爬虫基础相关-python爬虫基础

625次阅读

没有评论

一、什么是爬虫

1、爬虫的比喻：

互联网就像一张蜘蛛网，爬虫相当于蜘蛛，数据相当于猎物

2、爬虫的具体定义：

模拟浏览器向后端发送请求，获取数据，解析并且获得我想要的数据，然后存储

3、爬虫的价值：

数据的价值

发送请求（requests）——获取数据——解析数据（bs4，pyquery，re）——存储数据

二、http协议

1、请求

url：指明了我要去哪里

method：

　　　　get：传递数据：？&拼在url后面

　　　　post：请求体：formdata，files，json

请求头：

　　　　Cookie：验证用户的登录

　　　　Referer：告诉服务器你从哪里来（例子：图片防盗链）

　　　　User-Agent：告诉服务器你的身份

2、响应

Status Code状态码：

　　　　2xx：成功

　　　　3xx：重定向

响应头：

　　　　location：跳转地址

　　　　set_cookie：设置cookie

响应体：

　　　　html代码

　　　　二进制：图片，视频，音乐

　　　　json格式

三、常用请求库、解析库、数据库的用法

1、常用请求库

①安装requests库：pip3 install requests

②使用：

请求：

　　　　get请求

响应对象 = requests.get(……)

参数： url headers = {} 　　　　　　　　　　 # headers里面的Cookie优先级高于cookies cookies = {} params = {} # 参数 proxies = {‘http’：‘http://端口：ip’} # 代理ip timeout = 0.5 # 超时时间 allow_redirects = False # 允许重定向，不写默认是True。设置成False，不允许重定向

代码

import requests from requests.exceptions import ConnectTimeout

url = ‘http://httpbin.org/get’ # url = ‘http://www.baidu.com’

headers = { ‘Referer’: ‘https://baike.baidu.com/item/%E8%8B%8D%E4%BA%95%E7%A9%BA%E6%95%88%E5%BA%94/6527087?fr=aladdin’, ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’, ‘Cookie’: ‘egon’ }

cookies = { ‘xxx’: ‘dsb’, ‘yyy’: ‘hahaha’, }

params = { ‘name’: ‘mac’, ‘age’: ’16’ }

try: r = requests.get(url=url, headers=headers, cookies=cookies, params=params, timeout=5) print(r.text) # r = requests.get(url=url, headers=headers, cookies=cookies, params=params, allow_redirects=False) # print(r.url) except ConnectTimeout: print(‘进行其他操作’)

打印结果

{ “args”: { “age”: “16”, “name”: “mac” }, “headers”: { “Accept”: “*/*”, “Accept-Encoding”: “gzip, deflate”, “Cookie”: “egon”, “Host”: “httpbin.org”, “Referer”: “https://baike.baidu.com/item/%E8%8B%8D%E4%BA%95%E7%A9%BA%E6%95%88%E5%BA%94/6527087?fr=aladdin”, “User-Agent”: “Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36” }, “origin”: “223.167.30.218, 223.167.30.218”, “url”: “https://httpbin.org/get?name=mac&age=16” }

　　　　post请求

响应对象 = requests.post(……)

参数： url headers = {} cookies = {} data = {} json = {} files = {‘file’：open（…，‘rb’）} timeout = 0.5 allow_redirects = False

代码

import requests from requests.exceptions import ConnectTimeout

url = ‘http://httpbin.org/post’ # url = ‘http://www.baidu.com’

headers = { ‘Referer’: ‘https://baike.baidu.com/item/%E8%8B%8D%E4%BA%95%E7%A9%BA%E6%95%88%E5%BA%94/6527087?fr=aladdin’, ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’, ‘Cookie’: ‘egon’ }

cookies = { ‘xxx’: ‘dsb’, ‘yyy’: ‘hahaha’, }

data = { ‘name’: ‘mac’, ‘password’: ‘abc123’ } json = { ‘xxx’: ‘xxx’, ‘yyy’: ‘yyy’ }

files = { ‘file’: open(‘1.txt’, ‘rb’) }

try: # r = requests.post(url=url, headers=headers, cookies=cookies, data=data, timeout=5) # data=data模拟form表单 # r = requests.post(url=url, headers=headers, cookies=cookies, json=json, timeout=5) # json=json发json数据 r = requests.post(url=url, headers=headers, cookies=cookies, data=data, files=files, timeout=5) # 模拟注册 print(r.text) # r = requests.get(url=url, headers=headers, cookies=cookies, data=data, allow_redirects=False) # print(r.url) except ConnectTimeout: print(‘进行其他操作’)

