Python爬虫入门教程:超级简单的Python爬虫教程
这篇 Python 爬虫教程主要讲解以下 5 部分内容:
以中国旅游网首页(http://www.cntour.cn/)为例,抓取中国旅游网首页首条信息(标题和链接),数据以明文的形式出面在源码中。在中国旅游网首页,按快捷键【Ctrl+U】打开源码页面,如图 1 所示。
图 1 中国旅游网首页源码 认识网页结构
网页一般由三部分组成,分别是 HTML(超文本标记语言)、CSS(层叠样式表)和 JScript(活动脚本语言)。
HTML 是整个网页的结构,相当于整个网站的框架。带 < 、 > 符号的都是属于 HTML 的标签,并且标签都是成对出现的。
常见的标签如下:
html .. /html 表示标记中间的元素是网页
body .. /body 表示用户可见的内容
div .. /div 表示框架
p .. /p 表示段落
li .. /li 表示列表
img .. /img 表示图片
h1 .. /h1 表示标题
a href= .. /a 表示超链接
CSS 表示样式,图 1 中第 13 行<style type="text/css">表示下面引用一个 CSS,在 CSS 中定义了外观。
JScriptJScript 表示功能。交互的内容和各种特效都在 JScript 中,JScript 描述了网站中的各种功能。
如果用人体来比喻,HTML 是人的骨架,并且定义了人的嘴巴、眼睛、耳朵等要长在哪里。CSS 是人的外观细节,如嘴巴长什么样子,眼睛是双眼皮还是单眼皮,是大眼睛还是小眼睛,皮肤是黑色的还是白色的等。JScript 表示人的技能,例如跳舞、唱歌或者演奏乐器等。
写一个简单的 HTML通过编写和修改 HTML,可以更好地理解 HTML。首先打开一个记事本,然后输入下面的内容:
html
head
title Python 3 爬虫与数据清洗入门与实战 /title
/head
body
div
p Python 3爬虫与数据清洗入门与实战 /p
/div
div
ul
li a href= http://c.biancheng.net 爬虫 /a /li
li 数据清洗 /li
/ul
/div
/body
输入代码后,保存记事本,然后修改文件名和后缀名为 HTML.html ;
运行该文件后的效果,如图 2 所示。
这段代码只是用到了 HTML,读者可以自行修改代码中的中文,然后观察其变化。
关于爬虫的合法性几乎每一个网站都有一个名为 robots.txt 的文档,当然也有部分网站没有设定 robots.txt。对于没有设定 robots.txt 的网站可以通过网络爬虫获取没有口令加密的数据,也就是该网站所有页面数据都可以爬取。如果网站有 robots.txt 文档,就要判断是否有禁止访客获取的数据。
以淘宝网为例,在浏览器中访问 https://www.taobao.com/robots.txt,如图 3 所示。
图 3 淘宝网的robots.txt文件内容
淘宝网允许部分爬虫访问它的部分路径,而对于没有得到允许的用户,则全部禁止爬取,代码如下:
User-Agent:*
Disallow:/
这一句代码的意思是除前面指定的爬虫外,不允许其他爬虫爬取任何数据。
使用 requests 库请求网站 安装 requests 库首先在 PyCharm 中安装 requests 库,为此打开 PyCharm,单击 File (文件)菜单,选择 Setting for New Projects 命令,如图 4 所示。
选择 Project Interpreter (项目编译器)命令,确认当前选择的编译器,然后单击右上角的加号,如图 5 所示。
在搜索框输入:requests(注意,一定要输入完整,不然容易出错),然后单击左下角的 Install Package (安装库)按钮。如图 6 所示:
安装完成后,会在 Install Package 上显示 Package requests installed successfully (库的请求已成功安装),如图 7 所示;如果安装不成功将会显示提示信息。
图 7 安装成功 爬虫的基本原理
网页请求的过程分为两个环节:
Request (请求):每一个展示在用户面前的网页都必须经过这一步,也就是向服务器发送访问请求。 Response(响应):服务器在接收到用户的请求后,会验证请求的有效性,然后向用户(客户端)发送响应的内容,客户端接收服务器响应的内容,将内容展示出来,就是我们所熟悉的网页请求,如图 8 所示。
GET:最常见的方式,一般用于获取或者查询资源信息,也是大多数网站使用的方式,响应速度快。 POST:相比 GET 方式,多了以表单形式上传参数的功能,因此除查询信息外,还可以修改信息。
所以,在写爬虫前要先确定向谁发送请求,用什么方式发送。
使用 GET 方式抓取数据复制任意一条首页首条新闻的标题,在源码页面按【Ctrl+F】组合键调出搜索框,将标题粘贴在搜索框中,然后按【Enter】键。
如图 8 所示,标题可以在源码中搜索到,请求对象是www.cntour.cn,请求方式是GET(所有在源码中的数据请求方式都是GET),如图 9 所示。
图 9(点此查看高清大图)
确定好请求对象和方式后,在 PyCharm 中输入以下代码:
import requests #导入requests包 url = http://www.cntour.cn/ strhtml = requests.get(url) #Get方式获取网页数据 print(strhtml.text)
运行结果如图 10 所示:
图 10 运行结果效果图(点此查看高清大图)
加载库使用的语句是 import+库的名字。在上述过程中,加载 requests 库的语句是:import requests。
用 GET 方式获取数据需要调用 requests 库中的 get 方法,使用方法是在 requests 后输入英文点号,如下所示:
requests.get
将获取到的数据存到 strhtml 变量中,代码如下:
strhtml = request.get(url)
这个时候 strhtml 是一个 URL 对象,它代表整个网页,但此时只需要网页中的源码,下面的语句表示网页源码:
strhtml.text
使用 POST 方式抓取数据首先输入有道翻译的网址:http://fanyi.youdao.com/,进入有道翻译页面。
按快捷键 F12,进入开发者模式,单击 Network,此时内容为空,如图 11 所示:
在有道翻译中输入 我爱中国 ,单击 翻译 按钮,如图 12 所示:
在开发者模式中,依次单击 Network 按钮和 XHR 按钮,找到翻译数据,如图 13 所示:
单击 Headers,发现请求数据的方式为 POST。如图 14 所示:
找到数据所在之处并且明确请求方式之后,接下来开始撰写爬虫。
首先,将 Headers 中的 URL 复制出来,并赋值给 url,代码如下:
url = http://fanyi.youdao.com/translate_o?smartresult=dict smartresult=rule
POST 的请求获取数据的方式不同于 GET,POST 请求数据必须构建请求头才可以。
Form Data 中的请求参数如图 15 所示:
将其复制并构建一个新字典:
From_data={ i : 我愛中國 , from : zh-CHS , to : en , smartresult : dict , client : fanyideskweb , salt : 15477056211258 , sign : b3589f32c38bc9e3876a570b8a992604 , ts : 1547705621125 , bv : b33a2f3f9d09bde064c9275bcb33d94e , doctype : json , version : 2.1 , keyfrom : fanyi.web , action : FY_BY_REALTIME , typoResult : false }
接下来使用 requests.post 方法请求表单数据,代码如下:
import requests #导入requests包
response = requests.post(url,data=payload)
将字符串格式的数据转换成 JSON 格式数据,并根据数据结构,提取数据,并将翻译结果打印出来,代码如下:
import json content = json.loads(response.text) print(content[ translateResult ][0][0][ tgt ])
使用 requests.post 方法抓取有道翻译结果的完整代码如下:
import requests #导入requests包 import json def get_translate_date(word=None): url = http://fanyi.youdao.com/translate_o?smartresult=dict smartresult=rule From_data={ i :word, from : zh-CHS , to : en , smartresult : dict , client : fanyideskweb , salt : 15477056211258 , sign : b3589f32c38bc9e3876a570b8a992604 , ts : 1547705621125 , bv : b33a2f3f9d09bde064c9275bcb33d94e , doctype : json , version : 2.1 , keyfrom : fanyi.web , action : FY_BY_REALTIME , typoResult : false } #请求表单数据 response = requests.post(url,data=From_data) #将Json格式字符串转字典 content = json.loads(response.text) print(content) #打印翻译后的数据 #print(content[ translateResult ][0][0][ tgt ]) if __name__== __main__ : get_translate_date( 我爱中国 )使用 Beautiful Soup 解析网页
通过 requests 库已经可以抓到网页源码,接下来要从源码中找到并提取数据。Beautiful Soup 是 python 的一个库,其最主要的功能是从网页中抓取数据。Beautiful Soup 目前已经被移植到 bs4 库中,也就是说在导入 Beautiful Soup 时需要先安装 bs4 库。
