技术 

python爬虫

本篇是学习python爬虫的笔记，包括了requst、beautifulSoap、selenium+phontomJS、scrapy等几种方式

正则表达式

定界符

.匹配\n之外所有的
^1.*1$, 1开头，1结尾的任意字符
\b 匹配一个边界
\B 匹配非边界

个数/次数

  • {0,}
  • {1,}
    ? {0,1}

    {n,} 至少
    {n,m} n-m次之间
    他们都是对前一个字符而言
    hello: hel{0,1}o 指的是对l而言

在次数后边加一个?指的是懒惰模式，只匹配最少的个数
hellllo: hel+会匹配到helll, hel+?则匹配到hel

范围

[xyz]
[^xyz]
[a-z]
[^a-z]

空白符

\f 匹配一个换页符
\n 换行
\r 回车
\t 制表符

语法塘

\d [0-9]
\D [^0-9]
\s [\n\r\t\f]
\S [^\n\r\t\f]
\w [a-zA-Z0-9_*]
\W [^a-zA-Z0-9_*]

正则表达式的使用

import re
test_text="hello"
re.search('l', test_text)  #查找一个
re.findall('l', test_text) #查找所有
re.sub('l','m',test_text)  #替换

css选择器

. 指的是class
# 指的是id
@ 指的是属性
element 就是一个元素
not(selector) not(p) 非p元素

element,element ---div,p--- 选择所有<div>元素和<p>元素
element element ---div p--- 选择<div>元素内的所有<p>元素（后代们）
element>element ---div>p--- 选择所有父级是<div>元素的<p>元素（儿子们）
element1~element2 ---p~u1--- 选择p元素之后的每一个u1元素(弟弟们)
element+element ---div+p--- 选择所有紧接着<div>元素之后的<p>元素（第一个弟弟）

空格 代表后代们
> 代表子代
element.class.class p.hello.world 所有class="hello world"的表掐
element.class element.class p.hello p.class 所有class=hello的p标签下的所有class="world"的p标签

:first-child ---p:first-child--- 指定只有当<p>元素是其父元素的第一个子元素的样式。(第一个孩子)
:last-child ---p:last-child--- 选择每个p元素是其父级的最后一个子级。（最后一个孩子）
:only-child ---p:only-child--- 选择每个p元素是其父元素的唯一子元素（唯一儿子）
:nth-child(n) ---p:pth-child(2)--- 选择每个p元素时期父元素的第二个子元素（第二个儿子）
:nth-last-child(n) ---p:nth-last-of-child(2)--- 选择每个p元素是其父级的倒数第二个儿子

/bookstore/book[1]  --选取属于bookstore子元素的第一个book元素
/bookstore/book[last()-1] --选取属于bookstore子元素的倒数第二个book元素
/bookstore/book[position()<3] --选取属于bookstore子元素的前2个子元素

xpath

what

xml路径语言，拥用在数据结构树中查找节点的能力
被开发者用作小型查询语言来使用
xpath通过元素和属性进行导航

why

支持html
scrapy支持xpath来查找节点

deeper

  • 路径表达式：
    /从根节点选取
    //不用考虑节点
    @选取属性
  • 谓语（备注）
  • 通配符
    • 任何元素节点
      @* 任何属性节点

how

  • 安装
    pip install lxml

  • 使用

    from lxml import etree
html = etree.parse("hello.html")
result = html.xpath("//li/a[@href="link.html"]") #a标签的@href属性=link.html的元素
result = html.xpath("//*[@class='bold']")        #所有标签，其class属性为bold值的元素

request【获取html】

简介

用python语言基于urllib编写
爬虫就是爬取相应的数据，然后存于数据库
数据就需有html文件，这就需要requests来获取
有了html文件如何爬取想要的数据，就需要下节的beautifulsoap

安装

pip install requests

使用

  • 使用

    import requests
r = requests.get("http://httpbin.org/get"[,参数key=参数value])

    参数有很多包括params=payload , headers=head, data=payload,data=json.dumps(payload), files=file,cookies=cookie,timeout=1,proxies=proxie

  • 持久会话
    持久会话其实就是不用request，而用session而已.

    s = requests.Session()
result = s.get(url)

