慕课BIT嵩老师爬虫课笔记

Dear 丶 2022-06-17 05:57 295阅读 0赞

一直想学python，在中国大学慕课上发现了嵩老师的python系列专题课程，就首先试着听了听嵩老师的爬虫课，虽然时间有点短并且内容也不够深入，但是讲得很生动，于是就记了一些笔记，也稍微加入了一些自己的见解和总结

### 文章目录 ###

*  Requests库
 *   *  主要方法
     *  其他使用技巧
     *   *  伪装成浏览器：
 *  Robots协议
 *   *  查看方法
 *  BeautifulSoup库
 *   *  获得soup
     *  标签树的遍历
     *   *  下行遍历
         *  上行遍历
         *  平行遍历
     *  友好显示
     *  常用的信息表示形式与信息提取方法
     *  BeautifulSoup标签查找方法
     *  案例：中国大学排名定向爬虫
     *   *  format函数
 *  Re库
 *   *  常用符号
     *  经典正则表达式
     *  Python的raw string类型
     *  Re库主要函数
     *  Match对象介绍
     *   *  Match对象的属性
         *  Match对象的方法
     *  贪婪匹配与最小匹配
     *   *  最小匹配操作符
     *  案例
 *  Scrapy框架入门
 *   *  Scrapy常用命令行
     *  Scrapy爬虫编写步骤
     *   *  步骤1
         *  步骤二
         *  步骤三
         *  步骤四
     *  yield关键字
     *  Scrapy爬虫框架的使用步骤
     *  Scrapy中的几种数据类型
     *   *  Request类
         *  Response类
         *  Item类
     *  Scrapy支持的信息提取方法
     *  股票数据爬虫案例
     *   *  非终结parse方法
         *  终结parse方法
         *  编写Pipelines
         *  优化配置

# Requests库 #

--------------------

## 主要方法 ##

*  r = requests.get(url)
 *  r = requests.get(url, params=None, \*\*kwargs),params指url中额外的访问参数，kwargs指12个控制访问参数
 *  r = requests.post(url, data=None, \*\*kwargs)
 *  r = requests.request(‘get’, url, params, \*\*kwargs)
 *  r = requests.head(url) 只获得请求头

> 一些常用的访问控制参数：  
> params 请求参数  
> data 请求体参数  
> json json格式数据作为请求体内容  
> headers 定制请求头  
> cookies 字典或者CookieJar  
> auth 元组，支持http认证功能  
> files 字典类型，传输文件  
> proxies 字典，设置访问代理服务器  
> allow\_redirects 重定向开关，默认开  
> verify 认证ssl开关，默认开  
> cert 本地ssl路径  
> \#\#Response对象的常用属性

*  r.status\_code 返回状态码
 *  r.text 响应内容的字符串形式，即url对应的页面，如果不是get的请求方式的话则打印的是请求体
 *  r.encoding header中的响应编码方式
 *  r.apparent\_encoding 从内容中分析出的响应编码方式
 *  r.content 响应内容的二进制形式
 *  r.url 请求时的url

> 1.常用r.encoding = r.apparent\_encoding  
> 来防止页面乱码。  
> 2.使用r.raise\_for\_status()在返回状态不是200时产生异常

## 其他使用技巧 ##

### 伪装成浏览器： ###

r=requests.get(url,headers={ 'user-agent':'Mozilla/5.0'})

# Robots协议 #

--------------------

## 查看方法 ##

url/robots.txt

# BeautifulSoup库 #

--------------------

## 获得soup ##

soup=BeautifulSoup('<html>...</html>','html.parser')

常用解析器：

*  **html.parser** bs库自带的解析器，解析html;
 *  **lxm** 需要安装lxml库，解析html,xml;
 *  **xml** 需要安装lxml库，解析xml，笔者使用时感觉对xml文档的容错能力较低，不如lxml;
 *  **html5lib** 需要安装html5lib

\#\#BeautifulSoup基本元素

*  **Tag** 标签
 *  **Name** 标签名，可通过tag.name获得
 *  **Attributes** 标签属性，字典形式组织，通过tag.attrs获得
 *  **NavigableString** 非属性字符串，可通过tag.string获得

