干货 | 十分钟带你从入门到进阶python爬虫

谁践踏了优雅 2023-05-31 07:09 4阅读 0赞

![640][]

恋爱保证书

![640][]

1、对你不离不弃，怜惜你，心疼你，保护你

2、做你的趴耳朵，不和你争吵，不对你发脾气

3、做你的妻管严，对你死心塌地，始终如一，绝不三心二意

4、一起做家务，一起逛菜市场，一起讨价还价，一起做饭，学会做可口的饭菜

![640?wx\_fmt=gif][640_wx_fmt_gif]

![640?wx\_fmt=png][640_wx_fmt_png]

十分钟带你从入门到进阶python爬虫

![640?wx\_fmt=png][640_wx_fmt_png 1]

0 1

**一、基础入门**

1.1

什么是爬虫

爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用。

1.2

爬虫基本流程

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2。

![640?wx\_fmt=png][640_wx_fmt_png 2]

***1***

发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

***2***

获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

***3***

解析内容

解析html数据：正则表达式（RE模块）、xpath（主要使用）、beautiful soup、css

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

***4***

保存数据

数据库（MySQL，Mongdb、Redis）或 文件的形式。

1.3

http协议 请求与响应

http协议

![640?wx\_fmt=png][640_wx_fmt_png 3]

**Request**：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

**Response**：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

**1.3.1**

**request**

(1) 请求方式

常见的请求方式：GET / POST

#### （2）请求的URL ####

url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定

#### （3）请求头 ####

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意：一般做爬虫都会加上请求头。

请求头需要注意的参数：

*  Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）
 *  User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）
 *  cookie：请求头注意携带

#### （4）请求体 ####

请求体 如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到） 如果是post方式，请求体是format data

ps：1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

**1.3.2**

**response**

### （1）响应状态码    ###

*  **　　**200：代表成功
 *  　　301：代表跳转
 *  　　404：文件不存在
 *  　　403：无权限访问
 *  　　502：服务器错误

#### （2）response header ####

响应头需要注意的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

#### （3）preview就是网页源代码 ####

json数据

如网页html，图片

二进制数据等

0 2

**二、基础模块**

2.1

requests

requests是python实现的简单易用的HTTP库,是由urllib的升级而来。

开源地址：

https://github.com/kennethreitz/requests

中文API：

http://docs.python-requests.org/zh\_CN/latest/index.html

2.2

re 正则表达式

## 在 Python 中使用内置的 re 模块来使用正则表达式。 ##

缺点：处理数据不稳定、工作量大

2.3

XPath

Xpath(XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。

在python中主要使用 lxml 库来进行xpath获取（在框架中不使用lxml，框架内直接使用xpath即可）

lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

##     ##

2.4

BeautifulSoup

## 和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。 ##

使用BeautifulSoup需要导入bs4库

缺点：相对正则和xpath处理速度慢

优点：使用简单

2.5

Json

## JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。 ##

在python中主要使用 json 模块来处理 json数据。Json解析网站：

https://www.sojson.com/simple\_json.html

2.6

threading

## 使用threading模块创建线程，直接从threading.Thread继承，然后重写\_\_init\_\_方法和run方法 ##

0 3

**三、方法实例**

##     ##

##  ##

3.1

get方法实例

## demo\_get.py ##

![640?wx\_fmt=png][640_wx_fmt_png 4]

3.2

post方法实例

demo\_post.py

![640?wx\_fmt=png][640_wx_fmt_png 5]

##     ##

3.3

添加代理

demo\_proxies.py

![640?wx\_fmt=png][640_wx_fmt_png 6]

##     ##

3.4

获取ajax类数据实例

## demo\_ajax.py ##

![640?wx\_fmt=png][640_wx_fmt_png 7]

##  ##

3.5

使用多线程实例

demo\_thread.py

0 4

**四、爬虫框架**

4.1

Srcapy框架

*  Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。
 *  Scrapy 使用了 Twisted`['twɪstɪd]`(其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

4.2

Scrapy架构图

##     ##

![640?wx\_fmt=png][640_wx_fmt_png 8]

4.3

Scrapy主要组件

*  `Scrapy Engine(引擎)`: 负责`Spider`、`ItemPipeline`、`Downloader`、`Scheduler`中间的通讯，信号、数据传递等。
 *  `Scheduler(调度器)`: 它负责接受`引擎`发送过来的Request请求，并按照一定的方式进行整理排列，入队，当`引擎`需要时，交还给`引擎`。
 *  `Downloader（下载器）`：负责下载`Scrapy Engine(引擎)`发送的所有Requests请求，并将其获取到的Responses交还给`Scrapy Engine(引擎)`，由`引擎`交给`Spider`来处理，
 *  `Spider（爬虫）`：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给`引擎`，再次进入`Scheduler(调度器)`，
 *  `Item Pipeline(管道)`：它负责处理`Spider`中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.
 *  `Downloader Middlewares（下载中间件）`：你可以当作是一个可以自定义扩展下载功能的组件。
 *  `Spider Middlewares（Spider中间件）`：你可以理解为是一个可以自定扩展和操作`引擎`和`Spider`中间`通信`的功能组件（比如进入`Spider`的Responses;和从`Spider`出去的Requests）

4.4

Scrapy的运作流程

1.  `引擎`：Hi！`Spider`, 你要处理哪一个网站？
2.  `Spider`：老大要我处理xxxx.com。
3.  `引擎`：你把第一个需要处理的URL给我吧。
4.  `Spider`：给你，第一个URL是xxxxxxx.com。
5.  `引擎`：Hi！`调度器`，我这有request请求你帮我排序入队一下。
6.  `调度器`：好的，正在处理你等一下。
7.  `引擎`：Hi！`调度器`，把你处理好的request请求给我。
8.  `调度器`：给你，这是我处理好的request
9.  `引擎`：Hi！下载器，你按照老大的`下载中间件`的设置帮我下载一下这个request请求
10. `下载器`：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后`引擎`告诉`调度器`，这个request下载失败了，你记录一下，我们待会儿再下载）
11. `引擎`：Hi！`Spider`，这是下载好的东西，并且已经按照老大的`下载中间件`处理过了，你自己处理一下（注意！这儿responses默认是交给`def parse()`这个函数处理的）
12. `Spider`：（处理完毕数据之后对于需要跟进的URL），Hi！`引擎`，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。
13. `引擎`：Hi ！`管道` 我这儿有个item你帮我处理一下！`调度器`！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。
14. ```管道``调度器```：好的，现在就做！

4.5

制作Scrapy爬虫4步曲

<table> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td>新建爬虫项目</td> 
   <td colspan="1">scrapy startproject mySpider</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>明确目标 （编写items.py）</td> 
   <td colspan="1">打开mySpider目录下的items.py</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td>制作爬虫 （spiders/xxspider.py）</td> 
   <td colspan="1">scrapy genspider gushi365 "gushi365.com"</td> 
  </tr> 
  <tr> 
   <td>4</td> 
   <td>存储内容 （pipelines.py）</td> 
   <td colspan="1">设计管道存储爬取内容</td> 
  </tr> 
 </tbody> 
</table>

0 5

**五、常用工具**

5.1

fidder

fidder是一款抓包工具，主要用于手机抓包。

5.2

XPath Helper

xpath helper插件是一款免费的chrome爬虫网页解析工具。可以帮助用户解决在获取xpath路径时无法正常定位等问题。

### 谷歌浏览器插件xpath helper 的安装和使用： ###

https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

0 6

**六、分布式爬虫**