爬虫简介（爬虫入门小知识点；正式进入爬虫-requests模块的使用；两个实战-使用reques

江南才子

　　1.爬虫是什么？
引言：爬虫？什么是爬虫？
爬虫的定义：模拟浏览器发送请求，获取响应。
书面化爬虫简介！！！点我哦！！！

爬虫的作用：

1.数据采集
    抓取微博评论（机器学习舆情监控）
    抓取招聘网站的招聘信息（数据分析，挖掘）
    新浪滚动新闻
    百度新闻网站
  <span class="token number">2</span><span class="token punctuation">.</span>软件测试
    爬虫之自动化测试
    虫师
  <span class="token number">3.12306</span>抢票
  <span class="token number">4</span><span class="token punctuation">.</span>网站上的投票
  <span class="token number">5</span><span class="token punctuation">.</span>网络安全
    短信轰炸
    web漏洞扫描

爬虫的分类：

根据被爬取的数量不同，分类：
通用爬虫：通常指搜索引擎的爬虫     具有很大的局限性：大部分内容没有用，不同搜索目的，返回的内容相同！
（通用爬虫是搜索引擎抓取系统 （baidu,goole,yahoo等）的重要组成部分 。
主要目的是将互联网的网页下载到本地 ，形成一个互联网内容的镜像备份。）
聚焦爬虫：针对特定网站的爬虫
（是面向特定主题需求的一种网络爬虫程序 ，它与通用搜索引擎爬虫的区别在于 ：
聚焦爬虫在实施页面抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息）
根据是否获取数据为目的，分类：
功能性爬虫，比如，投票，点赞
数据增量爬虫，比如招聘信息
根据url地址和对应的页面内容是否改变，数据增量爬虫分类：
基于url地址变化，内容也随之变化的数据增量爬虫
url地址不变，内容变化的数据增量爬虫

工作流程：

流程：url——>发送请求，获取响应——>提取数据——>保存数据
发送请求，获取响应——>提取url地址，继续请求

　　robots协议：
robots协议：网站通过robots协议，告诉我们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。
　　http的重点请求头：

http的重点请求头：
user-agent：告诉对方服务器是什么客户端正在请求资源，爬虫中模拟浏览器非常重要的一个手段
爬虫中通过把user-agent设置为浏览器的ua，能够达到模拟浏览器的效果。
cookie：获取登录之后，才能够访问的资源
常见的请求头，响应头
Content-Type
Host（主机和端口号）
  Upgrade-Insecure-Rwquests(升级为https请求)
  User-Agent(浏览器名称)
  Referer(页面跳转处)
Cookie
  Authorization(用于表示http协议中需要认证资源的认证信息，如jwt认证)

浏览器发送http请求的过程：

浏览器发送http请求的过程：
1.域名解析 --> 
2.发起TCP的3次握手 --> 
3.建立TCP连接后发起http请求 --> 
4.服务器响应http请求，浏览器得到html代码 --> 
5.浏览器解析html代码，并请求html代码中的资源（如js、css、图片等） --> 
6.浏览器对页面进行渲染呈现给用户.
注意：
在网页的检查里的Network->Name->Request Headers  view parsed下
的Connection:keep-alive保持常连接，就不用频繁的三次握手和三次分手！

浏览器获取的内容（elements的内容）包含：url地址对应的响应+js+css+jpg
爬虫会获取：url地址对应的响应
爬虫获取的内容和elements内容不一样，进行数据提取的时候，需要根据url地址对应的响应为准

http和HTTPS的概念：

1.http超文本传输协议    协议默认端口80
    <span class="token number">2.</span>https也是超文本传输协议  协议默认端口<span class="token number">443</span>
    http因为是明文传输，而https是密文传输，所以HTTPS比http更安全，但是性能低，因为解密需要消耗时间！