打印结果

{ “args”: {}, “data”: “”, “files”: { “file”: “abcdefghijklmn” }, “form”: { “name”: “mac”, “password”: “abc123” }, “headers”: { “Accept”: “*/*”, “Accept-Encoding”: “gzip, deflate”, “Content-Length”: “338”, “Content-Type”: “multipart/form-data; boundary=c7c8c676d7f232259827977daaa20412”, “Cookie”: “egon”, “Host”: “httpbin.org”, “Referer”: “https://baike.baidu.com/item/%E8%8B%8D%E4%BA%95%E7%A9%BA%E6%95%88%E5%BA%94/6527087?fr=aladdin”, “User-Agent”: “Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36” }, “json”: null, “origin”: “223.167.30.218, 223.167.30.218”, “url”: “https://httpbin.org/post” }

　　　　自动保存cookie的请求

import requests session = requests.session() # 记录每一次请求的cookie url1 = ‘https://www.lagou.com’ r = session.get(url=url1) print(session.cookies)

url2 = ‘https://www.github.com’ r2 = session.get(url=url2) print(session.cookies)

结果为： # <RequestsCookieJar[<Cookie JSESSIONID=ABAAABAABEEAAJA52562AD095370A108C9943E2088FDB22 for www.lagou.com/>]> # <RequestsCookieJar[<Cookie _octo=GH1.1.1145368561.1565088576 for .github.com/>, <Cookie logged_in=no for .github.com/>, <Cookie _gh_sess=YXhBUXgrcFNyWUFJOWNJdmtzYk9yT1l6WUVzR0xlTFIxVGhPbzBma05NZkI0M056aHdickh2STY2VDA5Q09VdHN4WFlGNW1waVAzaEVVMXl0dElqVTN1SXowNnQ5TmNsMTg4QVBicTc3Sko1QXhyY01lVTd5Yk1ad0d2U01Bbm1saFJCZnFxY2ZzeitKNWo1Z09QQ1ZVZy9IYkpCenFZdE1hTndSZHl5alQvSFd2RGtUTkJ5a2RyTjhhdkgxbjdyR2JtTlpLdzI1bTBFR2c0WjZPUzJCdz09LS1ZdVNtbjJaR2l6TzVRNE1aRXkvR0lBPT0%3D–5b92d0e4c31fe84e0a2acddc3c0529d863867c1c for github.com/>, <Cookie has_recent_activity=1 for github.com/>, <Cookie JSESSIONID=ABAAABAABEEAAJA52562AD095370A108C9943E2088FDB22 for www.lagou.com/>]>

　　　　补充：保存cookie到本地

爬虫基础相关-python爬虫基础

响应

r.url r.text r.encoding = ‘UTF-8’ r.content r.json() r.status_code r.headers r.cookies r.history

代码

import requests

session = requests.session() r = session.get(‘https://www.baidu.com’) r.encoding = ‘UTF-8′ # 指定编码格式，不指定会乱码 print(r.text)

r = session.get(url=’https://movie.douban.com/j/new_search_subjects?sort=U&range=0,10&tags=&start=20’)

print(r.text) print(r.json()) # 转成python格式 print(r.status_code)

r = session.get(‘http://www.tmall.com’) print(r.url) # https://www.tmall.com/ print(r.status_code) # 200 print(r.history[0].status_code) # 302

2、常用解析语法

①css选择器

1、类选择器 2、id选择器 3、标签选择器 4、后代选择器 5、子选择器 6、属性选择器 7、群组选择器 8、多条件选择器

详见：javascript:void(0)

②xpath选择器

略。

3、requests-html

支持请求，支持解析，解析里面集成bs4，pyquery，re功能，支持浏览器内核动态渲染

安装requests-html库： pip install requests-html

请求

from requests_html import HTMLSession

session = HTMLSession()

r = session.get(‘https://www.baidu.com’) r = session.post(‘https://www.baidu.com’) r = session.request(url=’https://www.baidu.com’, method=’get’)

