码是:10010")print(ret)for i in ret:    print(i.group())ret = obj.findall("我的电话号码是10086，我女朋友的电话号码是:10010")print(ret)
1
2
3
4
5
6
7
8
9
10

预加载正则表达式的好处是我们可以在多个地方多次使用。

迭代

在这里我们要区分几个概念

• 可迭代对象

  列表、元组、字符串、字典等都是可迭代对象，可以使用for循环遍历出所有元素的都可以称为可迭代对象（Iterable）。

• 迭代器

  迭代器是一个可以记住遍历的位置的对象。 迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。

• 迭代器和可迭代对象的联系

  1. 可迭代对象是包含迭代器的(迭代器一定是可迭代对象，反之却不一定)

  2. 如果一个对象定义了__iter()__方法，那它就是可迭代对象。

  3. 如果一个对象定义了__iter()__方法和__next()方法，那它就是迭代器。(因为迭代器是可迭代对象，所以一定有__iter())

（？P<分组名字>正则）

可以单独从正则匹配内容中单独匹配内容

import res = '''<div class='赘婿'><span id='女主'>宋轶</span></div><div class='赘婿'><span id='男主'>郭麒麟</span></div>'''# re.S让.可以匹配换行符obj = re.compile(r"<div class='.*?'><span id='.*?'>.*?</span></div>", re.S)ret = obj.finditer(s)for i in ret:    print(i.group())
1
2
3
4
5
6
7
8
9
10
11

此时我们可以在结果中看到惰性匹配为我们把语句全部匹配了出来，但是如果我们只需要’赘婿‘’女主‘这样的信息的话，还需要再添加一个标签，将所需信息保存在标签中并将标签打印输出。

我们将代码更改如下

import res = '''<div class='赘婿'><span id='女主'>宋轶</span></div><div class='赘婿'><span id='男主'>郭麒麟</span></div>'''# re.S让.可以匹配换行符obj = re.compile(r"<div class='(?P<class>.*?)'><span id=(?P<id>'.*?')>(?P<name>.*?)</span></div>", re.S)ret = obj.finditer(s)for i in ret:    print(i.group("class"))    print(i.group("id"))    print(i.group("name"))
1
2
3
4
5
6
7
8
9
10
11
12
13

完美爬取。如果不想要进行换行输出，可以在print后加上end=""，但是建议加上循环换行

豆瓣电影网练手

#拿到页面源代码  requests#通过re来提取想要的有效信息  re模块import requestsimport reurl = 'https://movie.douban.com/top250'header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}resp = requests.get(url, headers=header)page_content = resp.text #爬取到的页面源代码obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>', re.S)result = obj.finditer(page_content)for i in result:    print(i.group("name"))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

成功爬取电影名称

这段代码的思路很简单，首先通过responses获取信息，再建立预加载正则表达式，注意在建立的时候我们要观察所有代码的共同点，不然容易匹配错误从而获取不到我们想要的信息，最后再finditer匹配打印输出。

进一步爬取电影年份信息

#拿到页面源代码  requests#通过re来提取想要的有效信息  re模块import requestsimport reurl = 'https://movie.douban.com/top250'header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}resp = requests.get(url, headers=header)page_content = resp.text #爬取到的页面源代码obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)&nbsp', re.S)result = obj.finditer(page_content)for i in result:    print(i.group("name"))    print(i.group("year").strip())#strip()函数可以消除字符前面或后面的空格，不能消除字符中间的空格
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

成功获取年份

同理我们也可以根据这种方式获取电影评分和观看人数。

#拿到页面源代码  requests#通过re来提取想要的有效信息  re模块import requestsimport reurl = 'https://movie.douban.com/top250'header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}resp = requests.get(url, headers=header)page_content = resp.text #爬取到的页面源代码obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)'                 r'&nbsp.*?<span class="rating_num" property="v:average">(?P<point>.*?)</span>.*?<span>(?P<people>.*?)人评价', re.S)result = obj.finditer(page_content)for i in result:    print(i.group("name"))    print(i.group("year").strip())    print(i.group("point"))    print(i.group("people"))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

