hmoban 最简单明了的Python爬虫入门思路
如果学会了python的基本语法，我认为入门爬虫是很容易的。
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。
2： 爬虫的基本思路
通过URL或者文件获取网页，
分析要爬取的目标内容所在的位置
用元素选择器快速提取（Raw）目标内容
处理提取出来的目标内容 （ 通常整理合成一个 Json）
存储处理好的目标内容 （比如放到 MongoDB 之类的数据库，或者写进文件里。）
robots协议：
网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是道德层面上的约束。
爬虫的用途：
1、12306抢票
2、短信轰炸
3、网络投票
4、监控数据
5、下载图片、小说、视频、音乐等
Http和Https：
发送请求，获取响应的过程其实就是发送Http或者Https请求和响应的过程。
HTTP
超文本传输协议
默认端口号:80
HTTPS
HTTP + SSL(安全套接字层)，即带有安全套接字层的超本文传输协议。
默认端口号：443
作用：在传输过程中对数据进行加密，防止被窜改。
区别：http因不需要加密，所以性能更高，但安全性差。https安全性高，但是占用服务器资源。
但是Https是未来的主流，比如小程序、ios、android客户端的接口都需要Https接口支持。
Http请求报文：
常见请求头：
Http状态码
常见的 HTTP 状态码：
200 – 请求成功
301 – 资源（网页等）被永久转移到其它 URL
404 – 请求的资源（网页等）不存在
500 – 内部服务器错误
Chrome浏览器请求分析
分析流程图：
以上都是爬虫的预备知识，掌握了之后就可以写代码去爬取我们想要爬的网站了。Python提供了许多网络请求的库，比如Requests、urllib等，这里只说一下requests库。
Requests库
安装：
pip(3) install requests
基本使用：
# 导入模块 import requests # 定义请求地址 url = 'http://www.baidu.com' # 发送 GET 请求获取响应 response = requests.get(url) # 获取响应的 html 内容 html = response.text
response常用属性：
response.text 返回响应内容，响应内容为 str 类型
respones.content 返回响应内容,响应内容为 bytes 类型
response.status_code 返回响应状态码
response.request.headers 返回请求头
response.headers 返回响应头
response.cookies 返回响应的 RequestsCookieJar 对象
# 获取字节数据
content = response.content
# 转换成字符串类型
html = content.decode('utf-8')
自定义请求头
# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 发送自定义请求头
response = requests.get(url,headers=headers)
# 获取响应的 html 内容
html = response.text
发送Get请求
# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com/s'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义 GET 请求参数
params = {
"kw":"hello"
}
# 使用 GET 请求参数发送请求
response = requests.get(url,headers=headers,params=params)
# 获取响应的 html 内容
html = response.text
发送POST请求
# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义post请求参数
data = {
"kw":"hello"
}
# 使用 POST 请求参数发送请求
response = requests.post(url,headers=headers,data=data)
# 获取响应的 html 内容
html = response.text
使用代理
为什么使用代理：1、让服务器以为请求是从多个客户端发出的。2、防止暴露我们的真实地址。
使用方法
# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义 代理服务器
proxies = {
"http":"http://IP地址:端口号",
"https":"https://IP地址:端口号"
}
# 使用 POST 请求参数发送请求
response = requests.get(url,headers=headers,proxies=proxies)
# 获取响应的 html 内容
html = response.text
请求中携带cookie
作用：有些网站需要登录，这时候cookie就是记录了你的用户信息。
方式：
直接在自定义请求头中携带
通过请求参数携带cookie
# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
# 方式一：直接在请求头中携带Cookie内容
"Cookie": "Cookie值"
}
# 方式二：定义 cookies 值
cookies = {
"xx":"yy"
}
# 使用 POST 请求参数发送请求
response = requests.get(url,headers=headers,cookies=cookies)
# 获取响应的 html 内容
html = response.text
数据提取
作用：从爬虫获取的数据中提取出我们想要的数据。
方式：
json模块提取
xpath提取
正则提取
beautifulsoup
json
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式
json.loads json字符串 转 Python数据类型
json.dumps Python数据类型 转 json字符串
json.load json文件 转 Python数据类型
json.dump Python数据类型 转 json文件
ensure_ascii=False 实现让中文写入的时候保持为中文
indent=空格数 通过空格的数量进行缩紧
xpath
XPath 全称： XML Path Language，是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。
安装：
pip(3) install lxml
常用规则
正则
Python中通过正则表达对字符串进行匹配是，可以使用re模块。
# 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话，可以使用group方法来提取数据 result.group()
常见语法
Python学习网，有大量免费的云海天Python教程，欢迎大家学习！
本文转自：https://www.jianshu.com/p/96a1ad69b4c2