> 注：如果标签内有多个分离的字符串，则返回None，用tag.text则可以返回由这些分离的字符串连接起来的str类型

*  **Comment** 标签内注释

## 标签树的遍历 ##

### 下行遍历 ###

*  **.contents** 返回直接子节点的列表
 *  **.children** 返回直接子节点的迭代类型
 *  **.descendants** 返回所有后裔节点的迭代类型

### 上行遍历 ###

*  **.parent** 节点的父标签
 *  **.parents** 节点的所有先辈标签的迭代类型

### 平行遍历 ###

*  **.next\_sibling** 下一个平行节点标签
 *  **.next\_siblings** 返回所有后续平行节点的迭代类型
 *  **.previous\_sibling** 上一个平行节点标签
 *  **.previous\_siblings** 返回前续所有平行节点的迭代类型

> 注：平行遍历发生在同一父节点下

## 友好显示 ##

print(soup.prettify())

## 常用的信息表示形式与信息提取方法 ##

*  形式：xml,json,yaml
 *  提取方法：形式解析与搜索方法

## BeautifulSoup标签查找方法 ##

*  \**tag.find\_all(name,attrs,recursive,string,\*kwargs)* 返回所有符合要求的标签列表，name为要检索的标签名；attrs限定属性；recursive表示是否递归检索所以子孙，默认true；string表示对字符串区域检索字符串，如果限定了该属性，此时返回的是字字符串列表。

> 注：tag(‘a’)等价与tag.findall(‘a’)

*  **tag.find()** 返回搜索到的第一个结果

> 注：tag.a等价于tag.find(‘a’)

*  **tag.find\_parents()** 在所有先辈节点中搜索，返回一个列表返回所有查找到的结果
 *  **tag.find\_parent()** 在所有先辈节点中返回第一个匹配结果
 *  **tag.find\_next\_siblings()** 在后续平行节点中返回一个列表包含所有所有匹配结果
 *  **tag.find\_next\_sibling()** 返回后续节点中第一个匹配的结果
 *  **find\_previous\_siblings()**
 *  **find\_previous\_sibling()**

> 注：所有这些函数的参数都同find\_all()

## 案例：中国大学排名定向爬虫 ##

### format函数 ###

"{:^10}\t{:^6}\t{:^10}".format("排名","学校名称"，"总分")

解决中文对齐问题：

"{0:^10}\t{1:{3}^6}\t{2:^10}".format("排名","学校名称","总分",chr(12288))

> chr(12288) 表示中文空格:\{3\}表示用format函数中索引为3的参数进行填充

# Re库 #

--------------------

## 常用符号 ##

*  **.** 匹配任意单个字符
 *  **\[\]** 字符集，对单个字符给出取值范围
 *  **\[^\]** “非”字符集，对单个字符给出排除范围
 *  **\*** 前一个字符0次或多次扩展
 *  **+** 1次或多次扩展
 *  **?** 0次或1次扩展
 *  **|** 左右表达式任意一个
 *  **\{m\}** 前一个字符扩展m次
 *  **\{m,n\}** 扩展m至n次(含n)
 *  **^** 匹配字符串开头
 *  **$** 匹配字符串结尾
 *  **()**
 *  **\\d** 数字，等价与\[0-9\]
 *  **\\w** 单词字符，等价与\[A-Za-z0-9\_\]

## 经典正则表达式 ##

*  **^\[A-Za-z\]+$** 由26个字母组成的字符串
 *  **\[\\u4e00-\\u9fa5\]** 匹配中文字符
 *  **((\[1-9\]?\\d|1\\d\{2\}|2\[0-4\]\\d|25\[0-5\]).)\{3\}(\[1-9\]?\\d|1\\d\{2\}|2\[0-4\]\\d|25\[0-5\])** 匹配ip地址