响应

requests-html的响应和requests一样

解析

html对象属性

from requests_html import HTMLSession

session = HTMLSession()

# r = session.get(‘http://www.xiaohuar.com/p-1-2077.html’)

# print(r.html.absolute_links) # 绝对链接 # print(r.html.links) # 原样链接 # print(r.html.base_url) # 基础链接

r = session.get(‘http://www.xiaohuar.com/p-3-230.html’) r.html.encoding = ‘GBK’ # 不指定会乱码 # print(r.html.html) # print(r.html.text) # 文本内容 # print(r.html.raw_html) # 二进制流 # print(r.html.pq) # pyquery

html对象方法

r.html.find(‘css选择器’)　　　　　　　　　 # [element对象，element对象，element对象] r.html.find(‘css选择器’，first = True) # element对象 r.html.search(‘模板’) 　　　　　　　　 # result对象 r.html.search_all(‘模板’) 　　　　　　　 # [result对象，result对象，result对象]

from requests_html import HTMLSession

session = HTMLSession()

url = ‘https://www.183xsw.com/6_6116/’ r = session.request(method=’get’, url=url) # print(r.html.html) # print(r.html.find(‘dd’)) # print(r.html.find(‘dd’, first=True)) # print(r.html.find(‘dd a’)) # dd下所有的a标签 # for a_element in r.html.find(‘dd a’): # print(dir(a_element)) # print(a_element.absolute_links) # 拿到所有a标签的超链接

# 提示：已启用缓存技术，最新章节可能会延时显示，登录书架即可实时查看。 # print(r.html.search(‘提示：{}，最新章节可能会{}，登录书架即可实时查看’)[0]) # 已启用缓存技术 # print(r.html.search(‘提示：{}，最新章节可能会{}，登录书架即可实时查看’)[1]) # 延时显示 # print(r.html.search(‘提示：{name}，最新章节可能会{pwd}，登录书架即可实时查看’)[‘name’]) # 已启用缓存技术

render用法

调用render，启用浏览器内核，需要下载chromium

爬虫基础相关-python爬虫基础

参数： scripy：”'( ) => { 　　js代码　　js代码 } ”’

scrolldow：n # 翻页 sleep:n # 渲染完成停n秒 keep_page:True/False # 允许和浏览器进行交互

代码

from requests_html import HTMLSession

session = HTMLSession( browser_args=[ # 设置浏览器的启动参数 ‘–no-sand’, ‘–user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’ ], headless=False )

# url = ‘https://www.baidu.com’ # url = ‘https://www.httpbin.org/get’ url = ‘https://www.csdn.net/’ r = session.request(method=’get’, url=url)

scripts = “”” ()=>{ # 反扒设置 Object.defineProperties(navigator,{ navigator.webdriver webdriver:{ get: () => undefined } }) } “””

# r.html.render() # 调用render，启用浏览器内核，对浏览器进行渲染 print(r.html.html) # print(r.html.render(script=scripts, scrolldown=10, sleep=1)) # scrolldown翻页 print(r.html.render(script=scripts, sleep=30)) # 渲染完停10秒

与浏览器交互 r.html.page.XXX

.screenshot({‘path’:路径}) .evaluate(”'() =>{js代码}”’}) # js注入 .cookies() .type(‘css选择器’，’内容‘，{’delay‘：100}) # input框里注入内容 click(‘css选择器’) # 点击 .focus(‘css选择器’) # 聚焦 .hover(‘css选择器’) # 悬浮 .waitForSelector(‘css选择器’) # 等待元素被加载 .waitFor(1000) # 等待1秒

代码

from requests_html import HTMLSession

session = HTMLSession( browser_args=[ # 设置浏览器的启动参数 ‘–no-sand’, ‘–user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’ ], headless=False )

