自学爬虫系列 1 - What is 爬虫？

本是古典何须时尚 2023-10-11 14:01 44阅读 0赞

#### 自学爬虫 1 - What is 爬虫？ ####

##### 前言 #####

记得17年实习，刚听到爬虫这个词的时候，感觉特别遥远。那时还特地从网上下载了一本<jsoup教程>，在公司看了三天左右，用Java写下了人生的第一个爬虫PoiCrawler，记忆尤为深刻。后来又为了Scrapy转战Python爬虫，在18年完成了从入门到实践的过程。  
对于爬虫，我的定义就是：在Java中爬虫是Jsoup，在python中就是requests(urlib)库(Scrapy先不提)。它们将html内容下载下来，我们解析html、存储解析后的数据，就构建了整个爬虫的数据流程。  
所以，在这里给爬虫粗略定义：**爬虫 = 爬取网页 + 解析目标数据 + 数据存储**

##### 爬取网页 #####

所谓的爬取网页，就是通过请求，将展示在浏览器的网页获取到。这是爬虫的第一步，也是比较重要的一步，通常我们听到的**代理ip、代理服务器、UA伪装等**就是在这一步实现的。  
python中安装requests即可发起请求获取网页数据，代码如下：

import requests
    
    header = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/13.0.5 Safari/605.1.15'}
    response = requests.get('https://www.baidu.com', headers=header)
    print(response.text)

java中导入jsoup.jar，使用jsoup发起请求，代码如下：

import org.jsoup.Jsoup;
    import org.jsoup.nodes.Document;
    
    public class Test{
        
    	public static void main(String[] args) throws IOException {
        
    			Document doc = Jsoup.connect("https://www.baidu.com").get();
    			System.out.println(doc.body());
    		}
    }

上述两种方法打印的数据，和你在浏览器访问 [https://www.baidu.com][https_www.baidu.com]数据时一样的。这就是爬虫的第一步，代码就像一个浏览器，根据输入的url对服务器发起请求，只是你的代码不会像浏览器一样，将html里面的标签和js代码解析并页面展现。在响应的数据中找到*目标数据*存放在哪个标签下，然后解析出来。

##### 解析目标数据 #####

解析目标数据就是把你想从网页上获取的数据想办法获取下来，常见的方法有**xpath、css**，这些选择标签的方法被称为选择器。  
假设下面的html是通过请求获取到的网页数据:

<html>
    	<head>
    	<title>为什么Java天下第一</title>
    	</head>
    	<body>
    		<a id="a1" class="a2" href = "https://www.baidu.com">寻她千百度</a>
    	</body>
    </html>

我想获取到<title>的文本和<a>的href属性和文本。  
在python中我们可以使用BeautifulSoup来解析：

from bs4 import BeautifulSoup
    
    html = 上面的html代码;
    # 将String类型的html使用解析器解析
    soup = BeautifulSoup(html, 'html.parser')
    # select是将所有选中的属性放到list返回，select_one是只返回list中的第一个元素
    # 这里的参数title是标签名选择器，string代表返回这个元素标签内包含的文本
    title = soup.select_one('title').string
    # 这里的#a1是css选择器，#a1代表id=a1，效果和.a2一样，代表class=a2的元素
    tag = soup.select_one('#a1')
    # attrs['href']代表选中的a1元素的href属性
    href = tag.attrs['href']
    content = tag.string
    print(title, href, content, sep='\n')

输出结果如果所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ_size_16_color_FFFFFF_t_70]

Java中使用Jsoup来解析

String html = 上面的html代码;
    		// 将字符串格式化成Document格式，connect()请求可以直接返回Document
    		Document doc = Jsoup.parse(html);
    		String title = doc.title();
    		// 通过id来获取a元素
    		Element a = doc.getElementById("a1");
    		// 获取a元素的href属性
    		String href = a.attr("href");
    		// 获取a元素的文本内容，即元素的><部分
    		String content = a.text();
    		System.out.println(title);
    		System.out.println(href);
    		System.out.println(content);

输出结果如图所示：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ_size_16_color_FFFFFF_t_70 1]  
这样就把你想要的数据从网页上爬取下来。

##### 数据存储 #####

数据存储就是将解析下来的数据格式化的存到一个地方，像这种打印在控制台上只是为了方便查看爬取的数据，并不会保存、我们需要通过程序将存放到MySQL的表中或者excel里面，方便数据的使用。通常python通过pymyql来连接mysql，pandas或xwlt来操作excel。

##### 结语 #####

其实常见的爬虫简单的一，没有想象的那么复杂。入门的话用好requests和bs4就足够了。随着接触的爬虫越来越多，知识面越来越广泛，技术能力层面也会随之提升。在以后遇到的反爬虫技术也会让你快速成长，与天斗与地斗与反爬虫斗，其乐无穷。

[https_www.baidu.com]: https://www.baidu.com
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2020062817313037.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200628171736693.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0NhdGNoTGlnaHQ=,size_16,color_FFFFFF,t_70