python爬虫整理（包含实例）

python爬虫整理（包含实例）

• 先放一波课程资源（来源：传智播客）：

六节课掌握python爬虫视频
提取码：po9s

一、requests模块的学习

使用事前

pip install requests

发送get，post请求，获取相应

• response = requests.get(url) #发送get请求，请求url地址对应的响应
  
  实例：使用手机版的百度翻译：
  
• response = requests.post(url, data={请求体的字典}) #发送post请求，请求url地址对应的响应

response的方法

• response.text
  • 该方式往往会导致出现乱码，因为此时获取的是网页html的字符串，出现乱码使用response.encoding = "utf-8"
• response.content.decode()
  • 把响应的二进制字节流转换成str类型
• response.requests.headers #请求头
• response.headers #响应头
• response.requests.url #发送请求的地址
• response.url #响应地址

获取网页源码的正确打开方式

• 1.response.content.decode()
• 2.response.content.decode("gbk")
• 3.response.text #自动猜测编码

发送带headers的请求

• 为了模拟浏览器，获取和浏览器一模一样的内容

当不添加headers的时候会发现返回的内容只有一段，但是在添加了headers后就会发现返回的是整个网页的html

headers = {
    "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) "
                  "Version/11.0 Mobile/15A372 Safari/604.1", "Referer": "https://fanyi.baidu.com/"}

requests.get(url, headers=headers)

• 百度翻译案例

使用超时参数

• requests.get(url, headers=headers, timeout=3) #3秒内必须做出响应，否则就会报错

二、retrying模块的学习

pip install retrying

from retrying import retry

@retry(stop_max_attempt_number=3)
def fun1():
    print("this is func1")
    raise ValueError("this is a test error") 

处理cookie相关的请求

• 人人网{"email":"your account",
  "password":"password"}
• 直接携带cookie请求url地址
  1. 可以把cookie放进headers中

headers = {"User-Agent":"....","cookie":"cookie 字符串"}

2. cookie字典传给cookies参数
    - requests.get(url, cookie=cookie_dict) #注意是字典而不是上面的字符串

• 先发送post请求，获取cookie（这个cookie在session中），带上cookie请求登录后页面
  • 1.session = requests.session() #session具有的方法与requests一样
  • 2.session.post(uel, data, headers) #服务器设置在本地的cookie会保存在session中
  • 3.session.get(url) #再次请求的时候会携带上之前保存在session中的cookie，能够请求成功
• 新浪请求登录案例

三、数据提取方法

json

• 数据交换格式，看起来像python类型(列表，字典)的字符串

• 使用json之前需要导入

• 哪里会返回json的数据

  • 把浏览器切换成手机版
  • 抓包app

• json.laods

  • 把json字符串转化成为python类型
  • json.loads（json字符串）

• json.dumps

  • 把python类型转换成json字符串
  • json.dumps({"a":1,"b":2})）
    • ensure_ascii：让中文显示成中文
    • indent：能够让下一行在上一行的基础上空几格

• 豆瓣电视爬虫案例

四、xpath和xml

• xpath
  • 一门从html中提取数据的语言
• xpath语法
  • xpath helper插件：帮助我们从elements中定位数据
  • 1.选择节点（标签）
    • /html/head/meta：当前能勾选中html下的所有meta标签
  • 2.//tag：能够从任意节点开始选择
    • //li：当前页面上的所欲li标签
    • /html/head//link：当前页面上head下所有的link标签
  • 3.@符号的用途
    • 选择具体某个元素//ul[@class='btns']/li选择class='btns'下面的ul下面的所有li标签
    • a/@href:选择a标签的href的值（当然也可以是其他标签的属性值）
  • 4.获取文本：
    • /a/text()：获取a标签的文本
    • /a//text()：获取a下的所有文本（包括a标签下的子标签中的文本值）
  • 5.当前
    • ./a:当前节点下的a标签
• lxml
  • 安装：pip install lxml
  • 使用：

  from lxml import etree
  element = etree.HTML("html字符串")
  element.xpath("")
  

• 豆瓣电影爬虫案例

五、基础知识点学习

• 列表推导式
  • 帮助我们快速生成包含一堆数据的列表
    
    [i+10 for i in range(10)] -->[10,11,12,...19]
    
    ["11月{}日".format(i) for i in range(30)]-->["10月1日"，"10月2日",...]
    
• 字典推导式
  • 帮助我们生成包含一堆字典的数据
    

  {i+10:i for i in range(10)} # {10:0,11:1...}
  {"a{}".format(i):10 for i in range(10)} # {"a0":10,"a1":10...}
  

• 三元运算符
• 糗事百科爬虫案例

六、写爬虫的讨论

• 1.URL
  • 知道url地址的规律和总页码数：构造url地址列表
  • 不知道url地址但是知道start_ur
• 2.发送请求获取响应
  • requests
• 3.提取数据
  • 返回json字符串：json模块
  • 返回的html字符串：lxml模块配合xpath提取数据
• 4.保存
  • 保存到数据库
  • 保存为文件
• 新浪微博爬虫案例