一、爬虫的原理
爬虫是什么?把互联网上的数据,抓取下来,存到自己的本地。
以百度为例,爬取一个个的网页,存到自己库中,当我们搜索的时候,去百度的数据库中搜索,显示在前端,点击某个页面,直接跳转到真正的地址。
基本原理:
发送http请求(requests)---->返回数据----->解析数据(数据清洗,bs4,re…)---->入库(文件,excel,mysql,redis,mongodb)
注:
爬取数据时,如果被禁止了,一定是你模拟的不像。
爬虫协议:
每个网站,都有爬虫协议,规定了哪些允许你爬,哪些不允许你爬(君子协议)
robots.txt---->只是一个协议
反爬:
- 验证码
- 封ip
- 封账号
- js逆向:js比较不错
- app爬取:加密
- app逆向:java,动态调试so文件---->汇编
爬虫所需工具:
请求库:requests,selenium
解析库:正则,beautifulsoup,pyquery
存储库:文件,MySQL,Mongodb,Redis
爬虫常用框架:
scrapy
二、请求库requests基本使用
模拟发送http请求(只要http请求有的东西,都可以使用requests发送出去)。
python内置的urllib2、urllib3,不太好用,用起来比较麻烦。
大神基于urllib3封装了requests,python界非常出名的第三方库,只能发送http请求,不能解析;
又封装了一个requets-html库,把request和解析库封装到一起了。
安装:
pip3 install requests
1.基本使用
import requests
# res对象中会有,响应体,响应头,cookie。。。。# 请求头中带User-Agent,是客户端类型# 加入请求头
res = requests.get('https://dig.chouti.com/',headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'})print(res.text)# 响应体,转成了字符串withopen('a.html','w',encoding='utf-8')as f:
f.write(res.text)# 另外一种使用
requests.request('post',cookies={})
2.带参数的GET请求
# 方式一:get请求参数,直接拼接在路径中
response = requests.get('https://www.baidu.com/s?wd=美女',
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',})withopen('baidu.html','w', encoding='utf-8')as f:
f.write(response.text)# 方式二:使用params参数
response = requests.get('https://www.baidu.com/s',
params={'wd':'帅哥'},
headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',})withopen('baidu.html','w', encoding='utf-8')as f:
f.write(response.text)
3.带参数的GET请求(headers)
import requests
# res对象中会有,响应体,响应头,cookie。。。。# 请求头中带User-Agent,是客户端类型# referer:上一次请求的地址,做图片防盗链# cookie:cookie信息# 加入请求头
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36','referer':'https://www.lagou.com/wn/zhaopin'}
res = requests.get('https://www.lagou.com/gongsi/',headers=header)print(res.text)# 响应体,转成了字符串
referer:比如向这个图片地址发请求,会有referer,检测referer是不是这个网站的,不是则禁止。
4.带参数的GET请求(cookies)
# 方式一:带在请求头中
header={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36','cookie':'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiIwZmVlMjk5OS1iMDgzLTRmYzctOTM4MC03YjIzZmVmY2U5YmYiLCJleHBpcmUiOiIxNjIzOTA0ODk5MzM5In0.7cadtBYznS6OgnLwEF8aH0AmtDOoYB1WKDgdU4eYYS0; __snaker__id=VbChmBUEZIVY3FPa; _9755xjdesxxd_=32; YD00000980905869%3AWM_TID=%2FazmF9%2FrClJFEVFBVRN70z7msH6De39Y; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1631674964,1634180671,1634183906; gdxidpyhxdE=SmmnuyrMOQB%2B9hzOlIaMPx0O9ZJbqWBllx7aa1OTmRwgGymo94mTYgZ0DrUWw7tfx8qIZmRt01BbIVX2jIc30jqSzPWznXpll6kBokS56266%2FmPg%2BC%5CvNV%2BJhO%5C9ln%2FQdskmo%2FH5A%2BLOADRDACtDp59%5CH51jexwMSIXSA9atTxuJDXOn%3A1634184810108; YD00000980905869%3AWM_NI=WlPwT2GigeoAGFNAH66LZluq3E87sk7E%2Bn6YtGANtE0G%2Bke2f0x6a1rG8kACozd%2FrWBXr3ne%2FBnps6fdDDeTm052UXP1VES3VxQISaL9zd91nvo%2FON%2FVuXS9INJSQYS%2FOG8%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee97c96aadeda38de27286ef8bb3d45a828f8babae8095aea8d0b47e9191e186c42af0fea7c3b92a95b4a098d73a85b7a986ee4b859a82a2cb3ef694968df87bf19bf8d8f261f59be58fb553b8998faff74ff499e58ce83aa6f0b8d7e43bb299f88cc449ada6acd0f15d8288bed4ed6fed9ea291f23ea6bc8ca5e860aff0fbd3d85494ef9aa6d23996a89faad26b90e7b685bc3baeaaa1d0ce46ed8abbb9d2338b9286b4d45391f181a8bb37e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNjM2Nzc1OTIyMTI2In0.o5-Y9-USxFog5sdo1WR1WORUzPkUD4fozEVA_f0WSHU; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1634183939'}# post请求,携带在请求体中的数据
res=requests.post('https://dig.chouti.com/link/vote',data={'linkId':'32667354'},headers=header)#https://dig.chouti.com/link/cancel/voteprint(res.text)# 方式二:直接以参数形式传入,cookie会经常用,而且一般是字典形式,提供了一个cookie参数
header ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',}# cookies需要是:Dict or CookieJar object
res = requests.post('https://dig.chouti.com/link/vote', data={'linkId':'32667354'}, headers=header,cookies={})print(res.text)
5.POST请求
# 发送post请求,模拟浏览器的登录行为
header ={'Referer':'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F','User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'}
res = requests.post('http://www.aa7a.cn/user.php', headers=header, data={'username':'[email protected]','password':'xxx','captcha':'fmd8','remember':1,'ref':'http://www.aa7a.cn/','act':'act_login',})# 获取到cookie,登陆过后的cookie
cookie = res.cookies
print(cookie)# CookieJar
res1 = requests.get('http://www.aa7a.cn/', headers=header, cookies=cookie)# res1=requests.get('http://www.aa7a.cn/',headers=header)print('[email protected]'in res1.text)
6.响应Response
import requests
respone=requests.get('http://www.360buy.com')# respone属性print(respone.text)# body的内容转成str类型print(respone.content)# body的二进制内容 (图片,视频)print(respone.status_code)# 响应状态码print(respone.headers)# 响应头print(respone.cookies)# 把响应的cookie转成了cookiejar的对象print(respone.cookies.get_dict())# 把cookiejar的对象转成字典print(respone.cookies.items())# key和valueprint(respone.url)# 请求的地址print(respone.history)# 请求历史,重定向,才有数据,列表print(respone.encoding)# 响应的编码格式
response.iter_content()#循环它,如果是视频,一点一点保存
解析json(http请求返回的数据是json格式):
res.text是json字符串,取值不好取,需要json.loads(res.text)转成字典,再取值
直接res.json()转成json后的字典形式
import requests
res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data={'cname':'','pid':'','keyword':'上海','pageIndex':1,'pageSize':10,})# print(res.text)print(type(res.json()))
7.编码问题
url编码问题 把中文用url编码,把url编码解成中文
# https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3from urllib import parse
# 把中文用url编码,
res=parse.quote('美女')print(res)# 把url编码解成中文
res=parse.unquote('%E7%BE%8E%E5%A5%B3')print(res)
网站编码,不是utf-8,使用res.text默认用utf-8转,可能出乱码
import requests
res=requests.get('')# res.encoding='GBK'
res.encoding=res.apparent_encoding
print(res.text)
8.获取二进制数据
视频、图片需要保存二进制
import requests
res=requests.get('https://img.lianzhixiu.com/uploads/allimg/202001/9999/a7b0199df8.jpg')withopen('致命诱惑2.png','wb')as f:# f.write(res.content)for line in res.iter_content(1024):
f.write(line)
9.request.session的使用
import requests
session = requests.session()# 可以帮咱们保持cookie,以后不用手动携带
header ={'Referer':'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F','User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'}
res = session.post('http://www.aa7a.cn/user.php', headers=header, data={'username':'[email protected]','password':'xxx','captcha':'fmd8','remember':1,'ref':'http://www.aa7a.cn/','act':'act_login',})# 获取到cookie,登陆过后的cookie# cookie=res.cookies# print(cookie) # CookieJar
res1 = session.get('http://www.aa7a.cn/', headers=header)print('[email protected]'in res1.text)
补充:
什么是正向代理,什么是反向代理?
- 正向代理,隐藏客户端 翻墙软件
- 反向代理,隐藏服务器 nginx 是一个反向代理服务器
正向代理---->买票的黄牛
反向代理---->租房的代理
总结:
1 爬虫介绍
- 模拟发送http请求---->获取到数据(html,json,图片,视频)---->数据清洗---->入库
2 请求库:requests模块
- 跟其他服务交互,使用requests模块
- postman:完全自己写,使用requests写
3 发送get请求
4 发送get请求,地址中带参数
- 直接拼在路径中
- params参数传入,字典
- url编码和解码:中文编成url的编码形式
5 发送get请求,携带请求头
- headers参数
- user-agent:客户端类型
- referer:上一个地址
6 发送请求,携带cookie
请求头
以参数形式携带
7 发送post请求
- 地址中带数据:params参数传入
- 请求头中带:headers
- 请求体中:data={},json={}
8 Respons对象属性,参数
- text:响应的body体,转成了字符串
- content:响应体的二进制(图片,视频)
- iter_content:图片,视频,循环保存
- 编码
- cookies:一旦登录成功,这个cookies就是认证后的cookies
- json() :把返回的json格式字符串直接转成字典形式
9 编码问题
10 request.session的使用
版权归原作者 不 再 熬 夜 所有, 如有侵权,请联系我们删除。