数据采集与预处理02 ：网络爬虫实战

数据采集与预处理02 ：网络爬虫实战

爬虫基本知识

1 HTTP的理解

URL uniform resource locator. 是统一资源定位符，URI identifier是统一资源标识符。几乎所有的URI都是URL。

URL前部一般可以看到是HTTP还是HTTPS， 这是访问资源需要的协议类型。HTTP hyper text transfer protocol 是客户端和服务器端请求和应答的标准，是互联网中应用最为广泛的一种协议。

HTTPS是以安全为目标的HTTP通道，加入了SSL层。

2 网页基础知识

网页的组成分为三大部分，HTML、CSS（Cascading Style sheets）层叠样式表、javascript。

在网页中，组织页面的对象被渲染成一个树形结构，用来标识文档中对象的准确模型，称为文档对象模型 Document Object Model DOM。

3 爬虫基本原理

网络爬虫本质上就是获取网页并提取和保存信息的自动化程序。

爬虫的首要工作就是获取网页源代码，再从中提取想要的数据。urllib requests等库都能够实现HTTP请求的操作。

获取网页源代码后，接下来的工作就是分析网页源代码，最通用的方式是使用正则表达式。在python中，使用BeautifulSoup PyQuery LXML等库，可以更高效的从源代码中提取网页信息。

提取信息之后，可以将数据保存到本地，以便后续使用。

4. 基本库的使用

以下基于python3.8

4.1 urllib

urllib库是python中一个功能强大，用于操作URL并在制作爬虫过程中经常用到的库。

发送请求：

import urllib.request

r=urllib.request.urlopen("HTTP://www.python.org/")
print(r)

读取响应内容

import urllib.request
url="HTTP://www.python.org/"
with urllib.request.urlopen(url) as r:
    r.read()

r.read() 将相应内容读到内存。

传递URL参数

import urllib.request
import urllib.parse
params=urllib.parse.urlencode({'q':'urllib','check_keywords':'yes','area':'default'})
url="HTTPS://docs.python.org/3/search.html?{}".format(params)
r=urllib.request.urlopen(url)

传递中文参数

import urllib.request
searchword=urllib.request.quote(input("请输入要查询的关键字:"))
url="HTTPS://cn.bing.com/images/async?q={}&first=0&mmasync=1".format(searchword)
r=urllib.request.urlopen(url)
print(r)

定制请求头

import urllib.request
url="链接"
headers={
'User-Agent':……
'Referer':……
req=urllib.request.Request(url,headers=headers)
r=urllib.request.urlopen(req)
}

传递POST请求

import urllib.request
import urllib.parse
url="链接"
post={
'username':'xxx'
'password':'xxxxx'
}

postdata=urllib.parse.urlencode(post).encode('utf-8')
req=urllib.request.Request(url,postdata)
r=urllib.request.urlopen(req)

下载远程数据到本地

urllib.request.urlretrieve(url,"python-logo.png)

另外患有设置代理、异常处理和Cookie的使用，不再赘述。

4.2 BeautifulSoup

BeautifulSoup提供一些简单的，python方式的函数处理导航、搜索、修改分析树等功能。

创建BeautifulSoup对象

from bs4 import BeautifulSoup
soup=BeautifulSoup(html)
print soup.prettify()

四大对象类

BeautifulSoup将复杂的HTML文档转换称为一个复杂的树形结构，归纳为4种：Tag , NavigableString, BeautifulSoup, Comment.

Tag就是一个个标签。

print soup.title
print soup.head
print soup.a
print soup.p

NavigalbeString

不仅可以得到标签内容，还可以通过“.string”获取标签内部的文字。

print soup.p.string

BeautifulSoup

BeautifulSoup对象表示一个文档的全部内容。

print type(soupp.name)

comment

comment对象是一个特殊类型的NavigableString对象，其输出内容不包括注释符号。

遍历

Tag的contents属性可以使Tag的子节点以列表方式输出。

print soup.head.contents
print soup.head.contents[0]

Tag的children返回的不是一个list，而是list生成器对象，可以用来遍历获取所有子节点。

descendants可以对所有子孙结点进行递归循环。

如果Tag只有一个NavigableString类型的子节点，那么Tag可以使用string得到子节点。

使用.stripped_strings可以去除多余空白内容。

使用元素的.parent属性可以获取父节点。

搜索

使用 find_all()搜索

• name参数 用来查找所有名称为name的tag。

#传字符串
soup.find_all('b')

# 传正则表达式
import re
for tag in soup.find_all(re.compile("^b")):
	print(tag.name)

#传列表
soup.find_all(["a","b"])

#传True
for tag in soup.find_all(True):
	print(tag.name)

• attrs参数

data_soup.find_all(data-foo="value")

data_soup.find_all(attrs={"data-foo":"value"})

• recursive参数

soup.html.find_all("title",recursive=False)
# recursive=True意味着直接检索子节点

• text参数

通过text参数可以搜索文档中的字符串内容。

soup.find_all(text="test1")

• limit参数

soup.find_all("a",limit=2)
#限制返回数量

select()

使用soup.select()方法从css中筛选，返回类型是list。

print soup.select('title')
print soup.select("a")

print soup.select(#id值)

print ("head>title")