安装 bs4 库的方式如图 16 所示:
安装好 bs4 库以后,还需安装 lxml 库。如果我们不安装 lxml 库,就会使用 Python 默认的解析器。尽管 Beautiful Soup 既支持 Python 标准库中的 HTML 解析器又支持一些第三方解析器,但是 lxml 库具有功能更加强大、速度更快的特点,因此笔者推荐安装 lxml 库。
安装 Python 第三方库后,输入下面的代码,即可开启 Beautiful Soup 之旅:
import requests #导入requests包 from bs4 import BeautifulSoup url= http://www.cntour.cn/ strhtml=requests.get(url) soup=BeautifulSoup(strhtml.text, lxml ) data = soup.select( #main div div.mtop.firstMod.clearfix div.centerBox ul.newsList li a ) print(data)
代码运行结果如图 17 所示。
图 17(点此查看高清大图)
Beautiful Soup 库能够轻松解析网页信息,它被集成在 bs4 库中,需要时可以从 bs4 库中调用。其表达语句如下:
from bs4 import BeautifulSoup
首先,HTML 文档将被转换成 Unicode 编码格式,然后 Beautiful Soup 选择最合适的解析器来解析这段文档,此处指定 lxml 解析器进行解析。解析后便将复杂的 HTML 文档转换成树形结构,并且每个节点都是 Python 对象。这里将解析后的文档存储到新建的变量 soup 中,代码如下:
soup=BeautifulSoup(strhtml.text, lxml )
接下来用 select(选择器)定位数据,定位数据时需要使用浏览器的开发者模式,将鼠标光标停留在对应的数据位置并右击,然后在快捷菜单中选择 检查 命令,如图 18 所示:
随后在浏览器右侧会弹出开发者界面,右侧高亮的代码(参见图 19(b))对应着左侧高亮的数据文本(参见图 19(a))。右击右侧高亮数据,在弹出的快捷菜单中选择 Copy ➔ Copy Selector 命令,便可以自动复制路径。
图 19 复制路径
将路径粘贴在文档中,代码如下:
#main div div.mtop.firstMod.clearfix div.centerBox ul.newsList li:nth-child(1) a
由于这条路径是选中的第一条的路径,而我们需要获取所有的头条新闻,因此将 li:nth-child(1)中冒号(包含冒号)后面的部分删掉,代码如下:
#main div div.mtop.firstMod.clearfix div.centerBox ul.newsList li a
使用 soup.select 引用这个路径,代码如下:
data = soup.select( #main div div.mtop.firstMod.clearfix div.centerBox ul.newsList li a )
清洗和组织数据至此,获得了一段目标的 HTML 代码,但还没有把数据提取出来,接下来在 PyCharm 中输入以下代码:
for item in data: result={ title :item.get_text(), link :item.get( href ) print(result)
代码运行结果如图 20 所示:
图 20(点此查看高清大图)
首先明确要提取的数据是标题和链接,标题在<a>标签中,提取标签的正文用 get_text() 方法。链接在<a>标签的 href 属性中,提取标签中的 href 属性用 get() 方法,在括号中指定要提取的属性数据,即 get('href')。
从图 20 中可以发现,文章的链接中有一个数字 ID。下面用正则表达式提取这个 ID。需要使用的正则符号如下:
/d匹配数字
+匹配前一个字符1次或多次
在 Python 中调用正则表达式时使用 re 库,这个库不用安装,可以直接调用。在 PyCharm 中输入以下代码:
import re for item in data: result={ title :item.get_text(), link :item.get( href ), ID :re.findall( /d+ ,item.get( href )) print(result)
运行结果如图 21 所示:
这里使用 re 库的 findall 方法,第一个参数表示正则表达式,第二个参数表示要提取的文本。
爬虫攻防战爬虫是模拟人的浏览访问行为,进行数据的批量抓取。当抓取的数据量逐渐增大时,会给被访问的服务器造成很大的压力,甚至有可能崩溃。换句话就是说,服务器是不喜欢有人抓取自己的数据的。那么,网站方面就会针对这些爬虫者,采取一些反爬策略。
服务器第一种识别爬虫的方式就是通过检查连接的 useragent 来识别到底是浏览器访问,还是代码访问的。如果是代码访问的话,访问量增大时,服务器会直接封掉来访 IP。
那么应对这种初级的反爬机制,我们应该采取何种举措?