# url = ‘https://www.baidu.com’ # url = ‘https://www.httpbin.org/get’ # url = ‘https://www.csdn.net/’ # url = ‘https://www.183xsw.com/6_6116/’ # url = ‘https://www.zhihu.com/signin?next=%2F’ url = ‘https://www.mi.com/’

r = session.request(method=’get’, url=url)

scripts = “”” ()=>{ Object.defineProperties(navigator,{ webdriver:{ get: () => undefined } }) } “””

try: r.html.render(script=scripts, sleep=3, keep_page=True) async def main(): # 定义一个协程函数 # await r.html.page.screenshot({‘path’: ‘1.png’}) # await r.html.page.screenshot({‘path’: ‘2.png’, ‘clip’: {‘x’: 200, ‘y’: 200, ‘width’: 400, ‘height’: 400}}) # # # evaluate: js注入, 获取坐标 # res = await r.html.page.evaluate(”’ # ()=>{ # var a = document.querySelector(“#list”) # return {‘x’:a.offsetLeft} # } # ”’) # print(res) # # # 拿到当前的cookie # print(await r.html.page.cookies())

# input框里注入内容 # await r.html.page.type(‘#kw’, ‘泷泽萝拉’, {‘delay’: 500})

# await r.html.page.waitForSelector(‘[name=”tj_trnews”]’) # 等待元素被加载 # # 点击 # await r.html.page.click(‘[name=”tj_trnews”]’)

# # 聚焦 # await r.html.page.focus(‘[type=”number”]’) # # 键盘输入 # await r.html.page.keyboard.type(‘111111’, {‘delay’: 200})

# 悬浮 # await r.html.page.hover(‘[data-stat-id=”6f5c93b4d1baf5e9″]’)

await r.html.page.waitFor(10000) # 等待5秒 session.loop.run_until_complete(main())

finally: session.close()

键盘事件 r.html.page.keyboard.XXX

.down(‘Shift’) .up(‘Shift’) .press(‘ArrowLeft’) .type(‘喜欢你啊’，{‘delay’:100})

代码

from requests_html import HTMLSession

session = HTMLSession( browser_args=[ # 设置浏览器的启动参数 ‘–no-sand’, ‘–user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’ ], headless=False )

url = ‘https://www.baidu.com’

r = session.request(method=’get’, url=url)

scripts = “”” ()=>{ Object.defineProperties(navigator,{ webdriver:{ get: () => undefined } }) } “””

try: r.html.render(script=scripts, sleep=3, keep_page=True) async def main(): # 定义一个协程函数

# input框录入 await r.html.page.keyboard.type(‘喜欢你啊啊啊’, {‘delay’: 200}) # 按住 await r.html.page.keyboard.down(‘Shift’) for i in range(3): await r.html.page.keyboard.press(‘ArrowLeft’, {‘delay’: 1000}) # 抬起来 await r.html.page.keyboard.up(‘Shift’) # 删除 await r.html.page.keyboard.press(‘Backspace’)

await r.html.page.waitFor(10000) # 等待5秒 session.loop.run_until_complete(main())

finally: session.close()

鼠标事件 r.html.page.mouse.XXX

.click(x,y,{ ‘button’：’left’, ‘click’:1 ‘delay’:0 }) .down({‘button’：’left’}) .up({‘button’：’left’}) .move(x,y,{‘steps’：1})

代码

from requests_html import HTMLSession

session = HTMLSession( browser_args=[ # 设置浏览器的启动参数 ‘–no-sand’, ‘–user-agent=Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36’ ], headless=False )

url = ‘https://www.bilibili.com/’

r = session.request(method=’get’, url=url)

scripts = “”” ()=>{ Object.defineProperties(navigator,{ webdriver:{ get: () => undefined } }) } “””

try: r.html.render(script=scripts, sleep=3, keep_page=True) async def main(): # 定义一个协程函数

res = await r.html.page.evaluate(”’ ()=>{ var a = document.querySelector(‘[alt=”【服装配布】伪·2nd Season Spring 初音-Cute Medley Idol Sounds”]’) return { ‘x’:a.x+a.width/2, ‘y’:a.y+a.height/2 } } ”’) print(res) # await r.html.page.mouse.move(res[‘x’], res[‘y’], {‘steps’: 200}) # await r.html.page.mouse.down({‘button’: ‘right’}) # 用左键还是右键打开，默认左键left # await r.html.page.mouse.up({‘button’: ‘right’}) await r.html.page.mouse.click(res[‘x’], res[‘y’]) # 点击事件

await r.html.page.waitFor(10000) # 等待5秒 session.loop.run_until_complete(main())

finally: session.close()

4、常用数据库

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

发表于：Python爬虫

2022-11-01

# Python爬虫

复制链接

赏