Python爬虫知识点总结

397次阅读
没有评论
Python爬虫知识点总结

什么是爬虫

模拟浏览器发送请求,获取响应

爬虫的分类,请求的流程

  • 聚焦爬虫:针对特定网站的爬虫
  • 通用爬虫:搜索引擎的爬虫
    url—->发送请求,获取响应—->提取数据—->保存
    发送请求,获取数据—->提取url地址,继续请求

浏览器发送请求的过程

  • 爬虫请求的:url地址对应的响应
  • 浏览器获取的内容:elements的内容=url对应的响应+js+css+图片
  • 需要根据url地址对应的响应为准进行数据的提取

user-agent有什么用

  • 告诉服务器是谁正在发送请求
  • 爬虫中通过把user-agent设置为浏览器的ua,能够达到模拟浏览器的效果

requests如何发送请求和响应

  • response = requests.get(url)
  • response.text -> str
    • response.encoding=“utf-8”
  • response.content -> bytes
    • response.conten.decode()

python3和python2字符串的转化

  • python2

    • unicode
    • unicode.encode()
    • str:字节类型
    • str.decode()
  • python3

    • str
    • str.encode()
    • bytes
    • bytes.decode()

requests和headers如何使用

  • headers = {‘USER-Agent’:’’}
  • requests.get(url,headers=headers)

requests如何发送post请求

  • data = {“浏览器中的form data”}
  • requests.post(url,data=data)

requests中如何使用代理,使用代理的目的,代理分类

  • proxies = {协议:协议+ip+端口}
  • requests.get(url,proxies=proxies)
    目的:
    • 反反爬
    • 隐藏真实ip

代理的分类:
– 高匿名:不知道在使用代理
– 匿名:知道在使用代理,不知道真实ip
– 透明:对方知道真实的ip

requests中session类如何使用,为什么使用session

  • session = requests.Session()
  • session.post(url,data) cookie保存在session
  • session.get(url) 带上之前的cookie

列表推导式如何使用

  • [i for i in range(10) if i%2==0]

三元运算符

if 条件成立,if前面的结果赋值给to,否则else后面的结果赋值给to

to= ‘en’ if lan==‘zh’ else ‘zh’

requests进行携带cookie登录

  • cookie字符串放在headers中
  • 把cookie字典交给requests请求方法的cookies

寻找登录接口的方法

  • form表单action对应的url地址

    • 用户名和密码对应的input标签中,name的值为键,用户名和密码作为值的字典,作为post,data
  • 通过抓包,定位url地址

    • form data

分析js,获取加密的数据

  • 观察变化

  • 定位js

    • 通过event listener定位js的位置
    • 通过搜索url地址的关键字,通过chrom的search all file来进行搜索
  • 进行分析

    • 通过添加断点的方法分析js
  • 执行js

    • 完全的使用python模拟js的执行过程

requests处理ssl证书

requests.get(url,verify=False)

获取响应中的cookie,转化为字典

response = requests.get(url,headers=headers)
requests.utils.dict_from_cookiejar(response.cookies)

超时参数的使用

requests.get(url,timeout=3)

retrying模块的使用

  • from retrying import retry
  • 通过装饰器的方式使用retry进行异常捕获,重新执行被装饰的函数

数据分类

  • 结构化数据

    • json,xml
    • 直接使用模块转化为python类型
  • 非结构化数据

    • html
    • re,xpath

json模块的使用

json.loads:json字符串转化为python类型
json.dumps:python类型转化为json字符串

json.load:包含json字符串的类文件对象转化为python类型
json.dump:把python类型存入类文件对象中

requests模拟登陆的三种方法

  • session

    • 实例对象
    • session.get(url) # cookie保存在session中
    • session.get(url) # 带上保存在session中的cookie
  • cookie放在headers中

  • cookie传递给cookies参数

    • cookie={“cookie的name值”:“cookie的value对应的值”}

js分析的流程

  • 确定js的位置
    • 从event listener中寻找
    • search all file中寻找关键字
  • 添加断点的方法,观察执行过程
  • 执行js

requests中超时参数的使用,retrying模块的使用

  • requests.get(url,timeout=3)

from retrying import retry @retry(stop_max_attempt_number=3) def fun(): pass

  • xpath语法

    • // 的用途

      • //a 当前html页面上的所有的a
      • bookstore/book bookstore下的所有的book元素
    • @的使用

      • //a/@href 所有的a的href
      • //title[@class='end'] 选择class=end的title标签
    • text()的使用

      • //a/text() 获取所有的a下的文本
      • //a[text()='下一页'] 获取文本为下一页的a标签
      • a//text() a下的所有的文本
    • xpath查找特定的节点

      • //a[1] 选择第一个
      • //a[last()] 最后一个
      • //a[position()<4] 前三个
  • lxml模块的使用

from lxml import etree

element = etree.HTML(html_str) # bytes或者str类型的字符串

element.xpath("xpath str") # 返回列表

etree.tostring(element) # 转化为字符串

# 数据提取时:先分组,在提取

1. 正则表达式的复习

特殊字符

  • .

