分类

Python爬虫入门，详细讲解爬虫过程

python学习网 2020-10-29 15:57:04

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

以下文章来源于凌晨安全，作者 MoLing

 

1. 爬虫就是模拟浏览器抓取东西，爬虫三部曲：数据爬取、数据解析、数据存储

数据爬取：手机端、pc端数据解析：正则表达式数据存储：存储到文件、存储到数据库

2. 相关python库

爬虫需要两个库模块：requests和re

1. requests库

requests是比较简单易用的HTTP库，相较于urllib会简洁很多，但由于是第三方库，所以需要安装，文末附安装教程链接（链接全在后面，这样会比较方便看吧，贴心吧~）

requests库支持的HTTP特性：

保持活动和连接池、Cookie持久性会话、分段文件上传、分块请求等

Requests库中有许多方法，所有方法在底层的调用都是通过request()方法实现的，所以严格来说Requests库只有request()方法，但一般不会直接使用request()方法。以下介绍Requests库的7个主要的方法：

①requests.request()

构造一个请求，支撑一下请求的方法

具体形式：requests.request(method,url,**kwargs)

method：请求方式，对应get,post,put等方式

url：拟获取页面的url连接

**kwargs：控制访问参数

②requests.get()

获取网页HTM网页的主要方法，对应HTTP的GET。构造一个向服务器请求资源的Requests对象，返回一个包含服务器资源的Response对象。

Response对象的属性：

 

具体形式：res=requests.get(url)

code=res.text (text为文本形式；bin为二进制；json为json解析)

③requests.head()

获取HTML的网页头部信息，对应HTTP的HEAD

具体形式：res=requests.head(url)

④requests.post()

向网页提交post请求方法，对应HTTP的POST

具体形式：res=requests.post(url)

⑤requests.put()

向网页提交put请求方法，对应HTTP的PUT

⑥requests.patch()

向网页提交局部修改的请求，对应HTTP的PATCH

⑦requests.delete()

向网页提交删除的请求，对应HTTP的DELETE

# requests 操作练习
import requests
import re
#数据的爬取
h = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36'
}
response = requests.get('https://movie.douban.com/chart',headers=h)
html_str = response.text
#数据解析<a href="https://movie.XX.com/subject/34961898/"  title="汉密尔顿">
pattern = re.compile('<a.*?title="(.*?)">')     #  .*? 任意匹配尽可能多的匹配尽可能少的字符
result = re.findall(pattern,html_str)
print(result)

 

2. re正则表达式：(Regular Expression)

一组由字母和符号组成的特殊字符串，作用：从文本中找到你想要的格式的句子

关于 .*? 的解释：

 

3. xpath解析源码

import requests
import re
from bs4 import  BeautifulSoup
from lxml import etree
#数据爬取（一些HTTP头的信息）
h = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36'
}
response = requests.get('https://movie.XX.com/chart',headers=h)
html_str = response.text
#数据解析
#正则表达式解析
def re_parse(html_str):
pattern = re.compile('<a.*?title="(.*?)"')
results = re.findall(pattern,html_str)
print(results)
return results
#bs4解析
def bs4_parse(html_str):
soup = BeautifulSoup(html_str,'lxml')
items = soup.find_all(class_='nbg')
for item in items:
print(item.attrs['title'])
#lxml解析
def lxml_parse(html_str):
html = etree.HTML(html_str)
results = html.xpath('//a[@class="nbg"]/@title')
print(results)
return results
re_parse(html_str)
bs4_parse(html_str)
lxml_parse(html_str)

 

4. python写爬虫的架构

 

从图上可以看到，整个基础爬虫架构分为5大类：爬虫调度器、URL管理器、HTML下载器、HTML解析器、数据存储器。

下面给大家依次来介绍一下这5个大类的功能：

① 爬虫调度器：主要是配合调用其他四个模块，所谓调度就是取调用其他的模板。

② URL管理器：就是负责管理URL链接的，URL链接分为已经爬取的和未爬取的，这就需要URL管理器来管理它们，同时它也为获取新URL链接提供接口。

③ HTML下载器：就是将要爬取的页面的HTML下载下来。

④ HTML解析器：就是将要爬取的数据从HTML源码中获取出来，同时也将新的URL链接发送给URL管理器以及将处理后的数据发送给数据存储器。

⑤ 数据存储器：就是将HTML下载器发送过来的数据存储到本地。

0x01 whois爬取

每年，有成百上千万的个人、企业、组织和政府机构注册域名，每个注册人都必须提供身份识别信息和联系方式，包括姓名、地址、电子邮件、联系电话、管理联系人和技术联系人一这类信息通常被叫做whois数据

import requests
import re
h = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36'
}
response = requests.get('http://whois.chinaz.com/'+input("请输入网址："),headers=h)
print(response.status_code)
html = response.text
#print(html)
#解析数据
pattern = re.compile('class="MoreInfo".*?>(.*?)</p>',re.S)
result = re.findall(pattern,html)
# 方法一：
# str = re.sub('\n',',',result[0])
# print(str)
#方法二：
print(result[0].replace('/n',','))