## Python的raw string类型 ##

`r'text'` 则python不会对字符串中的转义符进行转义，正则表达式一般使用raw string

## Re库主要函数 ##

*  **re.search(pattern,string,flags=0)** 搜索匹配正则表达式的第一个位置，返回match对象
 *  **re.match()** 从字符串开始位置匹配正则表达式，返回match对象，可以使用在if语句中
 *  **re.findall()** 以列表类型返回全部能匹配的子串
 *  **re.split(pattern,string,maxsplit=0,flags=0)** 按照正则表达式匹配结果对字符串进行分割，返回列表类型;maxsplit表示最大分割数，剩余部分作为最后一个元素输出
 *  **re.finditer()** 返回匹配结果的迭代类型，每一个迭代元素是match对象
 *  **re.sub(pattern,repl,string,count=0,flags=0)** 替换所有匹配正则表达式的子串，返回替换后的字符串;repl表示替换匹配字符串的字符串，count表示最大替换次数

> flags包括如下：

*  **re.IGNORECASE re.I** 忽略大小写匹配
 *  **re.MULTILINE re.M** 正则表达式的^操作符能将每行当做匹配开始
 *  **re.DOTALL re.S** 正则表达式的.操作符可以匹配包括换行符在内的一切字符，如果不指定这个模式，则.不能匹配换行符

\#\#Re库的另一种等价用法

pat=re.compile(r'[1-9]\d{5}') rst=pat.search('BIT 100081')

## Match对象介绍 ##

Match表示一次匹配的结果，包含很多匹配信息

### Match对象的属性 ###

*  **.string** 待匹配文本
 *  **.re** 匹配时使用的pattern对象
 *  **.pos** 正则表达式搜索文本的开始位置
 *  **.endpos** 正则表达式搜索文本的结束位置

### Match对象的方法 ###

*  **.group()** 获得匹配后的字符串
 *  **.start()** 获得匹配字符串在原始字符串的开始位置
 *  **.end()** 匹配字符串在原始字符串的结束位置
 *  **.span()** 返回(.start(),.end())

## 贪婪匹配与最小匹配 ##

Re库默认采用贪婪匹配

### 最小匹配操作符 ###

*  \*?
 *  \+?
 *  ??
 *  \{m,n\}?

## 案例 ##

网站选取心态：不要纠结与某个网站，多找信息源尝试

判断一个元素是否是标签：

import bs4 isinstance(tr, bs4.element.Tag)

> 注：前面说的那几个BeautifuSoup元素都是在bs4的element的模块下

# Scrapy框架入门 #

--------------------

\#\#框架结构  
![Scrapy的框架结构][Scrapy]  
5个组件，2个Middleware，包括Downloader Middleware和Spider Middleware

## Scrapy常用命令行 ##

*  **startproject** 创建一个新工程
 *  **genspider** 创建一个爬虫
 *  **settings** 获得爬虫配置信息
 *  **crawl** 运行一个爬虫
 *  **list** 列出工程中所有爬虫
 *  **shell** 启动url调试命令行

## Scrapy爬虫编写步骤 ##

### 步骤1 ###

建立一个scrapy爬虫工程，即生成工程目录

scrapy startproject 工程名

### 步骤二 ###

在工程中产生一个scrapy爬虫。

进入刚刚创建的目录，输入如下命令：

scrapy genspider 爬虫名称 初始url

spiders目录下会生成 [爬虫名称.py][.py]，该命令仅用于生成 [爬虫名称.py][.py]，该文件也可以手动生成。

### 步骤三 ###

*  配置初始url：  
    打开刚刚生成的py文件，修改start\_urls变量
 *  编写解析方式：  
    修改parse函数

示例如下：  
![代码示例][scrapy_E4_BB_A3_E7_A0_81_E7_A4_BA_E4_BE_8B.png]  
另一个等价版本，使用yield生成器：  
![yield版本代码示例][yield]

### 步骤四 ###

运行爬虫，命令如下：

scrapy crawl 爬虫名称

## yield关键字 ##

包含yield语句的函数是一个生成器，生成器每次产生一个值，然后被冻结，被唤醒后再产生一个值，不断往复。

示例：

def gen(n): for i in range(n): yield i**2 for i in gen(5): print(i, " ", end="")