　　2.正式进入爬虫—requests模块的使用！

1.url地址解码的方法：
requests.utils.unquote(url)
2.requests中headers如何使用：
  headers = {"User-Agent":""}
requests.get(url,headers=headers)
3.requests中如何发送post请求：
  data = {"浏览器中的form data"}
requests.post(url,data=data)
概念：爬虫就是模拟浏览器发送网络请求，获取请求响应
4.requests如何发送请求和获取响应：
  response = requests.get(url)
response.text ---> str（获取的数据是字符串类型）
response.encoding="utf-8"（乱码需要解码，修改编码方式）
response.content ---> bytes（获取的数据是字节类型）
response.content.decode()（字节需要编码）
5.响应：
response.text              str类型,
response.content             获取内容,字节类型，需要decode编码
response.status_code           获取状态码
response.request.headers         响应对应的请求头
response.headers             响应头
response.request.url           请求url地址
response.url               响应url地址
response.request._cookie         响应对应请求的cookie；返回cookiejar类型
response.cookies             响应cookie(经过了set-cookie动作，返回cookiejar类型）
response.json()               自动将json字符串类型的响应内容转换为python对象（dict  或者  list）
6.发送带参数的请求：
params = {"":""}
url_temp = "不完整的URL地址"
requests.get(url_temp,params=params)
例：wd为百度词条搜索url的参数key值

　　3.实战：利用requests库进行百度贴吧的爬取！

import os
import requests
'''
为了构造正确的url！！！
进入百度贴吧进行测试，任意搜索一个信息，通过不同页更换，观察url找寻规律：
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=0
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=50
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=100
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=150
'''
class TiebaSpider:
  def __init__(self,tieba_name):
    self<span class="token punctuation">.</span>tieba_name <span class="token operator">=</span> tieba_name
    self<span class="token punctuation">.</span>url_temp <span class="token operator">=</span> <span class="token string">"https://tieba.baidu.com/f?kw="</span><span class="token operator">+</span>tieba_name<span class="token operator">+</span><span class="token string">"&amp;ie=utf-8&amp;pn={}"</span>
    self<span class="token punctuation">.</span>headers <span class="token operator">=</span> <span class="token punctuation">{</span><span class="token string">"User-Agent"</span><span class="token punctuation">:</span><span class="token string">"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36"</span><span class="token punctuation">}</span>

# 构造url列表 def get_url_list(self):

<span class="token keyword">return</span> <span class="token punctuation">[</span>self<span class="token punctuation">.</span>url_temp<span class="token punctuation">.</span><span class="token builtin">format</span><span class="token punctuation">(</span>i<span class="token operator">*</span><span class="token number">50</span><span class="token punctuation">)</span> <span class="token keyword">for</span> i <span class="token keyword">in</span> <span class="token builtin">range</span><span class="token punctuation">(</span><span class="token number">5</span><span class="token punctuation">)</span><span class="token punctuation">]</span>

# 发送请求，获取响应 def parse_url(self,url):

response <span class="token operator">=</span> requests<span class="token punctuation">.</span>get<span class="token punctuation">(</span>url<span class="token punctuation">,</span>headers<span class="token operator">=</span>self<span class="token punctuation">.</span>headers<span class="token punctuation">)</span>
    <span class="token keyword">return</span> response<span class="token punctuation">.</span>content<span class="token punctuation">.</span>decode<span class="token punctuation">(</span><span class="token punctuation">)</span>