 

0x02 爬取电影信息

import requests
import re
import time
# count = [0,10,20,30,40,50,60,70,80,90]
h = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36'
}
responce = requests.get('https://XX.com/board/4?offset=0', headers=h)
responce.encoding = 'utf-8'
html = responce.text
# 解析数据  time.sleep(2)
patter = re.compile('class="name">.*?title="(.*?)".*?主演：(.*?)</p>.*?上映时间：(.*?)</p>', re.S)
#time.sleep(2)
result = re.findall(patter, html)
print(result)
with open('maoyan.txt', 'a', encoding='utf-8') as f:
for item in result:  # 读取result（以元组的形式储存）中的内容=》
for i in item:
f.write(i.strip().replace('\n', ','))
#print('\n')

 

0x03 爬取图片

import requests
import re
import time
#数据的爬取img的url
def get_urls():
response = requests.get('http://XX.com/png/')
html_str = response.text
#解析数据，得到url
pattern = re.compile('<img data-original="(.*?)"')
results = re.findall(pattern,html_str)
print(results)
return results
#<img data-original="http://XX.616pic.com/ys_img/00/06/20/64dXxVfv6k.jpg">
#下载图片
def down_load_img(urls):
for url in urls:
response = requests.get(url)
with open('temp/'+url.split('/')[-1], 'wb') as f:
f.write(response.content)
print(url.split('/')[-1],'已经下载成功')
if __name__ == '__main__':
urls = get_urls()
down_load_img(urls)

 

0x04 线程池

线程池是一种多线程处理形式，处理过程中将任务添加到队列，然后在创建线程后自动启动这些任务。线程池线程都是后台线程。每个线程都使用默认的堆栈大小，以默认的优先级运行，并处于多线程单元中。

"""线程池"""
from concurrent.futures import ThreadPoolExecutor
import time
import threading

def ban_zhuang(i):
    print(threading.current_thread().name,"**开始搬砖{}**".format(i))
    time.sleep(2)
    print("**员工{}搬砖完成**一共搬砖：{}".format(i,12**2))   #将format里的内容输出到{}

if __name__ == '__main__':             #主线程
    start_time = time.time()
    print(threading.current_thread().name,"开始搬砖")
    with ThreadPoolExecutor(max_workers=5) as pool:
        for i in range(10):
            p = pool.submit(ban_zhuang,i)
    end_time =time.time()
    print("一共搬砖{}秒".format(end_time-start_time))

 

结合多线程的爬虫：

'''美女爬取'''
import requests
import re
from urllib.parse import urlencode
import time

import threading
#https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=0&format=json&keyword=%E7%BE%8E%E5%A5%B3&autoload=true&count=20

def get_urls(page):
    keys = {
        'aid':'24',
        'app_name':'web_search',
        'offset':20*page,
        'keyword':'美女',
        'count':'20'
    }
    keys_word = urlencode(keys)
    url = 'https://www.toutiao.com/api/search/content/?'+keys_word
    response = requests.get(url)
    print(response.status_code)
    html_str = response.text
    # 解析"large_image_url":"(.*?)"
    pattern = re.compile('"large_image_url":"(.*?)"',re.S)
    urls = re.findall(pattern, html_str)
    return urls

#下载图片
def download_imags(urls):
    for url in urls:
        try:
            response = requests.get(url)
            with open('pic/'+url.split('/')[-1]+'.jpg','wb') as f:
                f.write(response.content)
                print(url.split('/')[-1]+'.jpg',"已下载~~")
        except Exception as err:
            print('An exception happened: ')


if __name__ == '__main__':
    start = time.time()
    thread = []
    for page in range(3):
        urls = get_urls(page)
        #print(urls)
        #多线程
        for url in urls:
            th = threading.Thread(target=download_imags,args=(url,))
            #download_imags(urls)
            thread.append(th)
    for t in thread:
        t.start()
    for t in thread:
        t.join()

    end = time.time()
    print('耗时：',end-start)

 

阅读(2552) 评论(0)