还是以前面创建好的爬虫为例。在进行访问时,我们在开发者环境下不仅可以找到 URL、Form Data,还可以在 Request headers 中构造浏览器的请求头,封装自己。服务器识别浏览器访问的方法就是判断 keyword 是否为 Request headers 下的 User-Agent,如图 22 所示。
因此,我们只需要构造这个请求头的参数。创建请求头部信息即可,代码如下:
headers={ User-Agent : Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36 }
response = request.get(url,headers=headers)
写到这里,很多读者会认为修改 User-Agent 很太简单。确实很简单,但是正常人1秒看一个图,而个爬虫1秒可以抓取好多张图,比如 1 秒抓取上百张图,那么服务器的压力必然会增大。也就是说,如果在一个 IP 下批量访问下载图片,这个行为不符合正常人类的行为,肯定要被封 IP。
其原理也很简单,就是统计每个IP的访问频率,该频率超过阈值,就会返回一个验证码,如果真的是用户访问的话,用户就会填写,然后继续访问,如果是代码访问的话,就会被封 IP。
这个问题的解决方案有两个,第一个就是常用的增设延时,每 3 秒钟抓取一次,代码如下:
import time
time.sleep(3)
但是,我们写爬虫的目的是为了高效批量抓取数据,这里设置 3 秒钟抓取一次,效率未免太低。其实,还有一个更重要的解决办法,那就是从本质上解决问题。
不管如何访问,服务器的目的就是查出哪些为代码访问,然后封锁 IP。解决办法:为避免被封 IP,在数据采集时经常会使用代理。当然,requests 也有相应的 proxies 属性。
首先,构建自己的代理 IP 池,将其以字典的形式赋值给 proxies,然后传输给 requests,代码如下:
proxies={ http : http://10.10.1.10:3128 , https : http://10.10.1.10:1080 , response = requests.get(url, proxies=proxies)
本文仅对 Python 爬虫及实现过程做了简明扼要地介绍,仅能使初学者对 python 爬虫有一个浅显的认识,并不能让你完全掌握 Python 爬虫。
如果你想对 Python 爬虫有更深入的了解,我推荐你阅读:
相关文章
- python 函数、运算符以及运算符优先级
- [Python 爬虫]煎蛋网 OOXX 妹子图爬虫(1)——解密图片地址
- python的安装教程_Python的安装
- Python获取时间戳_python爬虫时间戳
- Python 爬虫 NO.4 HTTP 响应状态码
- Python爬虫(全)
- python 爬虫新手入门教程
- Python&R语言-python和r相遇
- python基础系列教程——Python的安装与测试:python解释器、PyDev编辑器、pycharm编译器
- 手机python 3.8解释器_Python 3.8 解释器安装教程
- python生成器详解_Python 生成器
- 【说站】python如何实现Stack
- 【说站】python整数的用法整理
- 【说站】python列表推导式的结构探究
- 【测试开发】python系列教程:第一个Python程序
- 搭建python开发环境-c++教程 如何搭建Python开发环境?
- Python中的继承
- Python爬虫学习——简单爬虫+可视化
- python多进程编程-多进程编程中的异常处理(二)
- 解决CentOS 7升级Python到3.6.6后yum出错问题总结
- Python操作Redis、Memcache、RabbitMQ、SQLAlchemy详解编程语言
- Linux下安装Python的指南(linux下安装python)
- python工具——geoplotlib详解编程语言
- 运维学python之爬虫实战篇(二)爬取伯乐在线面向对象图片
- 运维学Python之爬虫系列教程
- 为python设置socket代理的方法