# 保存 def save_html_str(self, html_str, page_num):

file_path <span class="token operator">=</span> <span class="token string">"{}_第{}页.html"</span><span class="token punctuation">.</span><span class="token builtin">format</span><span class="token punctuation">(</span>self<span class="token punctuation">.</span>tieba_name<span class="token punctuation">,</span> page_num<span class="token punctuation">)</span>
    <span class="token builtin">dir</span> <span class="token operator">=</span> <span class="token string">'ceshi'</span>
    <span class="token keyword">if</span> <span class="token operator">not</span> os<span class="token punctuation">.</span>path<span class="token punctuation">.</span>exists<span class="token punctuation">(</span><span class="token builtin">dir</span><span class="token punctuation">)</span><span class="token punctuation">:</span>
      os<span class="token punctuation">.</span>mkdir<span class="token punctuation">(</span><span class="token builtin">dir</span><span class="token punctuation">)</span>
    file_path <span class="token operator">=</span> <span class="token builtin">dir</span> <span class="token operator">+</span> <span class="token string">'/'</span> <span class="token operator">+</span> file_path
    <span class="token keyword">with</span> <span class="token builtin">open</span><span class="token punctuation">(</span>file_path<span class="token punctuation">,</span> <span class="token string">"w"</span><span class="token punctuation">,</span> encoding<span class="token operator">=</span><span class="token string">'utf-8'</span><span class="token punctuation">)</span> <span class="token keyword">as</span> f<span class="token punctuation">:</span>
      f<span class="token punctuation">.</span>write<span class="token punctuation">(</span>html_str<span class="token punctuation">)</span>
    <span class="token keyword">print</span><span class="token punctuation">(</span><span class="token string">"保存成功！"</span><span class="token punctuation">)</span>

# 实现主要逻辑 def run(self):

<span class="token comment"># 构造url列表</span>
    url_list <span class="token operator">=</span> self<span class="token punctuation">.</span>get_url_list<span class="token punctuation">(</span><span class="token punctuation">)</span>
    <span class="token comment"># 发送请求，获取响应</span>
    <span class="token keyword">for</span> url <span class="token keyword">in</span> url_list<span class="token punctuation">:</span>
      html_str <span class="token operator">=</span> self<span class="token punctuation">.</span>parse_url<span class="token punctuation">(</span>url<span class="token punctuation">)</span>
      <span class="token comment"># 保存</span>
      page_num <span class="token operator">=</span> url_list<span class="token punctuation">.</span>index<span class="token punctuation">(</span>url<span class="token punctuation">)</span><span class="token operator">+</span><span class="token number">1</span>
      self<span class="token punctuation">.</span>save_html_str<span class="token punctuation">(</span>html_str<span class="token punctuation">,</span> page_num<span class="token punctuation">)</span>

if __name__ == '__main__': name_date = input("请输入你想知道的内容：") tieba_spider = TiebaSpider(name_date) tieba_spider.run()本代码是爬取指定搜索内容获取到的html源码头5页！

　　4.requests模块发送post请求
应用场景：登录注册
需要传输大文本内容的时候（post请求对长度没有要求）

用法：
response = requests.post（“http://www.baidu.com”, data = data, headers = headers）
data的形式：字典
data的来源：固定值，抓包（form data）

实战：汉译英爬虫实现！

import requests
import json
class King(object):
  def __init__(self, word):
    self<span class="token punctuation">.</span>url <span class="token operator">=</span> <span class="token string">'http://fy.iciba.com/ajax.php?a=fy'</span>
    self<span class="token punctuation">.</span>headers <span class="token operator">=</span> <span class="token punctuation">{</span><span class="token string">'User-Agent'</span><span class="token punctuation">:</span> <span class="token string">'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36'</span><span class="token punctuation">}</span>
    self<span class="token punctuation">.</span>data <span class="token operator">=</span> <span class="token punctuation">{</span>
      <span class="token string">'f'</span><span class="token punctuation">:</span> <span class="token string">'auto'</span><span class="token punctuation">,</span>
      <span class="token string">'t'</span><span class="token punctuation">:</span> <span class="token string">'auto'</span><span class="token punctuation">,</span>
      <span class="token comment"># 'w': '字典'</span>
      <span class="token string">'w'</span><span class="token punctuation">:</span> word
    <span class="token punctuation">}</span>
  <span class="token keyword">def</span> <span class="token function">post_data</span><span class="token punctuation">(</span>self<span class="token punctuation">)</span><span class="token punctuation">:</span>
    response <span class="token operator">=</span> requests<span class="token punctuation">.</span>post<span class="token punctuation">(</span>self<span class="token punctuation">.</span>url<span class="token punctuation">,</span> data<span class="token operator">=</span>self<span class="token punctuation">.</span>data<span class="token punctuation">,</span> headers<span class="token operator">=</span>self<span class="token punctuation">.</span>headers<span class="token punctuation">)</span>
    <span class="token keyword">return</span> response<span class="token punctuation">.</span>content

def parse_data(self,data):

