一爬蟲簡介

創(chuàng)新互聯(lián)是一家專注于成都做網(wǎng)站、成都網(wǎng)站設(shè)計(jì)、成都外貿(mào)網(wǎng)站建設(shè)與策劃設(shè)計(jì),驛城網(wǎng)站建設(shè)哪家好?創(chuàng)新互聯(lián)做網(wǎng)站,專注于網(wǎng)站建設(shè)10余年,網(wǎng)設(shè)計(jì)領(lǐng)域的專業(yè)建站公司;建站業(yè)務(wù)涵蓋:驛城等地區(qū)。驛城做網(wǎng)站價(jià)格咨詢:13518219792

概述

近年來，隨著網(wǎng)絡(luò)應(yīng)用的逐漸擴(kuò)展和深入，如何高效的獲取網(wǎng)上數(shù)據(jù)成為了無數(shù)公司和個(gè)人的追求，在大數(shù)據(jù)時(shí)代，誰掌握了更多的數(shù)據(jù)，誰就可以獲得更高的利益，而網(wǎng)絡(luò)爬蟲是其中最為常用的一種從網(wǎng)上爬取數(shù)據(jù)的手段。

網(wǎng)絡(luò)爬蟲，即Web Spider，是一個(gè)很形象的名字。如果把互聯(lián)網(wǎng)比喻成一個(gè)蜘蛛網(wǎng)，那么Spider就是在網(wǎng)上爬來爬去的蜘蛛。網(wǎng)絡(luò)蜘蛛是通過網(wǎng)頁的鏈接地址來尋找網(wǎng)頁的。從網(wǎng)站某一個(gè)頁面（通常是首頁）開始，讀取網(wǎng)頁的內(nèi)容，找到在網(wǎng)頁中的其它鏈接地址，然后通過這些鏈接地址尋找下一個(gè)網(wǎng)頁，這樣一直循環(huán)下去，直到把這個(gè)網(wǎng)站所有的網(wǎng)頁都抓取完為止。

爬蟲的價(jià)值

互聯(lián)網(wǎng)中最有價(jià)值的便是數(shù)據(jù)，比如天貓商城的商品信息，鏈家網(wǎng)的租房信息，雪球網(wǎng)的證券投資信息等等，這些數(shù)據(jù)都代表了各個(gè)行業(yè)的真金白銀，可以說，誰掌握了行業(yè)內(nèi)的第一手?jǐn)?shù)據(jù)，誰就成了整個(gè)行業(yè)的主宰，如果把整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)比喻為一座寶藏，那我們的爬蟲課程就是來教大家如何來高效地挖掘這些寶藏，掌握了爬蟲技能， 你就成了所有互聯(lián)網(wǎng)信息公司幕后的老板，換言之，它們都在免費(fèi)為你提供有價(jià)值的數(shù)據(jù)。

robots.txt協(xié)議

如果自己的門戶網(wǎng)站中的指定頁面中的數(shù)據(jù)不想讓爬蟲程序爬取到的話，那么則可以通過編寫一個(gè)robots.txt的協(xié)議文件來約束爬蟲程序的數(shù)據(jù)爬取。robots協(xié)議的編寫格式可以觀察淘寶網(wǎng)的robots（訪問www.taobao.com/robots.txt即可)。但是需要注意的是，該協(xié)議只是相當(dāng)于口頭的協(xié)議，并沒有使用相關(guān)技術(shù)進(jìn)行強(qiáng)制管制，所以該協(xié)議是防君子不防小人。但是我們在學(xué)習(xí)爬蟲階段編寫的爬蟲程序可以先忽略robots協(xié)議。

爬蟲的基本流程

1.發(fā)送請求：通過相關(guān)模塊或者庫如瀏覽器一般向目標(biāo)站點(diǎn)發(fā)送請求，即一個(gè)request，請求可以攜帶headers和參數(shù)等信息，然后等待服務(wù)器響應(yīng)。

2.獲取響應(yīng)：服務(wù)器正常響應(yīng)，會(huì)返回一個(gè)response,即頁面內(nèi)容，類型可能是html，json或者二進(jìn)制數(shù)據(jù)（音頻視頻圖片等）

3.數(shù)據(jù)解析：響應(yīng)的字符串可以通過正則表達(dá)式或者beautifulSoup,xpath等解析器提煉出我們感興趣的數(shù)據(jù)

4.保存數(shù)據(jù)：解析出的數(shù)據(jù)進(jìn)行保存，可以存儲(chǔ)到文件中，也可以存儲(chǔ)到redies,mongdb等數(shù)據(jù)庫中

二 requests模塊

Requests是用python語言基于urllib編寫的，采用的是Apache2 Licensed開源協(xié)議的HTTP庫，Requests它會(huì)比urllib更加方便，可以節(jié)約我們大量的工作。一句話，requests是python實(shí)現(xiàn)的最簡單易用的HTTP庫，建議爬蟲使用requests庫。默認(rèn)安裝好python之后，是沒有安裝requests模塊的，需要單獨(dú)通過pip安裝

2.1 基本語法

requests模塊支持的請求

import requests
requests.get("http://httpbin.org/get")
requests.post("http://httpbin.org/post")
requests.put("http://httpbin.org/put")
requests.delete("http://httpbin.org/delete")
requests.head("http://httpbin.org/get")
requests.options("http://httpbin.org/get")　

get請求

1 基本請求

import requests
response=requests.get('https://www.jd.com/',)
 
with open("jd.html","wb") as f:
    f.write(response.content)