  • 代理
    使用爬虫时，如果长时间有一个IP，服务端可能会封这个ip，然后可以做一个代理池，均匀的用代理池中的ip进行访问，这样每个ip的访问量就不会很高

beautifulsoap【从html获取数据

简介

从html抓取数据的工具
beautiful像极了之前解析xml的工具，不过它增加了CSS选择器

安装

pip install beautifulsoup4
pip install lxml

四大对象

  • Beautiful soup:整个文档的全部内容
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
print(soup.prettify())
  • Tag：标签
print(type(soup.title))
print(soup.title.name)  #soup.title.name本身是str类型
print(soup.title.attrs) #soup.title.attrs本身是dict类型

## NavigableString：元素的内容
print(soup.p.string)    #p是标签，标签的string对象就是内容
print(type(soup.p.string))
  • Comment
    特殊的NavigableString,如果这个内容正好是注释那么是一个Comment对象
    同样也是soup.p.string，只不过这个string本身应该是注释

遍历文档树

  • 元素的内容

    • .string属性
    • strings
    • stripped_srings

  • 直接子节点

    • .contents属性：将tag的子节点
    • .children属性:将list_iterator方式转换

  • 所有子孙节点

    • .descendants所有子节点的递归

  • 兄弟节点

    • next_sibling
    • previous_sibling
    • next_siblings
    • previous_siblings

  • 父节点

    • parent
    • parents

  • 前后节点

    • next_element
    • previous_elements
    • next_elements
    • previous_elements

搜索文档树

  • find_all()当前标签的所有子元素
    • soup.find_all('p') #找所有p标签
    • soup.find_all('p', limit=2) #找前2个p标签
    • soup.find_all(re.compile('^p')) 通过正则找以p开头的标签
    • soup.find_all(['p','div']) #找所有p与div标签
    • soup.find_all(id="panda") #找所有id属性为panda的标签
    • soup.find_all(text=re.compile('context$')) #找所有内容以context结尾的内容（内容本身也是元素）
  • 其他find 
    find_parent()
find_parents()
find_next_sibling()
find_next_siblings()
find_previous_sibling()
find_previous_siblings()

css选择器

  • soup.select("p") 所有p标签
  • soup.select('.p-class') class=p-class的标签
  • soup.select('#panda') id=panda的标签
  • soup.select('p #panda') 所有p标签下，id=panda的后代比
  • soup.select('p[class='p-class']') class属性为p-class的p标签

异步加载

what

就是局部刷新，只刷新网页的局部内容，这样效率高，响应快，用户体验好
也就是ajax

how

就是从浏览器开发者工具中，找到其利用ajax请求的界面的url，然后去获取即可

实例：pexelstest.py

在这个例子中，访问https://www.pexels.com/ 时，从开发者工具里看，当界面往下移动时，浏览器会请求页面，来达到异步加载的目的
通过查看访问的url(post开头的访问)，发现其访问的url是ttps://www.pexels.com/?page=n n=1,2,3..等数字由此来完成异步加载数据的爬取。
这个例子中，在得到image的url后，通过

imageData = requests.get(url, headers=headers)
	f = open(dirPath+imageName[0], "wb")
  f.write(imageData.content)
  f.close()

通过imageData的content属性访问的数据，将数据打出，发现是二进制，text属性打出的是字符

问题

  1. 为什么在获取糗事百科时，使用.author.clearfix a:nth-of-type(2)只选择了一个
    而使用.author.clearfix > a:nth-of-type却可以都选择出来

  2. 正则表达式节选字段时，为什么没有把?h节选出来？感觉只节选了用(.?)段
    是因为懒惰模式(.    ?)必须加括号才是懒惰模式，.*?不是

  3. requests对象获取到url后，data.text与data.content的区别
    感觉上request.content得到的是二进制而data.text得到的是字符