<span class="token comment"># 将json字符串转化为字典</span>
    dict_data <span class="token operator">=</span> json<span class="token punctuation">.</span>loads<span class="token punctuation">(</span>data<span class="token punctuation">)</span>
    <span class="token keyword">try</span><span class="token punctuation">:</span>
      <span class="token keyword">print</span><span class="token punctuation">(</span>dict_data<span class="token punctuation">[</span><span class="token string">'content'</span><span class="token punctuation">]</span><span class="token punctuation">[</span><span class="token string">'out'</span><span class="token punctuation">]</span><span class="token punctuation">)</span>
    <span class="token keyword">except</span><span class="token punctuation">:</span>
      <span class="token keyword">print</span><span class="token punctuation">(</span>dict_data<span class="token punctuation">[</span><span class="token string">'content'</span><span class="token punctuation">]</span><span class="token punctuation">[</span><span class="token string">'word_mean'</span><span class="token punctuation">]</span><span class="token punctuation">[</span><span class="token number">0</span><span class="token punctuation">]</span><span class="token punctuation">)</span>

def run(self):

<span class="token comment"># 编写爬虫的逻辑</span>
    <span class="token comment"># url</span>
    <span class="token comment"># headers</span>
    <span class="token comment"># data 字典</span>
    <span class="token comment"># 发送请求获取响应</span>
    response <span class="token operator">=</span> self<span class="token punctuation">.</span>post_data<span class="token punctuation">(</span><span class="token punctuation">)</span>
    <span class="token comment"># print(response)</span>
    <span class="token comment"># 数据分析</span>
    <span class="token comment"># 获取翻译后的结果</span>
    self<span class="token punctuation">.</span>parse_data<span class="token punctuation">(</span>response<span class="token punctuation">)</span>

if __name__ == '__main__': word = input('请输入要翻译的单词或者句子：') king = King(word) king.run()

　　5.使用代理：

　　什么是代理？
什么是代理？
代理IP是一个ip ,指的是一个代理服务器。
要晓得正向代理和反向代理是啥？
不知道服务器的地址做为判断标准：知道就是正向代理，不知道就是反向代理。
　　代理ip的分类
匿名度：
透明代理：目标服务器可以通过代理找到你的ip
匿名代理：两者之间
高匿代理：在爬虫中经常使用，目标服务器无法获取你的ip
协议：
根据网站使用的协议不同，需要使用响应的协议代理服务，
http代理：目标的url为http协议
https代理：目标url为https协议
socks代理：只是简单的传递数据包，不关心是何种协议，比http和HTTPS代理消耗小，可以转发http和https的请求
　　为何使用代理？
（1）让服务器以为不是同一个客户端在请求
（2）防止我们的真实地址被泄露，防止被追究
　　用法：

response = requeses.get("http://www.baidu.com, proxies = proxies")
proxies的形式：字典
  例如:
  proxies = {
    <span class="token string">"http"</span><span class="token punctuation">:</span> <span class="token string">"http://192.168.13.24:8000"</span><span class="token punctuation">,</span>
    <span class="token string">"https"</span><span class="token punctuation">:</span> <span class="token string">"http://192.168.13.24:8000"</span>
  <span class="token punctuation">}</span>

