Spider_basic

网络爬虫

• 定义：网络蜘蛛、网络机器人,抓取网络数据的程序
• 总结：用Python程序去模仿人去访问网站,模仿的越逼真越好
• 目的：经过有效的大量数据分析市场走势、公司决策

企业获取数据的方式

1. 公司自有数据
2. 第三方数据平台购买
   • 数据堂、贵阳大数据交易所
3. 爬虫爬取数据
   • 市场上没有或者价格过高,利用爬虫程序爬取

Python作爬虫优点

• 请求模块、解析模块丰富成熟,强大的scrapy框架
  • PHP：对多线程、异步支持不太好
  • JAVA：代码笨重,代码量很大
  • C/C++：虽然效率高,可是代码成型很慢

爬虫分类

1. 通用网络爬虫(搜索引擎引用,须要遵照robots协议)
   • http://www.taobao.com/robots.txt
   • 搜索引擎如何获取一个新网站的URL
     • 网站主动向搜索引擎提供(百度站长平台)
     • 和DNS服务网(万网),快速收录新网站
2. 聚焦网络爬虫
   • 本身写的爬虫程序：
     • 面向主题的爬虫
     • 面向需求的爬虫

爬取数据步骤

1. 肯定须要爬取的URL地址
2. 经过HTTP/HTTPS协议来获取相应的HTML页面
3. 提取HTML页面有用的数据
   • 所需数据，保存
   • 页面中有其余的URL，继续第2步

工具

Anaconda和Spyder

1. Anaconda：开源的Python发行版本
2. Spyder：集成开发环境
   • Spyder经常使用快捷键：
   • 注释/取消注释：ctrl + 1
   • 保存：ctrl + s
   • 运行程序：f5
   • 自动补全：Tab

Chrome浏览器插件

• 安装步骤
  1. 右上角 - 更多工具 - 扩展程序
  2. 点开右上角 - 开发者模式
  3. 把插件拖拽到浏览器页面，释放鼠标，点击添加扩展...
• 插件介绍
  1. Proxy SwitchOmega：代理切换插件
  2. Xpath Helper：网页数据解析插件
  3. JSON View：查看json格式的数据(好看)

Fiddler抓包工具

1. mac安装
   • 安装mono
   • 执行 /Library/Frameworks/Mono.framework/Versions/<Mono Version>/bin/mozroots --import --sync
   • 执行 export PATH="/Library/Frameworks/Mono.framework/Versions/5.20.1/bin:$PATH"
2. 抓包工具设置
   • Tools -> options -> HTTPS -> ...from browers only
   • connections：设置端口号 8888
3. 设置浏览器代理
   • Proxy SwitchOmega -> 选项 -> 新建情景模式 -> HTTP 127.0.0.1 8888 -> 应用选项
4. 浏览器右上角图标 -> proxy(self) -> 访问百度

知识点

WEB

• HTTP和HTTS
  • HTTP：80
  • HTTPS：443，HTTP的升级版，加了一个安全套接层
• GET和POST
  • GET：查询参数都会在URL上显示出来
  • POST：查询参数和须要提交数据是隐藏在Form表单里的，不会再URL地址上显示
• URL：统一资源定位符
  • https:// item.jd.com :80 /26809408972.html #detail
  • 协议 域名/IP地址 端口 访问资源的路径 锚点
• User-Agent
  • 记录用户的浏览器、操做系统等，为了让用户获取更好的HTML页面效果
    • User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36
    • Mozilla Firefox：(Gecko内核)
    • IE：Trident(本身的内核)
    • Linux：KTHML(like Gecko)
    • Apple：Webkit(like KHTML)
    • Google：Chrome(like Webkit)
    • 其余浏览器都是模仿IE/Chrome

爬虫请求模块

• 版本
  • python2：urllib二、urllib
  • python3：把urllib和urllib2合并,urllib.request
• 经常使用方法
  • urllib.request.urlopen("网址")
    • 做用：向网站发起一个请求并获取响应
    • 字节流 = response.read()
    • 字符串 = response.read().decode("utf-8")
      • encode() : 字符串 --> bytes
      • decode() : bytes --> 字符串
  • 重构User-Agent
    • 不支持重构User-Agent：urlopen()
    • 支持重构User-Agent
      • urllib.request.Request(添加User-Agent)
      • urllib.request.Request("网址",headers="字典")
      • User-Agent是爬虫和反爬虫斗争的第一步,发送请求必须带User-Agent

使用流程(见 02_urllib.request.Request.py)

