Python网络爬虫

Python可以高效开发网络爬虫，可用于信息搜集、数据分析、网站投票等功能。

文章介绍Python网络爬虫的基础概念和常用模块，爬虫实例参考文章：Python爬虫实例

文章目录

一、基础概念
- (一) 定义
- (二) 分类
二、常用模块
- (一) requests
- (二) BeautifulSoup
- (三) re

一、基础概念

(一) 定义

网络爬虫，是一种按照一定规则，通过模拟客户端发送网络请求和接收响应，自动抓取网页信息的程序。只要是浏览器能做的事情，原则上爬虫都可以做。

我们常用的搜索引擎就是一个大规模的爬虫，获取的海量信息存储在数据库，当用户输入关键字进行查询时，搜索引擎通过索引快速返回结果。

(二) 分类

1.通用爬虫

通常指搜索引擎爬虫，基本工作原理：种子url列表抓取网页—数据存储—预处理提取关键信息—提供检索服务—网站排名（根据引用次数、点击次数等）

2.聚焦爬虫

针对特定网站的爬虫，基本工作原理：url列表—响应内容—提取url—提取数据—数据存储

当前页面的数据来源主要有三种：

对当前url请求对应的响应中
对其他url请求对应的响应中，比如ajax请求
响应中的js脚本动态生成

只有第一种数据才可以通过爬虫获取，因为当前url地址呈现的内容和url请求直接获取的响应不一定相同，响应中可能会通过js动态加载一些图片、样式，而当前页面呈现的是这些内容加载后的结果。

二、常用模块

爬虫核心功能即模拟客户端行为发送请求，然后从响应信息中提取数据。发送请求过程最常用到的模块为 requests，提取数据过程可以根据网页结构和属性提取，使用模块 BeautifulSoup，也可以通过正则表达式提取，使用模块 re。

(一) requests

1.基本使用

Python通用网络爬虫可以完成爬虫90%的工作，主要涉及requests模块的使用，requests的底层实现就是urllib，而且在Python2和Python3中通用。

requests对象的方法主要包括：request、get、post、head等，具体如下：

方法	含义	类型
request(method, url, **kwargs)	发送http请求，具体方法由method指定	Response
get(url, **kwargs)	发送http get方法请求	Response
post(url, **kwargs)	发送http post方法请求	Response
head(url, **kwargs)	发送http head方法请求	Response

方法中url为访问的网页url，**kwargs为控制访问的参数，共13个：

headers：请求头
params：请求参数
data：请求数据
cookies：携带cookies
json：JSON格式的请求数据
files：传输文件
timeout：请求超时时间，单位为秒
proxies：请求代理
allow_redirects：重定向，值为bool类型，默认为True
stream：获取内容立即下载，值为bool类型，默认为True
verify：认证SSL证书，值为bool类型，默认为True
cert：本地SSL证书
auth：支持HTTP认证

Response对象的常用属性：

属性	含义	类型
text	content经过解码的数据	str
content	Response的原始byte数据，没有经过解码	bytes
status_code	返回请求状态码	int
headers	Response头信息	dict
request.xxx	返回对应的请求的方法和属性

注意：

response.text默认是ISO-8859-1编码 (可通过response.encoding查看)，显示内容可能出现乱码，如果需要指定编码需要使用response.encoding="utf-8"指定，或者使用response.content.decode(“utf-8”)，默认utf-8解码
网页返回一整行json格式数据时，可以利用pycharm中Code-> Code Reformat Code，或者使用BeautifulSoup对象的prettify方法调整格式，使代码更易读
response.request.url与response.url不一定相同，比如重定向网站
request请求包中headers中User-Agent默认是python-requests/xxxxx，这导致很多网站返回结果与普通浏览器访问的不同，因此有必要在headers中模拟浏览器重新指定User-Agent
爬虫要模仿浏览器的合法请求，并不是所有请求参数都是必须的，要尝试、筛选使浏览器返回正常页面的必要参数
如果电脑版请求不易仿造，可以尝试手机版
保存图片、文件、音频、视频等要以二进制形式写入：

response = requests.get("https://img-blog.csdnimg.cn/2021041421411836.png")# 以二进制形式写入
with open("test.jpg", "wb") as f:f.write(response.content)f.close()

2.使用代理

区分正向代理和反向代理：

(1) 正向代理

客户端知道目标服务器地址，只是在中间设置代理机

(2) 反向代理

客户端不知道服务器地址，目标服务器由代理进行访问

使用方法：

proxies = {"http": "http://xx.xx.xx.xx:port","https":"https://ip:port"}

使用代理作用：

让服务器以为不是同一个客户端在请求
防止真实地址被泄露，防溯源

免费代理网站，适用于时限要求不长、质量要求不高的用户：

http://proxy.mimvp.com
http://www.66ip.cn/index.html
https://ip.jiangxianli.com/
http://www.ip3366.net/free/?stype=3
https://ip.ihuan.me/
https://www.kuaidaili.com/free/inha/
https://www.7yip.cn/free/

为判断代理的可用性，可以在requests请求中添加超时参数进行测试，一般准备一堆ip地址组成ip池，随机选择使用。

3.模拟登陆

网站验证机制主要包括Session、Cookie和Token，具体区别参考文章：浅析Session、Cookie、Token原理与区别

模拟登录首先要利用浏览器开发者工具，通过查看源码或者抓包分析，确定网站的登录地址，然后利用爬虫仿照正常登录发送的请求进行登录。

(1) 确定登录地址

思路一：查看源码

在前端源码中寻找提交表单action对应的url地址，input标签中name的值作为键，用户名和密码作为值。

思路二：抓包分析

通过抓包寻找登录的url地址，如果提交的参数不会变，则直接用，如果参数动态变化，则要进一步确定生成参数的方式，注意参数生成可以通过当前url的响应，也可以通过js脚本。

