Python爬蟲入門這一篇就夠了

摘要： 何謂爬蟲 所謂爬蟲，就是按照一定的規則，自動的從網路中抓取資訊的程式或者指令碼。全球資訊網就像一個巨大的蜘蛛網，我們的爬蟲就是上面的一個蜘蛛，不斷的去抓取我們需要的資訊。 爬蟲三要素 抓取 分析 儲存 基礎的抓取操作 1、urllib 在P...

何謂爬蟲

所謂爬蟲，就是按照一定的規則，自動的從網路中抓取資訊的程式或者指令碼。全球資訊網就像一個巨大的蜘蛛網，我們的爬蟲就是上面的一個蜘蛛，不斷的去抓取我們需要的資訊。

爬蟲三要素

• 抓取
• 分析
• 儲存

基礎的抓取操作

1、urllib

在Python2.x中我們可以通過urllib 或者urllib2 進行網頁抓取，但是再Python3.x 移除了urllib2。只能通過urllib進行操作

import urllib.request

response = urllib.request.urlopen('https://blog.csdn.net/weixin_43499626')
print(response.read().decode('utf-8'))

帶引數的urllib

url = 'https://blog.csdn.net/weixin_43499626'
url = url + '?' + key + '=' + value1 + '&' + key2 + '=' + value2

2、requests

requests庫是一個非常實用的HTPP客戶端庫，是抓取操作最常用的一個庫。Requests庫滿足很多需求

import requests
# get請求
response = requests.get(url='https://blog.csdn.net/weixin_43499626')
print(response.text)#列印解碼後的返回資料
# 帶引數的requests get請求
response = requests.get(url='https://blog.csdn.net/weixin_43499626', params={'key1':'value1', 'key2':'value2'})

需要登入的情況下

1、表單提交登入

向伺服器傳送一個post請求並攜帶相關引數，將伺服器返回的cookie儲存在本地,cookie是伺服器在客戶端上的“監視器”，記錄了登入資訊等。客戶端通過識別請求攜帶的cookie，確定是否登入

params = {'username': 'root', 'passwd': 'root'}
response = requests.post("http:xxx.com/login", data=params)
for key,value in response.cookies.items():
print('key = ', key + ' ||| value :'+ value)

2、cookie登入

我們可以將登入的cookie儲存在檔案中，

import urllib.request
import http.cookiejar
"""
儲存登入的cookie
"""
"""
MozillaCookieJar ： cookiejar的子類
從FileCookieJar派生而來，建立與Mozilla瀏覽器 cookies.txt相容的FileCookieJar例項。
"""
cookie = http.cookiejar.MozillaCookieJar('cookie.txt')
# 構建一個cookie的處理器
handler = urllib.request.HTTPCookieProcessor(cookie)
# 獲取一個opener物件
opener = urllib.request.build_opener(handler)
# # 獲取一個請求物件
request = urllib.request.Request('http://flights.ctrip.com/',headers={"Connection": "keep-alive"})
# 請求伺服器，獲取響應物件。cookie會在response裡一起響應
response = opener.open(request)
# 儲存cookie到檔案
cookie.save(ignore_discard=True, ignore_expires=True)


"""
請求攜帶檔案中的cookie
"""

import urllib.request
import http.cookiejar
cookie = http.cookiejar.MozillaCookieJar()
cookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
request = urllib.request.Request('http://flights.ctrip.com/')
html = opener.open(request).read().decode('gbk')

print(html)

常見的反爬有哪些

1、通過user-agent來控制訪問

user-agent能夠使伺服器識別出使用者的作業系統及版本、cpu型別、瀏覽器型別和版本。很多網站會設定user-agent白名單，只有在白名單範圍內的請求才能正常訪問。所以在我們的爬蟲程式碼中需要設定user-agent偽裝成一個瀏覽器請求。有時候伺服器還可能會校驗Referer，所以還可能需要設定Referer(用來表示此時的請求是從哪個頁面連結過來的)

# 設定請求頭資訊
headers = {
'Host': 'https://blog.csdn.net',
'Referer': 'https://blog.csdn.net/weixin_43499626/article/details/85875090',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36'
}
response = requests.get("http://www.baidu.com", headers=headers)

如下是CSDN中的Request Header中的資訊

accept: */*
accept-encoding: gzip, deflate, br
accept-language: zh-CN,zh;q=0.9
content-length: 0
cookie: bdshare_firstime=1500xxxxxxxx..............
origin: https://blog.csdn.net
referer: https://blog.csdn.net/weixin_43499626/article/details/85875090
user-agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36
x-requested-with: XMLHttpRequest

