如果學會了python的基本語法，我認為入門爬蟲是很容易的。
1：什麼是爬蟲
爬蟲(spider，又網絡爬蟲)，是指向網站/網絡發起請求，獲取資源後分析並提取有用數據的程序。
從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為，把站點返回的HTML代碼/JSON數據/二進制數據（圖片、視頻） 爬到本地，進而提取自己需要的數據，存放起來使用。
<code>非誠勿擾：正在學習python的小夥伴或者打算學習的，可以私信小編“01”領取資料！/<code>
2：入門爬蟲的乾貨
2.1： 爬蟲的基本思路
- 通過URL或者文件獲取網頁，
- 分析要爬取的目標內容所在的位置
- 用元素選擇器快速提取(Raw) 目標內容
- 處理提取出來的目標內容 （ 通常整理合成一個 Json）
- 存儲處理好的目標內容 （比如放到 MongoDB 之類的數據庫，或者寫進文件裡。）
robots協議：網站通過 Robots 協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，但它僅僅是道德層面上的約束
爬蟲的用途：
1、12306搶票
2、短信轟炸
3、網絡投票
4、監控數據
5、下載圖片、小說、視頻、音樂等
Http和Https：
發送請求，獲取響應的過程其實就是發送Http或者Https請求和響應的過程。
HTTP
超文本傳輸協議
默認端口號:80
HTTPS
HTTP + SSL(安全套接字層)，即帶有安全套接字層的超本文傳輸協議
默認端口號：443
作用：在傳輸過程中對數據進行加密，防止被竄改
區別：http因不需要加密，所以性能更高，但安全性差。https安全性高，但是佔用服務器資源
但是Https是未來的主流，比如小程序、ios、android客戶端的接口都需要Https接口支持
常見請求頭：
Http狀態碼
常見的 HTTP 狀態碼：
200 - 請求成功
301 - 資源（網頁等）被永久轉移到其它 URL
404 - 請求的資源（網頁等）不存在
500 - 內部服務器錯誤
Chrome瀏覽器請求分析
分析流程圖：
以上都是爬蟲的預備知識，掌握了之後就可以寫代碼去爬取我們想要爬的網站了。Python提供了許多網絡請求的庫，比如Requests、urllib等，這裡只說一下requests庫
Requests庫
安裝：pip(3) install requests
基本使用：
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com'
# 發送 GET 請求獲取響應
response = requests.get(url)
# 獲取響應的 html 內容
html = response.text/<code>
response常用屬性：
- response.text 返回響應內容，響應內容為 str 類型
- respones.content 返回響應內容,響應內容為 bytes 類型
- response.status_code 返回響應狀態碼
- response.request.headers 返回請求頭
- response.headers 返回響應頭
- response.cookies 返回響應的 RequestsCookieJar 對象
<code># 獲取字節數據
content = response.content
# 轉換成字符串類型
html = content.decode('utf-8')/<code>
自定義請求頭
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com'
# 定義自定義請求頭
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
}
# 發送自定義請求頭
response = requests.get(url,headers=headers)
# 獲取響應的 html 內容
html = response.text/<code>
發送Get請求
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com/s'
# 定義自定義請求頭
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
}
# 定義 GET 請求參數
params = {
"kw":"hello"
}
# 使用 GET 請求參數發送請求
response = requests.get(url,headers=headers,params=params)
# 獲取響應的 html 內容
html = response.text/<code>
發送POST請求
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com'
# 定義自定義請求頭
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
}
# 定義post請求參數
data = {
"kw":"hello"
}
# 使用 POST 請求參數發送請求
response = requests.post(url,headers=headers,data=data)
# 獲取響應的 html 內容
html = response.text/<code>
使用代理
為什麼使用代理：1、讓服務器以為請求是從多個客戶端發出的。2、防止暴露我們的真實地址
使用方法
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com'
# 定義自定義請求頭
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
}
# 定義 代理服務器
proxies = {
"http":"http://IP地址:端口號",
"https":"https://IP地址:端口號"
}
# 使用 POST 請求參數發送請求
response = requests.get(url,headers=headers,proxies=proxies)
# 獲取響應的 html 內容
html = response.text/<code>
請求中攜帶cookie
作用：有些網站需要登錄，這時候cookie就是記錄了你的用戶信息
方式：
- 直接在自定義請求頭中攜帶
- 通過請求參數攜帶cookie
<code># 導入模塊
import requests
# 定義請求地址
url = 'http://www.baidu.com'
# 定義自定義請求頭
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"
# 方式一：直接在請求頭中攜帶Cookie內容
"Cookie": "Cookie值"
}
# 方式二：定義 cookies 值
cookies = {
"xx":"yy"
}
# 使用 POST 請求參數發送請求
response = requests.get(url,headers=headers,cookies=cookies)
# 獲取響應的 html 內容
html = response.text/<code>
數據提取
作用：從爬蟲獲取的數據中提取出我們想要的數據方式：
- json模塊提取
- xpath提取
- 正則提取
- beautifulsoup
json
JSON(JavaScript Object Notation) 是一種輕量級的數據交換格式
- json.loads json字符串 轉 Python數據類型
- json.dumps Python數據類型 轉 json字符串
- json.load json文件 轉 Python數據類型
- json.dump Python數據類型 轉 json文件
ensure_ascii=False 實現讓中文寫入的時候保持為中文
indent=空格數 通過空格的數量進行縮緊
xpath
XPath 全稱： XML Path Language，是一門在 XML 文檔中查找信息的語言。XPath 可用來在 XML 文檔中對元素和屬性進行遍歷。安裝：pip(3) install lxml
常用規則
正則
Python中通過正則表達對字符串進行匹配是，可以使用re模塊
<code> # 導入re模塊
import re
# 使用match方法進行匹配操作
result = re.match(正則表達式,要匹配的字符串)
# 如果上一步匹配到數據的話，可以使用group方法來提取數據
result.group()/<code>
常見語法
結尾
最後多說一句，小編是一名python開發工程師，這裡有我自己整理了一套最新的python系統學習教程，包括從基礎的python腳本到web開發、爬蟲、數據分析、數據可視化、機器學習等。想要這些資料的可以關注小編，並在後臺私信小編：“學習”即可領取
閱讀更多 編程拖拉機 的文章