　　案例：
import requests
url = “http://www.baidu.com”
　　proxies = {
‘http’:‘http://111.222.11.123:12222’,
}
headers = {“User-Agent”:“Mozilla/5.0 (Windows NT 10.0;.36 (KHTML, like Gecko) Chrome/84.0.414.36”}
　　response = requests.get(url,proxies=proxies,headers=headers,timeout=5)
print(response.text)
　　6.cookie与session
（1）requests获取cookie

requests.utils.dict_from_cookiejar:把cookiejar对象转化为字典。
举例：
import requests
url = 'http://www.baidu.com'
response = requests.get(url)
cookie = requests.utils.dict_from_cookiejar(response.cookies)
print(cookie)
cookie是一个字典：
{'ucloud_zz': '1'}

（2）requests处理cookie请求

　　cookie和session的区别：

cookie数据存放在客户的浏览器上，session数据放在服务器上
<p>cookie不是很安全，别人可以分析存放在本地的cookie并进行cookie欺骗</p>
<p>session会在一定时间内保存在服务器上，当访问增多，会比较占用服务器的性能</p>
<p>单个cookie保存的数据不能超过4k，很多浏览器都限制一个站点最多保存20个cookie</p>

　　爬虫中为什么要使用cookie:
- 带上cookie的好处：
  ①能够访问登录页面。
  ②正常的浏览器在请求服务器的时候肯定会带上cookie（第一次请求除外），所以对方服务器有可能会通过是否携带cookie来判断我们是否是一个爬虫，对应的能够起到一定的反爬作用。
- 带上cookie的坏处：
  ①一套cookie往往对应的是一个用户的信息，请求太频繁有更大的可能性被对方识别为爬虫。
  ②一般使用多账号解决。
　　requests进行携带cookie登录：

1.cookie字符串放在headers中：
    headers <span class="token operator">=</span> <span class="token punctuation">{</span>
      <span class="token string">'User-Agent'</span><span class="token punctuation">:</span> <span class="token string">'xxxxx'</span><span class="token punctuation">,</span>
      <span class="token string">'Cookie'</span><span class="token punctuation">:</span> <span class="token string">'xxxxx'</span>
    <span class="token punctuation">}</span>
  <span class="token number">2</span><span class="token punctuation">.</span>把cookie字典交给requests请求方法的cookies：
    cookies <span class="token operator">=</span> <span class="token punctuation">{</span>‘cookie的name’：‘cookie的value<span class="token punctuation">}</span>
    使用方法：
    requests<span class="token punctuation">.</span>get<span class="token punctuation">(</span>url<span class="token punctuation">,</span> headers<span class="token punctuation">,</span> cookies<span class="token operator">=</span>cookie_dict<span class="token punctuation">)</span>

（3）requests处理cookie请求之session

requests提供了session类，用来实现客户端和服务的的会话保持！

　　会话（状态）保持：
保存cookie
实现和服务端的长连接
　　使用方法：
session = requests.session()
response = session.get(url, headers)
session在请求一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次在使用session请求对方的服务器的时候，会带上前一次的cookie！
　　实战：人人网！

import requests
# 1.实例化session
session = requests.Session()
# 2. 使用session发送post请求，对方服务器会把cookie设置在session中
headers = {"User-Agent":"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/532.2 (KHTML, like Gecko) Chrome/4.0.222.3 "}
post_url = "http://www.renren.com/PLogin.do"
post_data = {"email":"自己的账号","password":"自己的密码"}
session.post(post_url,data=post_data,headers=headers)
# 3.请求个人主页，会带上之前的cookie，能够请求成功
profile_url = "http://www.renren.com/自己进自己主页会有的/profile"
response = session.get(profile_url,headers=headers)
with open("renren.html", "w", encoding="utf-8") as f:
f.write(response.content.decode())