1. 利用Request()方法构建请求对象
2. 利用urlopen()方法获取响应对象
   • 利用响应对象的read().decode("utf-8")获取内容
   • 响应对象response的方法
     1. read()：读取服务器响应的内容
     2. getcode()：返回HTTP的响应码
        print(respones.getcode())
        200 ：成功
        4XX ：服务器页面出错
        5XX ：服务器出错
     3. geturl()：返回实际数据的URL(防止重定向问题)

import urllib.request

# 1. 建立请求对象（有User-Agent）
url = "http://www.baidu.com/"
headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}

req = urllib.request.Request(url, headers=headers)

# 2. 获取响应对象
res = urllib.request.urlopen(req)

# 3. 读取响应对象
html = res.read().decode("utf-8")

# 4. 具体操做
# print(html)
print(res.getcode())
print(res.geturl())

200
https://www.baidu.com/

• urllib.parse模块
  • urlencode(字典) ## 给中文编码，三个百分号一个汉子，注意：参数必定要为字典。
  • 实例见urlrequest.py

import urllib.parse
meinv = {"wd":"美女"}
meinv = urllib.parse.urlencode(meinv)
print(meinv)

wd=%E7%BE%8E%E5%A5%B3

import urllib.request
import urllib.parse


# 拼接URL
baseurl = "http://www.baidu.com/s?"
key = input("请输入要搜索的内容：")
# 进行urlencode()编码
key = urllib.parse.urlencode({"wd":key})
url = baseurl + key

headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}

# 建立请求对象
req = urllib.request.Request(url, headers=headers)

# 获取响应对象
res = urllib.request.urlopen(req)
html = res.read().decode("utf-8")

# 写入文件
with open("搜索.html", "w", encoding='utf-8') as f:
    f.write(html)

• quote(字符串编码)
• unquote(字符串解码)

key = urllib.parse.quote("字符串")
  baseurl = "http://www.baidu.com/s?wd="
  key = input("请输入要搜索的内容:")
  #进行quote()编码
  key = urllib.parse.quote(key)
  url = baseurl + key
  print(url)

练习

• 百度贴吧数据抓取
• 要求：
  1. 输入要抓取的贴吧名称
  2. 输入爬取的起始页和终止页
  3. 把每一页的内容保存到本地
     • 第1页.html 第2页.html ... ...
• 步骤：
  1. 找URL规律,拼接URL
     • 第1页：http://tieba.baidu.com/f?kw=美女&pn=0
     • 第2页：http://tieba.baidu.com/f?kw=美女&pn=50
     • 第3页：http://tieba.baidu.com/f?kw=美女&pn=100
     • 第n页：pn=(n-1)*50
  2. 获取网页内容(发请求获响应)
  3. 保存(本地文件、数据库)

请求方式及实例

• GET

  1. 特色 ：查询参数在URL地址中显示
  2. 案例 ：抓取百度贴吧

• POST(在Request方法中添加data参数)

  1. urllib.request.Request(url,data=data,headers=headers)
     • data：表单数据以bytes类型提交,不能是str
  2. 处理表单数据为bytes类型
     1. 把Form表单数据定义为字典data
     2. urlencode(data)
     3. 转为bytes数据类型：bytes()
  3. 有道翻译案例
  4. 有道翻译返回的是json格式的字符串,如何把json格式的字符串转换为Python中字典
     import json
     r_dict = json.loads(r_json)

import urllib.request
import urllib.parse
import json


# 请输入你要翻译的内容
key = input("请输入要翻译的内容：")
# 把提交的form表单数据转换为bytes数据类型
data = {'i':key,
        'from':'AUTO',
        'to':'AUTO',
        'smartresult':'dict',
        'client':'fanyideskweb',
        'salt':'15567713651723',
        'sign':'3eee1e0b9cbebd65a65007f497a9b33a',
        'ts':'1556771365172',
        'bv':'d1dc01b5ffc1e7dfd53e6ee3c347fc81',
        'doctype':'json',
        'version':'2.1',
        'keyfrom':'fanyi.web',
        'action':'FY_BY_REALTlME'
        }
# 字符串i=key&from=AUTO&to=AUTO&s....
data = urllib.parse.urlencode(data)
data = bytes(data, "utf-8")
# 发请求，获取相应
# url为POST地址，抓包工具抓到的
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule"
headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
# 此处data为form表单数据，为bytes数据类型
req = urllib.request.Request(url, data=data, headers=headers)
res = urllib.request.urlopen(req)
r_json = res.read().decode("utf-8")

r_dict = json.loads(r_json)
print(r_dict["translateResult"][0][0]["tgt"])

请输入要翻译的内容：天堂
heaven