2、通過IP來限制

當我們用同一個ip多次頻繁訪問伺服器時，伺服器會檢測到該請求可能是爬蟲操作。因此就不能正常的響應頁面的資訊了。

解決辦法常用的是使用IP代理池。網上就有很多提供代理的網站、

proxies = {
"http": "http://119.101.125.56",
"https": "http://119.101.125.1",
}
response = requests.get("http://www.baidu.com", proxies=random.choices(proxies))

3、設定請求間隔

import time
time.sleep(1)

4、自動化測試工具Selenium

Web應用程式測試的Selenium工具。該工具可以用於單元測試，整合測試，系統測試等等。它可以像真正的使用者一樣去操作瀏覽器(包括字元填充、滑鼠點選、獲取元素、頁面切換)，支援Mozilla Firefox、Google、Chrome、Safari、Opera、IE等等瀏覽器。

5、引數通過加密

某些網站可能會將引數進行某些加密，或者對引數進行拼接傳送給伺服器，以此來達到反爬蟲的目的。這個時候我們可以試圖通過js程式碼，檢視破解的辦法。

連線xxx

或者可以使用"PhantomJS",PhantomJS是一個基於Webkit的"無介面"(headless)瀏覽器，它會把網站載入到記憶體並執行頁面上的JavaScript，因為不會展示圖形介面，所以執行起來比完整的瀏覽器更高效。

6、通過robots.txt來限制爬蟲

robots.txt是一個限制爬蟲的規範，該檔案是用來宣告哪些東西不能被爬取。如果根目錄存在該檔案，爬蟲就會按照檔案的內容來爬取指定的範圍。

瀏覽器訪問https://www.taobao.com/robots.txt

可以檢視淘寶的robots.txt檔案

部分內容如下

User-agent:Baiduspider
Disallow:/product/
Disallow:/

User-Agent:Googlebot
Disallow:/

User-agent:Bingbot
Disallow:/

User-Agent:360Spider
Disallow:/

User-Agent:Yisouspider
Disallow:/

User-Agent:Sogouspider
Disallow:/

User-Agent:Yahoo!Slurp
Disallow:/

User-Agent:*
Disallow:/

可以看出淘寶拒絕了百度爬蟲、谷歌爬蟲、必應爬蟲、360爬蟲、神馬爬蟲，搜狗爬蟲、雅虎爬蟲等約束。

分析

我們可以分析爬取的網頁內容，獲得我們真正需要的資料，常用的有正則表示式，BeautifulSoup,XPath、lxml等

正則表示式是進行內容匹配，將符合要求的內容全部獲取；

xpath()能將字串轉化為標籤，它會檢測字串內容是否為標籤，但是不能檢測出內容是否為真的標籤；

Beautifulsoup是Python的一個第三方庫，它的作用和 xpath 作用一樣，都是用來解析html資料的相比之下，xpath的速度會快一點，因為xpath底層是用c來實現的

儲存

通過分析網頁內容，獲取到我們想要的資料，我們可以選擇存到文字檔案中，亦可以儲存在資料庫中，常用的資料庫有MySql、MongoDB

儲存為json檔案

import json

dictObj = {
'小明':{
'age': 15,
'city': 'beijing',
},
'湯姆': {
'age': 16,
'city': 'guangzhou',
}
}

jsObj = json.dumps(dictObj, ensure_ascii=False)
fileObject = open('jsonFile.json', 'w')
fileObject.write(jsObj)
fileObject.close()

儲存為cvs檔案

import csv
with open('student.csv', 'w', newline='') as csvfile:
writer = csv.writer(csvfile)
writer.writerow(['姓名', '年齡', '城市'])
writer.writerows([['小明', 15 , '北京'],['湯姆', 16, '廣州']])

儲存到Mongo

# mongo服務
client = pymongo.MongoClient('mongodb://127.0.0.1:27017/')
# test資料庫
db = client.test
# student表,沒有自動建立
student_db = db.student
student_json = {
'name': '小明',
'age': 15,
'city': '北京'
}
student_db.insert(student_json)

歡迎關注我的公眾號：程式設計師共成長

公眾號內回覆【禮包】，獲取程式設計師專屬資料，包括但不限於Java、Python、Linux、資料庫、大資料、架構、測試、前端、ui以及各方向電子書