一:什么是爬虫
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,经常被称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
即打开一个网页,里面有网页内容吧,想象一下,有个工具,可以把网页上的内容获取下来,存到你想要的地方,这个工具就是我们今天的主角:爬虫
二:requests介绍
1:requests介绍
requests 是 Python 中的一个 HTTP 库,可以用于发送 HTTP/1.1 请求。它可以让 Python 发送 HTTP/1.1 请求,包括 GET、POST、PUT、DELETE、HEAD、OPTIONS 等方法,同时也支持 cookie、header、SSL 等特性。
2:安装requests
pip install requests
3:requests使用
(1):GET请求
import requests #导入 Requests 模块
params= {'key1': 'value1', 'key2': 'value2'}
r = requests.get("https://XXX", params=params)
(2):POST请求
import requests #导入 Requests 模块
data = {'key1': 'value1', 'key2': 'value2'}
r = requests.post("https://XXX", data=data)
(3):其他请求
r = requests.put("https://XXX") #put请求
r = requests.delete("https://XXX") #delete请求
r = requests.head("https://XXX") #head请求
r = requests.options("https://XXX") #options请求
(4):requests响应
- 字符串内容响应
import requests #导入 Requests 模块
import ast
r = requests.get('https://XXX') #像目标url地址发送get请求,返回一个response对象
content = r.text #获取响应内容
# #将字符串转字典型
content_list = ast.literal_eval(content)
- 二进制内容响应
import requests #导入 Requests 模块
r = requests.get('https://XXX') #像目标url地址发送get请求,返回一个response对象
r.content #非文本请求,获取响应内容,一般创建图片时获取图片使用
3. json内容响应
import requests #导入 Requests 模块
r = requests.get('https://XXX')
r.json()
如果 JSON 解码失败,r.json就会抛出一个异常。例如,相应内容是 401 (Unauthorized),尝试访问 r.json将会抛出 ValueError: No JSON object could be decoded异常。
- 原始内容响应
在罕见的情况下,你可能想获取来自服务器的原始套接字响应,那么你可以访问 r.raw。 如果你确实想这么干,那请你确保在初始请求中设置了 stream=True。具体你可以这么做:
import requests
r = requests.get('https://XXX', stream=True)
r.raw #<requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
r.raw.read(10) #'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
三:BeautifulSoup介绍
1:BeautifulSoup介绍
BeautifulSoup 是一个可以将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment
BeautifulSoup文档地址:Beautiful Soup 4.4.0 文档 Beautiful Soup 4.12.0 文档
2:BeautifulSoup安装
pip install beautifulsoup4
我们还可以安装lxml,这是一个解析器,BeautifulSoup可以使用它来解析HTML,然后提取内容,如果不安装lxml,则BeautifulSoup会使用Python内置的解析器对文档进行解析。之所以使用lxml,是因为它速度快
pip install lxml
3:BeautifulSoup使用
(1):Tag介绍
标签; 访问方式:soup.tag;属性:tag.name(标签名),tag.attrs(标签属性)
例:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="test">this is test</p>','lxml')
tag = soup.p
print(tag) # <p class="test">this is test</p>
print(tag.name) # p
print(tag.attrs) # {'class': ['test']}
print(tag['class']) # ['test']
(2):NavigableString介绍
NavigableString就是标签中的文本内容(不包含标签),可遍历字符串; 访问方式:soup.tag.string
例:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="test">this is test</p>','lxml')
tag = soup.p
print(tag.string) #this is test
(3):BeautifulSoup介绍
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法; 属性:soup.name(标签名),soup.attrs(标签属性)
(4):Comment介绍
标签内字符串的注释; 访问方式:soup.tag.string
例:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p><!--hello word--></p>','lxml')
tag = soup.p
print(tag.string) #hello word
(5):搜索文档树
在BeautifulSoup中最常用的是find()和find_all(),当然还有其他的。比如find_parent() 和 find_parents()、 find_next_sibling() 和 find_next_siblings() 、find_all_next() 和 find_next()、find_all_previous() 和 find_previous() 等等。这里只介绍find()和find_all()用法,其他的可以自行参考官网文档
- find_all()
搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。返回值类型是bs4.element.ResultSet
语法
find_all( name , attrs , recursive , string , **kwargs )
