Python爬虫学习笔记(一)

概念：

使用代码模拟用户，批量发送网络请求，批量获取数据。

分类：

通用爬虫：

通用爬虫是搜索引擎（Baidu、Google、Yahoo等）“抓取系统”的重要组成部分。

主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

简单来讲就是尽可能的把互联网上的所有的网页下载下来，放到本地服务器里形成备分，

在对这些网页做相关处理(提取关键字、去掉广告)，最后提供一个用户检索接口。

聚焦爬虫：

聚焦爬虫是根据指定的需求抓取网络上指定的数据。

例如：获取豆瓣上电影的名称和影评，而不是获取整张页面中所有的数据值。

增量式爬虫：

增量式是用来检测网站数据更新的情况，且可以将网站更新的数据进行爬取。

Robots协议：

robots协议也叫robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。

因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。
如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata，又称元数据）。
robots协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。

简单来说，robots决定是否允许爬虫（通用爬虫）抓取某些内容。

注：聚焦爬虫不遵守robots。

eg：

爬取流程：

大多数情况下的需求，我们都会指定去使用聚焦爬虫，也就是爬取页面中指定部分的数据值，而不是整个页面的数据。

• 指定url
• 发起请求
• 获取响应数据
• 数据解析
• 持久化存储

Test：

Test1：

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #GET请求
    #http请求
    #response：http响应对象
    response = urllib.request.urlopen(url)
    print(response)

load_data()

 

Test2：

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #GET请求
    #http请求
    #response：http响应对象
    response = urllib.request.urlopen(url)
    print(response)
    #读取内容 byte类型
    data = response.read()
    print(data)
load_data()

Test3：

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #GET请求
    #http请求
    #response：http响应对象
    response = urllib.request.urlopen(url)
    #print(response)
    #读取内容 byte类型
    data = response.read()
    #print(data)
    #将文件获取的内容转换为字符串
    str_data = data.decode("UTF-8")
    print(str_data)
load_data()

Test4：

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #GET请求
    #http请求
    #response：http响应对象
    response = urllib.request.urlopen(url)
    #print(response)
    #读取内容 byte类型
    data = response.read()
    #print(data)
    #将文件获取的内容转换为字符串
    str_data = data.decode("UTF-8")
    #print(str_data)
    #将数据写入文件
    with open("baidu.html", "w", encoding="utf-8") as f:
        f.write(str_data)
load_data()

注：

出于安全性，https请求的话将无法打开，而http则可以打开。

Test5：

str_name = "baidu"
    bytes_name = str_name.encode("utf-8")
    print(str_name)

注：

python爬取的类型：str，bytes

如果爬取返回的是bytes类型：但写入的时候需要字符串 => decode(“utf-8”);

如果爬取返回的是str类型：但写入的时候需要bytes类型 => encode(“utf-8”).

Test1 ~ Test4代码：

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    #GET请求
    #http请求
    #response：http响应对象
    response = urllib.request.urlopen(url)
    #print(response)
    #读取内容 byte类型
    data = response.read()
    #print(data)
    #将文件获取的内容转换为字符串
    str_data = data.decode("UTF-8")
    #print(str_data)
    #将数据写入文件
    with open("baidu.html", "w", encoding="utf-8") as f:
        f.write(str_data)
    #将字符串类型传唤为bytes
    str_name = "baidu"
    bytes_name = str_name.encode("utf-8")
    print(str_name)


load_data()

Test5：

import urllib.request
import urllib.parse
import string

def get_method_params():
    url = "http://www.baidu.com/?wd="
    #拼接字符串(汉字)
    name = "爬虫"
    final_url = url + name
    #print(final_url)
    #代码发送了请求
    #网址里面包含了汉字；ascii是没有汉字的；URL转义
    #使用代码发送网络请求
    #将包含汉字的网址进行转义
    encode_new_url = urllib.parse.quote(final_url, safe=string.printable)
    #response = urllib.request.urlopen(final_url)
    print(encode_new_url)
    #UnicodeEncodeError: 'ascii' codec can't encode characters in position 15-16: ordinal not in range(128)
    #针对报错结合上一条注释的解释：
    #python是解释性语言；解释器只支持 ascii 0 - 127，即不支持中文！！！


get_method_params()

import urllib.request
import urllib.parse
import string

def get_method_params():
    url = "http://www.baidu.com/?wd="
    #拼接字符串(汉字)
    name = "爬虫"
    final_url = url + name
    #print(final_url)
    #代码发送了请求
    #网址里面包含了汉字；ascii是没有汉字的；URL转义
    #将包含汉字的网址进行转义
    encode_new_url = urllib.parse.quote(final_url, safe=string.printable)
    response = urllib.request.urlopen(encode_new_url)
    print(response)
    #UnicodeEncodeError: 'ascii' codec can't encode characters in position 15-16: ordinal not in range(128)
    #针对报错结合上一条注释的解释：
    #python是解释性语言；解释器只支持 ascii 0 - 127，即不支持中文！！！


get_method_params()

import urllib.request
import urllib.parse
import string

def get_method_params():
    url = "http://www.baidu.com/?wd="
    #拼接字符串(汉字)
    name = "爬虫"
    final_url = url + name
    #print(final_url)
    #代码发送了请求
    #网址里面包含了汉字；ascii是没有汉字的；URL转义
    #将包含汉字的网址进行转义
    encode_new_url = urllib.parse.quote(final_url, safe=string.printable)
    response = urllib.request.urlopen(encode_new_url)
    print(response)
    #读取内容
    data = response.read().decode()
    print(data)
    #UnicodeEncodeError: 'ascii' codec can't encode characters in position 15-16: ordinal not in range(128)
    #针对报错结合上一条注释的解释：
    #python是解释性语言；解释器只支持 ascii 0 - 127，即不支持中文！！！


get_method_params()

import urllib.request
import urllib.parse
import string

def get_method_params():
    url = "http://www.baidu.com/?wd="
    #拼接字符串(汉字)
    name = "爬虫"
    final_url = url + name
    #print(final_url)
    #代码发送了请求
    #网址里面包含了汉字；ascii是没有汉字的；URL转义
    #将包含汉字的网址进行转义
    encode_new_url = urllib.parse.quote(final_url, safe=string.printable)
    response = urllib.request.urlopen(encode_new_url)
    print(response)
    #读取内容
    data = response.read().decode()
    print(data)
    #保存到本地
    with open("encode_test.html", "w", encoding="utf-8")as f:
        f.write(data)
    #UnicodeEncodeError: 'ascii' codec can't encode characters in position 15-16: ordinal not in range(128)
    #针对报错结合上一条注释的解释：
    #python是解释性语言；解释器只支持 ascii 0 - 127，即不支持中文！！！


get_method_params()

参考：

https://www.bilibili.com/video/BV1XZ4y1u7Kv