将数据保存在csv文件中

csv文件中的东西都是通过，分隔开的，对我们以后做数据分析很有帮助

import requestsimport reimport csvurl = 'https://movie.douban.com/top250'header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"}resp = requests.get(url, headers=header)page_content = resp.text #爬取到的页面源代码obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>.*?<p class="">.*?<br>(?P<year>.*?)'                 r'&nbsp.*?<span class="rating_num" property="v:average">(?P<point>.*?)</span>.*?<span>(?P<people>.*?)人评价', re.S)result = obj.finditer(page_content)f = open("data.csv", mode="w",encoding='UTF-8')cswriter = csv.writer(f)for i in result:    dic = i.groupdict()    dic['year'] = dic['year'].strip()    cswriter.writerow(dic.values())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

运行结果如下：

pycharm会自动生成一个csv文件，爬取的数据会自动保存到该文件中，看起来是不是特别条理清晰

bs4解析

bs全称Beatiful Soup ，也需要另外安装，如果使用的是pycharm编译器，点击Terminal输入pip install bs4，pycharm便自动为我们安装好了bs模块

#1. 拿到页面源代码#2. 使用bs4进行解析，拿到数据
1
2

解析数据：

1.把页面源代码交给BeautifulSoup进行处理，生成bs对象

page = BeautifulSoup（resp.text, "html.parser"）#指定html解析器
1

2.从bs对象中查找数据

• find（标签，属性=值）：只找第一个
• find_all（标签，属性=值）：返回页面所有符合要求的

page.find("table", class_ = "hq_table")#class是python的关键字，所有这里加上_
1
2

但是每次这么写都要记得class后面加_，我们可以换一种方式来写

page.find("table", attrs={"class":"hq_table"})
1

图片链接爬取

#1.拿到主页面的源代码，提取到子页面的链接地址#2.通过href拿到子页面的内容，从子页面中拿到图片的下载地址#3.下载图片import requestsfrom bs4 import BeautifulSoupimport reurl = "http://bizhi360.com/weimei/"resp = requests.get(url)resp.encoding = "UTF-8"main_page = BeautifulSoup(resp.text, "html.parser")alist = main_page.find("div", attrs={"class": "pic-list"}).find_all("a")for a in alist:    s = "http://bizhi360.com/"+a.get("href")    #拿到子页面的源代码    headers ={        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/100.0.4896.75 Safari/537.36 Edg/100.0.1185.36"    }    child_page_resp = requests.get(s, headers=headers)    child_page_resp.encoding = "UTF-8"    child_page_text = child_page_resp.text    #从子页面中拿到图片的下载途径    child_page = BeautifulSoup(child_page_text, "html.parser")    p = child_page.find("figure")    print(p)resp.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

通过一个网站进入子网链接，并对图片地址进行爬取，但是可能是因为进入次数太多，遭到了反爬，只能进行到如上图所示这一步，下次我换个网站试试吧

解析

xpath需要下载lxml模块

XPath 使用路径表达式来选取 XML 文档中的节点或节点集，节点是通过沿着路径 (path) 或者步 (steps) 来选取的。

举例说明：

路径表达式：

猪八戒网实战

#拿到页面源代码#提取和解析数据import requestsfrom lxml import etreeurl = "https://taiyuan.zbj.com/search/f/?kw=saas"resp = requests.get(url)#解析html = etree.HTML(resp.text)divs = html.xpath("/html/body/div[6]/div/div/div[2]/div[5]/div[1]/div")for div in divs:#每一个服务商的div    price = div.xpath("./div/div/a[2]/div[2]/div[1]/span[1]/text()")[0].strip('¥')    title = 'saas'.join(div.xpath("./div/div/a[2]/div[2]/div[2]/p/text()"))    com_name = div.xpath("./div/div/a[1]/div[1]/p/text()")[1]    print(price)    print(title)    print(com_name)    resp.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

运行结果还算完美吧

一路学下来，感觉爬虫其实只是一些包的运用，多动手做些案例都能搞明白，继续加油吧！