参数说明
- name 参数:可以查找所有名字为 name 的tag。
- attr 参数:就是tag里的属性。
- string 参数:搜索文档中字符串的内容。
- recursive 参数: 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点。如果只想搜索tag的直接子节点,可以使用参数 recursive=False 。
简单实例:
from bs4 import BeautifulSoup
import re
soup = BeautifulSoup('<p class="test">this is test</p><a class="click" id="btn" href="http://www.baidu.com">点击跳转</a>','lxml')
print(soup.find_all("p")) #[<p class="test">this is test</p>]
print(soup.find_all("p", "test")) #[<p class="test">this is test</p>]
#
print(soup.find_all("a")) #[<a class="click" href="http://www.baidu.com">点击跳转</a>]
print(soup.find_all(id="btn")) #[<a class="click" href="http://www.baidu.com" id="btn">点击跳转</a>]
print(soup.find_all(string=re.compile("test"))) #['this is test']
- find()
与find_all()类似,只不过只返回找到的第一个值。返回值类型是bs4.element.Tag。
语法
find( name , attrs , recursive , string , **kwargs )
参数说明
- name 参数:可以查找所有名字为 name 的tag。
- attr 参数:就是tag里的属性。
- string 参数:搜索文档中字符串的内容。
- recursive 参数: 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点。如果只想搜索tag的直接子节点,可以使用参数 recursive=False 。
简单实例:
from bs4 import BeautifulSoup
import re
soup = BeautifulSoup('<p class="test">this is test</p><a class="click" id="btn" href="http://www.baidu.com">点击跳转</a>','lxml')
print(soup.find("p")) #<p class="test">this is test</p>
print(soup.find("p", "test")) #<p class="test">this is test</p>
#
print(soup.find("a")) #<a class="click" href="http://www.baidu.com">点击跳转</a>
print(soup.find(id="btn")) #<a class="click" href="http://www.baidu.com">点击跳转</a>
print(soup.find(string=re.compile("test"))) #this is test
四:python实现数据爬虫
数据爬虫简单实例
import requests #导入requests 模块
from bs4 import BeautifulSoup #导入BeautifulSoup 模块
import os #导入os模块
class BeautifulPicture():
def __init__(self): #类的初始化操作
self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1'} #给请求指定一个请求头来模拟chrome浏览器
self.web_url = 'http://XXX' #要访问的网页地址
self.folder_path = r'E:\pic' #设置图片要存放的文件目录
def get_pic(self):
print('开始网页get请求')
r = self.request(self.web_url)
print('开始获取所有a标签')
all_a = BeautifulSoup(r.text, 'lxml').find_all('img') #获取网页中的class为cV68d的所有a标签
print('开始创建文件夹')
self.mkdir(self.folder_path) #创建文件夹
print('开始切换文件夹')
os.chdir(self.folder_path) #切换路径至上面创建的文件夹
i = 0
for a in all_a: #循环每个标签,获取标签中图片的url并且进行网络请求,最后保存图片
img_str = a['src'] #a标签中完整的style字符串
print('a标签的style内容是:', img_str)
first_pos = img_str.find('"') + 1
second_pos = img_str.find('"',first_pos)
img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容
img_name = str(i)
self.save_img(img_url, img_name) #调用save_img方法来保存图片
i = int(i)+1
def save_img(self, url, name): ##保存图片
print('开始请求图片地址,过程会有点长...')
if url.find('https') != -1:
img = self.request(url)
file_name = name + '.jpg'
print('开始保存图片')
f = open(file_name, 'ab')
f.write(img.content)
print(file_name, '图片保存成功!')
f.close()
def request(self, url): #返回网页的response
r = requests.get(url, headers=self.headers) # 像目标url地址发送get请求,返回一个response对象。有没有headers参数都可以。
return r
def mkdir(self, path): ##这个函数创建文件夹
path = path.strip()
isExists = os.path.exists(path)
if not isExists:
print('创建名字叫做', path, '的文件夹')
os.makedirs(path)
print('创建成功!')
else:
print(path, '文件夹已经存在了,不再创建')
beauty = BeautifulPicture() #创建类的实例
beauty.get_pic() #执行类中的方法
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。