（4）requests模拟登陆的三种方法

1.session：
<space8e4404ea37366a40f543ce675b90e48bCode 12>
<p>2.cookie方法在headers中</p>
<p>3.cookie传递给cookies参数：</p>
<space8e4404ea37366a40f543ce675b90e48bCode 13>

　　requests处理ssl证书：
　　ssl证书不安全导致爬虫程序报错，返回ssl.CertificateError（证书错误）
解决办法：response=requests.get(url, verify = False)
verify = False 代表不在验证证书，默认是True验证
　　requests与超时参数（检测IP代理池）：
　　response=requests.get(url, timeout=3)
timeout=3，代表保证在3秒钟内返回响应，否则报错

（5）retrying模块（刷新）与超时参数timeout

1.使用retrying模块提供的retry方法
<p>2.通过装饰器的方式，让被装饰的函数反复执行</p>
<p>3.retry中可以传入参数 stop_max_attempt_number，让函数报错后继续重新执行，达到最大执行次数的上限，如果每次都报错，整个函数报错，如果中间有一个成功，程序继续往后执行</p>

import requests
from retrying import retry
headers = {"User-Agent":"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/532.2 (KHTML, like Gecko) Chrome/4.0.222.3 "}
@retry(stop_max_attempt_number=3)   # stop_max_attempt_number=3最大执行3次，还不成功就报错
def _parse_url(url):                      # 前面加_代表此函数，其他地方不可调用
  print(""100)
  response = requests.get(url, headers=headers, timeout=3)  # timeout=3超时参数，3s内
  assert response.status_code == 200              # assert断言，此处断言状态码是200，不是则报错
 return response.content.decode()
def parse_url(url):
  try:
    html_str <span class="token operator">=</span> _parse_url<span class="token punctuation">(</span>url<span class="token punctuation">)</span>
  <span class="token keyword">except</span> Exception <span class="token keyword">as</span> e<span class="token punctuation">:</span>
    <span class="token keyword">print</span><span class="token punctuation">(</span>e<span class="token punctuation">)</span>
    html_str <span class="token operator">=</span> <span class="token boolean">None</span>
  <span class="token keyword">return</span> html_str

if __name__ == '__main__': # url = "www.baidu.com" 这样是会报错的！ url = "http://www.baidu.com"　　print(parse_url(url))

无法爬取到的情况：url = “www.baidu.com”!

正确爬取到的情况：url = “http://www.baidu.com”!

　　7.多线程爬虫
（1）多线程爬虫

思路解析：

在python3中，主线程主进程结束，子线程，子进程不会结束
把子线程设置为守护线程，即主线程结束，子线程结束
t1 = threading.Thread(targe=func, args=(，))
t1.setDaemon(True）
t1.start()  #  线程启动

（2）队列模块的使用（将线程放入队列中实现）

from queue import Queue
q = Queue(masize=100)
item = {}
 # 不等待，直接放（存），队列满的时候会报错
q.put_nowait(item) 
  # 放入数据，队列满的时候会等待
q.put(item) 
# 不等待，直接取，队列空的时候会报错
q.get_nowait() 
# 取出数据，队列空的时候会等待
q.get()
 #  获取队列中现存数据的个数
q.qsize() 
 # 队列中维持了一个计数，计数不为0时候，让主线程阻塞等待，队列计数为0的时候才会继续往后面执行
q.join() 
q.task_done() 和get()方法配合，队列计数-1
q.put() 队列计数+1

[python] 爬虫简介（爬虫入门小知识点；正式进入爬虫-requests模块的使用；两个实战-使用reques

相关帖子

没有开关的无线键盘开启按什么键

路由器dhcp关闭有什么影响路由器的dhcp是开启好还是关闭好

电脑页面死机怎么强制退出

thinkpad快捷键进bios

电脑开机进入一键还原按什么键

电脑固态硬盘有什么用,有没有坏处

电脑主板电池没电了会出现什么现象

独立显卡是什么意思有什么作用

苹果电脑屏幕用什么擦干净

串行控制台如何在 Linux 上工作？

江南才子 LV4

[python] 爬虫简介 （爬虫入门小知识点；正式进入爬虫-requests模块的使用；两个实战-使用reques