2 含參數(shù)請求

import requests
response=requests.get('https://s.taobao.com/search?q=手機(jī)')
response=requests.get('https://s.taobao.com/search',params={"q":"美女"})

3 含請求頭請求

import requests
response=requests.get('https://dig.chouti.com/',
             headers={
                   'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                         }
                      )

4 含cookies請求

import uuid
import requests
url = 'http://httpbin.org/cookies'
cookies = dict(sbid=str(uuid.uuid4()))
res = requests.get(url, cookies=cookies)
print(res.text)

post請求

1 data參數(shù)

requests.post()用法與requests.get()完全一致，特殊的是requests.post()多了一個(gè)data參數(shù)，用來存放請求體數(shù)據(jù)
response=requests.post("http://httpbin.org/post",params={"a":"666"}, data={"name":"ccj"})

2 發(fā)送json數(shù)據(jù)

import requests
res1=requests.post(url='http://httpbin.org/post', data={'name':'ccj'}) #沒有指定請求頭,#默認(rèn)的請求頭:application/x-www-form-urlencoed
print(res1.json())
 
res2=requests.post(url='http://httpbin.org/post',json={'age':"22",}) #默認(rèn)的請求頭:application/json
print(res2.json())

response對象

(1) 常見屬性

import requests
respone=requests.get('https://sh.lianjia.com/ershoufang/')
# respone屬性
print(respone.text)
print(respone.content)
print(respone.status_code)
print(respone.headers)
print(respone.cookies)
print(respone.cookies.get_dict())
print(respone.cookies.items())
print(respone.url)
print(respone.history)
print(respone.encoding)

(2) 編碼問題

import requests
response=requests.get('http://www.autohome.com/news')
#response.encoding='gbk' #汽車之家網(wǎng)站返回的頁面內(nèi)容為gb2312編碼的，而requests的默認(rèn)編碼為ISO-8859-1，如果不設(shè)置成gbk則中文亂碼
with open("res.html","w") as f:
    f.write(response.text)

(3) 下載二進(jìn)制文件（圖片，視頻，音頻）

import requests
response=requests.get('/upload/otherpic44/4561.jpg')
with open("res.png","wb") as f:
    # f.write(response.content) # 比如下載視頻時(shí),如果視頻100G,用response.content然后一下子寫到文件中是不合理的
    for line in response.iter_content():
        f.write(line)

(4) 解析json數(shù)據(jù)

import requests
import json
 
response=requests.get('http://httpbin.org/get')
res1=json.loads(response.text) #太麻煩
res2=response.json() #直接獲取json數(shù)據(jù)
print(res1==res2)

(5) Redirection and History

默認(rèn)情況下，除了 HEAD, Requests 會(huì)自動(dòng)處理所有重定向?？梢允褂庙憫?yīng)對象的 history 方法來追蹤重定向。Response.history 是一個(gè) Response 對象的列表，為了完成請求而創(chuàng)建了這些對象。這個(gè)對象列表按照從最老到最近的請求進(jìn)行排序。
>>> r = requests.get('http://github.com')
>>> r.url
'https://github.com/'
>>> r.status_code
200
>>> r.history
[<Response [301]>]

另外，還可以通過 allow_redirects 參數(shù)禁用重定向處理：

>>> r = requests.get('http://github.com', allow_redirects=False)
>>> r.status_code
301
>>> r.history
[]　

2.2 requests進(jìn)階用法

代理

一些網(wǎng)站會(huì)有相應(yīng)的反爬蟲措施，例如很多網(wǎng)站會(huì)檢測某一段時(shí)間某個(gè)IP的訪問次數(shù)，如果訪問頻率太快以至于看起來不像正常訪客，它可能就會(huì)會(huì)禁止這個(gè)IP的訪問。所以我們需要設(shè)置一些代理服務(wù)器，每隔一段時(shí)間換一個(gè)代理，就算IP被禁止，依然可以換個(gè)IP繼續(xù)爬取。

res=requests.get('http://httpbin.org/ip', proxies={'http':'110.83.40.27:9999'}).json()
print(res)

免費(fèi)代理

https://www.kuaidaili.com/free/

2.3 爬蟲案例

github的home頁

import requests
import re
#第一步： 請求獲取token，以便通過post請求校驗(yàn)
session=requests.session()
res=session.get("https://github.com/login")
authenticity_token=re.findall('name="authenticity_token" value="(.*?)"',res.text)[0]
print(authenticity_token)
# 第二步 構(gòu)建post請求數(shù)據(jù)
data={
    "login": "yuanchenqi0316@163.com",
    "password":"yuanchenqi0316",
    "commit": "Sign in",
    "utf8": "?",
    "authenticity_token": authenticity_token
    }
res=session.post("https://github.com/session",data=data,headers=headers,cookies=cookies)
with open("github.html","wb") as f:
    f.write(res.content)

分享標(biāo)題：爬蟲之request模塊
當(dāng)前鏈接：http://aaarwkj.com/article20/igiijo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供面包屑導(dǎo)航、軟件開發(fā)、企業(yè)建站、定制網(wǎng)站、自適應(yīng)網(wǎng)站、云服務(wù)器

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)