(2) 模拟登陆网站

思路一：利用session类

requests提供了一个session类，专门用来实现客户端和服务端会话保持，使用方式：

# 实例化session对象
session = requests.session()
# 登录网址,其中data中有登录信息
session.post(url, data=data)
# 发送请求，session自动携带登录成功的凭证信息
response = session.get(url, headers)

在成功登录后，之后的访问session能够自动携带登录成功时的凭证，通常是cookie。

思路二：携带凭证登陆

这里以cookie为例，可以通过POST登录请求，定位response响应信息中的Set-Cookie头中找到cookie信息，或者从已登录界面Cookie头中查看cookie信息。登录请求中携带cookie的方法一般有两种：

方法一：cookie放在headers中携带

headers={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:88.0) Gecko/20100101 Firefox/88.0","cookies":"xxx"}requests.get(url, headers=headers)

方法二：cookie放在requests请求参数中携带

使用字典推导式将cookie字符串转换成字典格式：

# 字符串格式
cookies = "_r01=1; _ga=1.12213231; login=y8a7d8y87c87a; JSESSIONID=ay89d78aef8t9"
# 字典格式
cookies = {i.split("=")[0]:i.split("=")[1] for i in cookies.split("; ")}requests.get(url, headers=headers, cookies=cookies)

注意：不需要使用cookies时尽可能不用，不然容易被识别为爬虫。

(二) BeautifulSoup

BeautifulSoup可以根据HTML网页的结构和属性查找所需信息，它利用解析器将HTML或XML文档转换成一个树形结构，解析器包括以下几种：

Python标准库解析器，Python内置标准库，无需安装，使用方法：BeautifulSoup(markup, "html.parser")
lxml HTML解析器，需要安装，使用方法：BeautifulSoup(markup, "lxml")
lxml XML解析器，需要安装，唯一支持XML的解析器，使用方法：BeautifulSoup(markup, "xml")
html5lib解析器，需要安装，使用方法：BeautifulSoup(markup, "html5lib")

树形结构中每个节点都是一个对象，所有对象可以归纳为4种：

1.BeautifulSoup

BeautifulSoup对象以结构化记录着HTML文档的所有内容，BeautifulSoup(html, "html.parser")返回的即BeautifulSoup对象，常见属性/方法如下：

属性 / 方法	含义	类型
<TagName>	获取第一个TagName标签的内容，返回Tag对象	Tag
prettify()	格式化BeautifulSoup对象的内容，增加易读性	Str
find_all(name[, key = value \| {key: value}])	通过标签名称和属性筛选查找Tag对象，返回标签对象列表	List[Tag]
find(name[, key = value \| {key: value}])	通过标签名称和属性筛选查找Tag对象，返回符合条件的第一个对象	Tag

2.Tag
Tag对象即HTML文档中的标签，常见属性/方法如下：

属性 / 方法	含义	类型
name	获取标签的名字	Str
attrs	获取标签所有的属性，通过attrs[name]获取属性的值	Dict
string	获取标签内容，返回NavigableString对象	NavigableString
contents	获取直接子节点标签，包括NavigableString和换行符，返回Tag / NavigableString对象列表	List[Tag / NavigableString]
children	获取子孙节点标签，包括NavigableString和换行符，返回列表生成器	List[Generator]
parent	获取直接父节点标签，返回Tag对象	Tag
parents	获取祖先节点标签，返回生成器	Generator
get(name)	获取标签相应属性的值的列表，也可以使用attrs[name]获取	List

3.NavigableString
NavigableString对象即Tag标签内的内容

4.Comment
Comment对象即Tag标签内的注释内容，不包括注释符

安装方法：pip3 install beautifulsoup4，安装之后的包名为bs4，一般只导入BeautifulSoup，解析器使用"html.parser"，具体使用方法如下例：

from bs4 import BeautifulSouphtml = """
<html><head><title>Demo Introduction</title></head><body><p class="comment"> <!-- 高中介绍 --> </p><p class="Junior">The top junior high.<a href="http://xxx.com" class="addr" id="1"><span>ABCD</span></a><a href="http://yyy.com" class="addr" id="2"><span>EFGH</span></a> </p><p class="comment"> <!-- 大学介绍 --></p><p class="College">The top college....</p>
</html>
"""soup = BeautifulSoup(html, "html.parser")print(soup.a)
print(soup.find("a"))
# result: <a class="addr" href="http://xxx.com" id="1"> <span>ABCD</span> </a>print(soup.a.string)
# result: Noneprint(soup.a.contents[1].string)
# result: ABCDprint(soup.a.attrs)
# result: {'href': 'http://xxx.com', 'class': ['addr'], 'id': '1'}print(soup.span.string)
# result: ABCDprint(soup.find_all("span"))
# result: [<span>ABCD</span>, <span>EFGH</span>]print(soup.find("span"))
# result: <span>ABCD</span>print(soup.find("a", id="2"))
print(soup.find("a", {"id": "2"}))
# result: <a class="addr" href="http://yyy.com" id="2"> <span>EFGH</span> </a>

(三) re

参考文章：Python文件操作