输出：

0 1 4 9 16

## Scrapy爬虫框架的使用步骤 ##

1.  创建一个工程和Spider模板
2.  编写Spider
3.  编写Item Pipeline
4.  优化配置策略

## Scrapy中的几种数据类型 ##

### Request类 ###

含义：表示一个http请求，由Spider生成，Downloader执行

属性和方法：

*  **url** 请求的url地址
 *  **method** 请求对应的http方法，‘get’,'post’等
 *  **headers** 字典类型风格的请求头
 *  **body** 请求主体内容，字符串类型
 *  **meta** 用户添加的拓展信息，在Scrapy内部模块间传递信息使用
 *  **.copy()** 复制该请求

### Response类 ###

含义：表示一个http响应，由Downloader生成，Spider处理

属性和方法：

*  **url** 对应的url地址
 *  **status** 响应状态码
 *  **headers**
 *  **body**
 *  **flags** 一组标记
 *  **request** 产生Response类型所对应的Request对象
 *  **copy()** 复制该响应

### Item类 ###

含义：表示一个从html页面中提取的信息内容，由Spider生成，Item Pipline处理，Item类似字典类型，可以按照字典类型操作

## Scrapy支持的信息提取方法 ##

*  BeautifulSoup
 *  lxml
 *  re
 *  XPath Selector
 *  CSS Selector

> CSS Selector示例：  
> response.css(‘a::attr(href)’).extract()  
> 表示抽取a元素的href属性，返回一个迭代类型

## 股票数据爬虫案例 ##

### 非终结parse方法 ###

是一个Request对象的生成器

def parse(self, response): for href in response.css('a::attr(href)').extract(): try: stock = re.findall(r"[s][hz]\d{6}", href)[0] url = 'https://gupiao.baidu.com/stock/' + stock + '.html' yield scrapy.Request(url, callback=self.parse_stock) except: continue

### 终结parse方法 ###

也是一个生成器

def parse_stock(self, response): infoDict = { } stockInfo = response.css('.stock-bets') name = stockInfo.css('.bets-name').extract()[0] keyList = stockInfo.css('dt').extract() valueList = stockInfo.css('dd').extract() for i in range(len(keyList)): key = re.findall(r'>.*</dt>', keyList[i])[0][1:-5] try: val = re.findall(r'\d+\.?.*</dd>', valueList[i])[0][0:-5] except: val = '--' infoDict[key]=val infoDict.update( { '股票名称': re.findall('\s.*\(',name)[0].split()[0] + \ re.findall('\>.*\<', name)[0][1:-1]}) yield infoDict

### 编写Pipelines ###

步骤：

1.  配置`pipelines.py`
2.  定义对爬取项的处理类
3.  配置settings.py的ITEM\_PIPELINES选项  
    示例：

编写`pipelines.py`:

方法运行顺序为open\_spider->process\_item->close\_spider

class BaidustocksInfoPipeline(object): def open_spider(self, spider): self.f = open('BaiduStockInfo.txt', 'w') def close_spider(self, spider): self.f.close() def process_item(self, item, spider): try: line = str(dict(item)) + '\n' self.f.write(line) except: pass return item

配置`settings.py`:

ITEM_PIPELINES = { 'BaiduStocks.pipelines.BaidustocksInfoPipeline': 300, }

300的大小表示执行顺序

### 优化配置 ###

*  **CONCURRENT\_REQUESTS** Downloader最大并发下载数量，默认32
 *  **CONCURRENT\_ITEMS** Item Pipeline最大并发ITEM处理数量，默认100
 *  **CONCURRENT\_REQUESTS\_PER\_DOMAIN** 每个目标域名最大的并发请求数量，默认8
 *  **CONCURRENT\_REQUESTS\_PER\_IP** 每个目标IP最大并发请求数量，默认0，非0有效

[Scrapy]: http://ou427u8j5.bkt.clouddn.com/scrapy%E6%A1%86%E6%9E%B6%E7%BB%93%E6%9E%84.png
[.py]: http://xn--eqrv41epkfd1n.py
[scrapy_E4_BB_A3_E7_A0_81_E7_A4_BA_E4_BE_8B.png]: http://ou427u8j5.bkt.clouddn.com/scrapy%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B.png
[yield]: http://ou427u8j5.bkt.clouddn.com/scrapy%E4%BB%A3%E7%A0%81%E7%A4%BA%E4%BE%8B%E7%9A%84yield%E7%89%88%E6%9C%AC.png