  4. 新知
    标签元素可以通过get("属性")来获取属性的值

表单

表单登录

通过2种方式来获取到表单的信息
然后用post传递即可

模拟登录

绕过表单来使用cookie登录，因为网站通过cookie来识别用户，但cookie有失效日期的，切cookie如何来获取

实例:lagoutest.py

data = {
'first':'true',
'pn':'1',
'kd':'python',
}
url = "https://www.lagou.com/jobs/positionAjax.json"
headers = {
'Cookie':'user_trace_token=20180202101003-2e4da68e-07be-11e8-abf2-5254005c3644; LGUID=20180202101003-2e4daa51-07be-11e8-abf2-5254005c3644; ab_test_random_num=0; JSESSIONID=ABAAABAACEBACDG0BB0857347948207EA4209E56F3A2B58; showExpriedIndex=1; showExpriedCompanyHome=1; showExpriedMyPublish=1; hasDeliver=0; gate_login_token=14906806789df7e24cf48f1444503d32981e47daaec6e84f; _putrc=52418DDC61DC7763; login=true; unick=%E5%AD%99%E5%B2%A9%E5%B3%B0; Hm_lvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1517537407; Hm_lpvt_4233e74dff0ae5bd0a3d81c6ccf756e6=1517542518; _gat=1; _ga=GA1.2.1469064675.1517537407; _gid=GA1.2.1729124852.1517537407; LGSID=20180202101003-2e4da8b8-07be-11e8-abf2-5254005c3644; LGRID=20180202113555-2cd8d06e-07ca-11e8-a54f-525400f775ce; TG-TRACK-CODE=index_search; SEARCH_ID=f8ee97568c874d6ab334c67638778387; index_location_city=%E4%B8%8A%E6%B5%B7',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
}#这里为求简洁，只粘贴了Cookie与User-Agent,实例中需要更多的头，否则拉手网会deny

html = requests.post(url, data=data, headers=headers)

这样既可，即post了表单，也用cookie传递了登录信息

模拟浏览器：selenium+phontomJS

简介

通过python模块操作headless（类似于没有界面也能用的）类型的浏览器，来达到爬取数据的目的
这种爬取彼上边的用requests与beautifulsoup简单一些，它不再需要request，但需要lxml或者re来解析爬到的数据

使用

selenium ==> 操作浏览器的python库
phontomJS ==> headless的浏览器

实例：taobaotest.py

from selenium import webdriver
from lxml import etree

driver = webdriver.PhantomJS()
driver.maxmize_window()

driver.get(url)
driver.implicitly_wait(10) #隐式等待，等到就返回，否则10s

selector = etree.HTML(driver.page_source)
driver.find_element_by_id('q').clear()  #清空某数据输入框
driver.find_element_by_id('q').send_keys('冲锋衣') #往框里输入数据
driver.find_element_by_class_name('btn-search').click()  #点击某个按钮
driver.find_element_by_xpath('//a[@trace="srp_bottom_pagedown"]').click() #点击某个按钮

scrapy

安装

  1. lxml

    pip install lxml

  2. zope.interface

    pip install zope.interface

  3. twisted

    pip install wheel
    https://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted 下载与python3.6版本对应的32或者64位的twisted
    pip install Twist*.whl #这一步要在下载的目录下执行

  4. pyOpenSSL

    pip install pyOpenSSL

  5. pywin32

    https://www.lfd.uci.edu/~gohlke/pythonlibs/#pywin32 与twisted的安装相同
    pip install pywin32*.whl
    然后需要将python/lib/site-packages/pywin32_system32下的2个dll拷贝到对应的windws/System32下pip install pypiwin32

  6. scrapy

    pip install scrapy

创建

在要创建的目录下：scrapy startproject xiaozhu

scrapy文件介绍

  • items.py
    定义爬取的字段
  • piplines.py
    爬虫数据处理，入库
  • settings.py
    项目设置
  • xiaozhuspider.py
    用户自建文件，编写爬虫的逻辑

scrapy爬虫运行

  • scrapy crawl xiaozhu
  • 运行文件

    • python d:\project_python\scrapy\xiaozhu\main.py

    • main.py

      from scrapy import cmdline
cmdline.execute('scrapy crawl xiaozhu').split())

