准备工作:安装python3环境、beautifulsoup4库(https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id7)
1、urllib和BeautifuSoup
获取浏览器信息
from urllib import request req = request.urlopen("http://www.baidu.com") print(req.read().decode("utf-8"))
模拟真实浏览器:携带user-Agent头
(目的是不让服务器认为是爬虫,若不带此浏览器信息,则可能会报错)
req = request.Request(url) #此处url为某个网址 req.add_header(key,value) #key即user-Agent,value即浏览器的版本信息 resp = request.urlopen(req) print(resp.read().decode("utf-8"))
使用POST
- 导入urllib库下面的parse
from urllib import parse
- 使用urlencode生成post数据
postData = parse.urlencode([ (key1,val1), (key2,val2), (keyn,valn) ])
- 使用post
request.urlopen(req,data=postData.encode("utf-8")) #使用postData发送post请求 resp.status #得到请求状态 resp.reason #得到服务器的类型
完整代码示例(以爬取维基百科首页链接为例)
#-*- coding:utf-8 -*- from bs4 import BeautifulSoup as bs from urllib.request import urlopen import re import ssl
#获取维基百科词条信息 ssl._create_default_https_context = ssl._create_unverified_context #全局取消证书验证
#请求URL,并把结果用utf-8编码 req = urlopen("https://en.wikipedia.org/wiki/Main page").read().decode("utf-8") #使用beautifulsoup去解析 soup = bs(req,"html.parser")
# print(soup) #获取所有href属性以“/wiki/Special”开头的a标签 urllist = soup.findAll("a",href=re.compile("^/wiki/Special")) for url in urllist: #去除以.jpg或.JPG结尾的链接 if not re.search(".(jpg|JPG)$",url["href"]): #get_test()输出标签下的所有内容,包括子标签的内容; #string只输出一个内容,若该标签有子标签则输出“none print(url.get_text()+"—–>"+url["href"]) # print(url)
2、存储数据到MySQL
安装pymysql
- 通过pip安装:
$ pip install pymysql - 或者通过安装文件:
$ python setup.py install
使用
#引入开发包 import pymysql.cursors #获取数据库链接 connection = pymysql.connect(host="localhost", user = 'root', password = '123456', db ='wikiurl', charset = 'utf8mb4') try: #获取会话指针 with connection.cursor() as cursor #创建sql语句 sql = "insert into `tableName`(`urlname`,`urlhref`) values(%s,%s)" #执行SQL语句 cursor.execute(sql,(url.get_text(),"https://en.wikipedia.org"+url["href"])) #提交 connection.commit() finally: #关闭 connection.close()
3、爬虫注意事项
Robots协议(机器人协议,也称爬虫协议)全称是“网络爬虫排除协议”,网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不可以抓取。一般在主页面下,如https://en.wikipedia.org/robots.txt
Disallow:不允许访问 allow:允许访问
参考:慕课网课程https://www.imooc.com/learn/712
2018年9月27日
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