文章目录

• • • 1.什么是爬虫
    • 2.爬虫的的数据去哪了
    • 3.浏览器的请求
    • 4.认识HTTP、HTPS
    • 5. requests模块的学习
    • 6.数据提取方法
    • • • json文件
        • xpath和lxml方法
    • 7.基础知识点的学习

1.什么是爬虫

• 爬虫就是 模拟客户端（浏览器）发送网络请求，获取响应，按照规则拉取数据的程序
• 模拟客户端（浏览器）发送网络请求：照着浏览器发送一模一样的请求，获取和浏览器一模一样的数据

2.爬虫的的数据去哪了

• 呈现出来：展示在网页上，或者展示在app上
• 进行分析：从数据中寻找一些规律

3.浏览器的请求

• 统一资源定位符url
  • 在Chrome中点击检查，点到network
  • url = 请求协议（http&https）+网站的域名+资源的路径+参数
• 浏览器请求url地址
  • 当前url对应的响应+jd+css+图片——>elements中的内容
• 爬虫请求url地址
  • 只能请求当前url对应的响应- elements的内容和爬虫获取的
• url地址的响应不同，爬虫中需要以当前url地址对应的响应为准提取数据
• 当前url地址对应的响应在哪里
  • 从network中找到当前的url地址，点击response
  • 或在页面上右键显示网页源码

4.认识HTTP、HTPS

• HTTP：超文本传输协议
  • 以明文的形式传输
  • 效率更高，但不安全
• HTTPS：HTTP + SSL（安全套接字层）
  • 传输之前数据先加密，之后解密获取内容
  • 效率较低，但是安全
• get请求和post请求的区别
  • get请求没有请求体，post有，get请求把数据放到url地址中
  • post请求常用于登录注册
  • post请求携带的数据量比get大，多，常用于传输大文本的时候
• HTTP协议之请求
  • 1.请求行
  • 2.请求头
    • User-Agent:用户代理：对方服务器能够通过 user-agent知道当前请求对方资源的是否是浏览器、什么浏览器
      • 如果我们需要模拟手机版的浏览器发送网络请求，对应的，就需要把user-agent改成手机版
    • Cookie:用来存储用户信息的，每次请求会被携带上发送给对方的浏览器
      • 要获取登录后才能访问的页面
      • 对方的服务器会通过cookie来判断我们是否是一个爬虫
  • 3.请求体
    • 携带数据
    • get请求没有请求体
    • post请求有请求体
• HTTP协议之响应
  • 1.响应头
    • Set-Cookie:对方服务器通过该字段设置cookie到本地
  • 2.响应体
    • url地址所对应的响应

5. requests模块的学习

• 使用之前，安装requests库
  • 打开所安装python文件夹中的Scripts文件夹，打开cmd(输入cmd),输入 pip install resquests
• 发送get，post请求，获取响应
  • response = requests.get(url) #发送get请求，请求url地址对应的响应
  • response = requests.post(url) #发送post请求
• response的方法
  • response.text
    • 该方式往往会出现乱码，出现乱码在之前添加response.encoding=“utf-8”
  • response.content.decode()
    • 把响应的二进制字节转化为str类型
  • response.request.url #发送请求的url地址
  • response.url #响应请求
  • response.request.headers #请求头
  • response.headers #发送请求的url地址
• 获取网页源码的正确打开方式（通过下面三种方式一定能够获得网页正确源码之后的字符串）
  • 1.response.content.decode()
  • 2.response.content.decode(“gbk”)
  • 3.response.text
• 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数据
    headers = {“User-Agent”:" … “,“Referer”:” … "}
    response = requests.get(url,headers=headers)
• 使用超时参数
  • requests.get(url,headers=headers,timeout=3) #3秒之内必须返回响应，否则会报错
• retrying 模块的学习
  • pip install retrying

  from retrying import retry @retry(stop_max_attempt_number=3) #让程序执行三次，如果三次都报错则报错，如果有一次没报错，则程序往下执行def fun1(): #定义一个函数fun1 print("this is the fun") raise ValueError("this is error") #程序自行报错

• 处理cookie相关的请求
• 1.直接携带cookie请求url地址
  • 1.cookie放在headers中

  headers={"User-Agent":"…..","Cookie":"….."}

  • 2.cookie字典传给cookie参数

  cookie字典{"Name":"Value", ......} requests.get(url,cookie=cookie_dict)

• 2.先发送post请求，获取cookie，带上cookie请求登录后的页面
  • 1.session =request.session() #session请求登录后的页面
  • 2.session.post(url,data,headers) #服务器设置在本地的cookie会保存在session中
  • session.get(url) #会带上之前保存在session中的cookie，能够请求成功

6.数据提取方法

json文件

• 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 import json
• json.loads
  • 把json字符串转化为python类型
  • json.loads(json字符串)
• json.dumps
  • 把 python类型抓化为json字符串
  • json.dumps({})
  • json.dumps({},ensure_ascii=False,indent=2)
    • ensure_ascii:让中文显示为中文
    • indent:能够让下一行在上一行的基础上空格
• 豆瓣电影电视剧爬虫案例

xpath和lxml方法

• xpath
  • 一门从html中提取数据的语言
• xpath语法
  • 谷歌xpather helper 插件：帮助我们从element中定位数据
  • 1.选择节点（标签）
    • /html/head/meta:能够选中html下的head下的所有的meta标签
  • 2.//:能够从任意节点开始选择
    • //li当前页面上的所有的li标签
    • /html/head/linkhead下的所有的link标签
  • 3.@符号的用途
    • 选择具体某个元素：//div[@class="feed-infinite-wrapper"]/ul/li(选择class=“feed-infinite-wrapper”的div下的li)
    • a/@href:选择a的href的值
  • 4.获取文本：
    • /a/text():获取a下的文本
    • /a//text():获取a下的所有文本
• lxml
  • 安装pip install lxml
  • 使用

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

7.基础知识点的学习

• format：字符串格式化的一种方式

"{}博客".format(1) "{}博客".format([1,2,3]) #列表 "{}博客".format({1,2,3}) #字典 "{}博客{}".format({1,2,3},[1,2,3])

• 列表推导式
  • 帮助我们快速的生成包含一堆数据的列表
    [i+10 for i in range(1,10)] –> [10,11,12,…,19]
    ["10月{}日".format(i) for i in range(1,20)] –>[“10月1日”,“10月2日”,…''10月9日"]
• 字典推导式
  • 帮助我们快速的生成包含一堆数据的字典
    {i+10:i for i in range(10)}–>{10:0,11:1,…19:9}
    {"a{}".format(i): 10 for i in range(3)}–> {“a0”:“10”,“a1”:“10”,“a3”:“10”}