实例：

注意：
安装pywin32不好使
xiaogou.py的放置位置，要放到sipders目录下，其他就与老师说的一样了

总结

  1. 没有爬取成功
    不是没有爬取成功，而是解析的不对，一开始以为是进入不了，所以在setting.py中浪费了太多的时间
  2. xpath解析不对
    下层是在生曾基础之上完成，直接复制，修改即可
  3. 一直写一个
    for 循环傻逼了
  4. 写入库不对
    db.hello.find()傻逼了
  5. scantcnt解析不对，extart[0]改为extract[1]之后ok，因为他有2个元素

scrapy深入

scrapy架构及运作流程

30.scrapy架构图
有上图的构架图，可以看出运作的流程

  1. 引擎询问spider要处理的网址

  2. spider返回start_url地址

  3. 引擎交把request请求交给调度器入队列

  4. 调度把处理好的请求返回给引擎

  5. 引擎把处理好的请求交给下载器

  6. 下载器按照下载中间件件的设置下载请求

  7. 下载器把下载好的东西交给引擎

  8. 引擎将下载好的数据交给spider，spider根据自己的逻辑进行数据爬取

  9. spider将爬取的item返回给引擎，也可能是下一个url

  10. 引擎交给管道进行处理

  11. 如果是下一个url，从第3步执行

知道调度器中不存在request了，程序结束

步骤

  • 新建项目：scrapy startproject xxx
  • 确定爬取目标，这个目标主要是指爬取的字段，items.py
  • 制作爬虫:spiders/xxx.py 制定爬取的url，以及要解析的内容
  • 存储内容:pipelines.py，设置管道存储爬取的内容

各文档细节

pipeline

spider

response的选择器在python3中可以直接写，而不用将response转换为Selector对象
node_list = response.xpath("//div[@class='li_txt']")

从xpath对象再次爬去时，可以直接写子标签，也可以./子标签如
item["position"] = node.xpath('./td[1]/a/text()').extract()[0]
item["count"] = node.xpath('td[1]/a/text()').extract()[0]

spider中的数据要想通过管道来处理，必须逐个yield出来，不能直接yield集合。
但要是直接保存在json,xml文件，而不是通过管道来保存，可以直接返回集合

setting

  • 中间件设置
    setting中有中间件的指定，字典后的数字是优先级排名，越靠前越容易被处理。
    关于中间件是进阶版本，没有更详细的介绍。

  • robots协议
    遵守可能会被禁止

各命令细节

保存数据

scrapy默认自带4种保存数据的方式

#json格式，默认unicode编码
scrapy crawl spiderxxx -o resultxxx.json 

#json lines格式,默认unicode
scrapy crawl spiderxxx -o resultxxx.jsonl

#csv格式
scrapy crawl spiderxxx -o resultxxx.csv

#xml格式
scrapy crawl spiderxxx -o resultxxx.xml

查看爬虫 scrapy list

在spiders目录下，执行scrapy list，则会将已经有的爬虫列出

scrapy shell

scrapy的控制台
通过 scrapy shell "http://www.baidu.com" 来进入
在控制台下，可以对爬取的数据进行测试，查看结果，很好用

如：response.headers可以看到response的包头
response.body可以看到包体

response.xpath("")可以去测试选择的内容

注意：

  1. python2.x默认的编码环境是ascii码，可能与爬取的数据编码格式不一致而造成乱码
    可以在pipeline存储时
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
  1. scrapy很适合处理静态的网页，动态的网页最容易的方式是抓波json文件

爬取图片案例

  1. 图片等爬取需要专用的pipeline
    从源码中可以看到，pipe目录下有个ImagesPileline专门用来爬去图片
    它有2个方法，可以从pipe值再次发出请求，另一个是请求结束后的处理（重命名）

  2. 使用ImagePipline之后保存的文件路径
    在setting文件中，注意些IMAGES_STORE = "路径"

  3. 模拟手机
    所谓的模拟手机，就是用手机的Agent即可，百度中搜索手机User-Agent即可

  4. robots禁止问题
    爬取如果遵循robots协议，可能会被有些网站所禁止，如百度，在setting文件中设置False或者不启用即可

  5. spider截图

  6. 其实的url直接返回json是怎么个情况,是否与python的web有关

其他

md5

linux命令行下，直接输入md5 字符串，就可以看到此字符串的md5码

源码

注意源码的位置，源码下的pipe下有不同的管道

# python 
python进阶

评论

相关推荐

相关文章

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×

分类
技术
展示
算法
存储
网络
数据
产品
读书
标签
Node.js
数学
一致性算法
MySQL
nginx
redis
Linux
微服务
大数据
语言
python
tcp/ip
spring