能够匹配除了n之外的所有的字符

  • []

能够匹配方括号中列出的任意一个字符

In [1]: import re

In [2]: re.findall("[qwe]","qweertert") Out[2]: ['q', 'w', 'e', 'e', 'e']

如果想匹配方括号中的多个字符,使用[]+。例如[qwe]+ ,表示匹配qwe中的多个字符

In [1]: import re

In [2]: re.findall("[qwe]+","qweertert") Out[2]: ['qwee', 'e']

如果想表示取反,使用^ 。例如[^qwe] ,表示匹配除了qwe之外的所有字符

In [1]: import re

In [2]: re.findall("[^qwe]","qweertert") Out[2]: ['r', 't', 'r', 't']

In [3]: re.findall("[^qwe]+","qweertert") Out[3]: ['rt', 'rt']

  • *

    能够匹配 0 或 无穷多个字符(贪婪匹配)

  • +

    能够匹配 1 或 无穷多个字符(贪婪匹配)

  • ?

    能够匹配 1 或 0 个字符(非贪婪匹配)

  • {}

    表示前一个字符出现的次数

语法含义
d 数字 0-9
D 非数字 [^d]
w 字母、数字、下划线 [a-zA-Z0-9_]
W 除了字母、数字、下划线的所有字符
s 空白字符 [tnrfv]
S 非空白字符

正则中的方法

  • re.findall('reg',str)

    返回 所有的匹配结果

  • re.sub('reg',’替换后的字符串‘,str)

    替换 字符串中的相关字符

  • re.compile('reg',re.S)

    编译,对正则表达式进行编译

  • re.match('reg',str)

    返回 从开头匹配的结果

  • re.search('reg',str)

    返回 字符串中匹配到的第一个结果

  • 2. xpath语法的复习

    • /

      表示根节点

    • //

      表示任意节点

    • .

      表示当前节点

    • @

      选取节点的属性

    • text()

      获取标签的文本

      //a/text()

      //a[text()='下一页']

    3. lxml模块的使用

    首先需要安装lxml包

    pip install lxml

    from lxml import etree import requests

    # 发送请求,获取响应 response = requests.get('http://www.baidu.com') response = response.content.decode()

    # etree.HTML() 接收字符串 seleclt_res = etree.HTML(response)

    # 返回的列表 url_list = seleclt_res.xpath("//a/@href")

    print(url_list)

    xpath的包含

    • ‘//a[contains(text(),“下一页”)]’ 选择文本包含下一页三个字的a标签
    • ‘//a[contains(@class,‘n’)]’ class包含n的a标签

    url地址解码

    requests.utils.unquote(url)

    准备url地址

    • 不知道url地址的规律,知道一共多少页,准备url列表, 果壳,糗百
    • 不知道url地址规律,或者不知道一共多少页,准备start_url, 贴吧

    多线程爬虫

    为了能够让主线程回收子线程,可以把子线程设置为守护线程,即该线程不重要,主线程结束,子线程结束

    • threading
      • t1 = threading.Thread(targe=func,args=(,))
      • t1.setDaemon(True)
      • t1.start() #此时线程才会启动
    • 队列
      • q.join()# 阻塞主线程,让主线程等待队列任务结束之后再结束,队列任务在计数为0时结束
      • q.task_done() 和 get()方法配合,队列计数-1
      • q.put() 队列计数+1

    多进程爬虫

    • from multiprocessing import Process
    • t1 = Process(targe=func,args=(,))
    • t1.daemon = True #设置为守护进程
    • t1.start() #此时线程才会启动

    多进程中队列的使用

    • 多进程中使用普通的队列模块会发生阻塞,对应的需要使用multiprocessing提供的JoinableQueue模块,其使用过程和在线程中使用的queue方法相同

    线程池爬虫

    • from multiprocessing.dummy import Pool

    • pool = Pool(5)

    • pool.apply_async(func, callback=fun2)

    • import gevent.monkey

    • gevent.monkey.patch_all()

    • from gevent.pool iport Pool

    • pool = Pool(5)

    • pool.apply_async(func,callback=func2)

    定位元素的方法

    • driver.find_element # 返回第一个元素,如果没有报错
    • driver.find_elements # 返回包含元素的列表,如果没有返回空列表

    获取属性和文本的方法

    • 获取文本:element.text
    • 获取属性值:element.get_attribute(“href”)

    切换frame

    • driver.switch_to.frame(id,name,element)

    验证码的识别

    • url地址不变,验证码不变

      • 请求验证码的地址,获取响应,进行识别
    • url地址不变,验证码变化

      • 请求验证码,发送登录请求,需带上一套cookie,才能够登录成功,对应可以使用requests.Session()来实现
    • selenium处理验证码

      • 带上selenium的driver中的cookie来请求验证码
      • selenium截屏,获取验证
    神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

    相关文章:

    版权声明:Python教程2022-10-24发表,共计5023字。
    新手QQ群:570568346,欢迎进群讨论 Python51学习