只有python可以爬虫吗_无所不能的Python之爬虫那点事儿
今天给大家介绍一个有趣的新技术——爬虫。首先来讲一下啥是爬虫。
爬虫也叫网络爬虫,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。通俗的来讲,爬虫就是一段程序,它来根据你的设定自己去互联网上浏览网页并把这些信息下载下来,然后在从中提取出有用的信息。这些信息可以用在做数据分析、数据统计等等。
接下来我会用通俗的语言来讲解爬虫技术,这些都是基于我个人的理解所写的,水平有限,若有不对的地方请指正。
我们平常浏览的众多网站都是有对应的源代码的。如果你有兴趣,可以用你电脑的任意浏览器打开一个网站,然后按一下F12试试。此时你会看到:网页里所有的文字、图像、声音等等一切元素,都是由HTML源码编排而成。你打开的这个窗口其实就是网页源码的调试窗口,当你试着用鼠标在那些源码上移动时,你会发现每移动到一个地方,网页便会有对应的地方高亮起来。也就是说,当我们把这些被高亮的元素的源码下载下来并解析出来,我们便获取了这些元素。这便是爬虫程序要干的事儿。
既然我们需要下载源码,那我们首要的便是访问这个网站。这里会出现一些问题:因为有些网站有反爬虫技术,它会识别出你是爬虫程序,并中断你的访问甚至是封锁你的IP地址。这其中一个应对方法就是我们的爬虫程序里一定要写好HTTP请求头。HTTP请求头是当你正常用浏览器打开网页时,浏览器向网络服务器发送的一些配置信息和属性。我们就是用这个HTTP请求头来伪装成人类访问用户,以防止被服务器屏蔽。
如何构造合理的 HTTP请求头?
请求头可以通过“requests”模块自定义,例如
headers = {'User-Agent' :
'Mozilla/5.0 (Linux; Android 4.2.1; en-us; Nexus 4 Build/JOP40D)'
' AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166 Mobile Safari/535.19'}
headers = {'User-Agent': 'Chrome/68.0.3440.106',
'Accept-Encoding': 'gzip, deflate',
'Accept': '*/*',
'Connection': 'keep-alive',
'Content-Length': '18',
'Content-Type': 'application/x-www-form-urlencoded'}
经我亲身测试发现,HTTP请求头包含的这些内容里最为重要的是“User-Agent“这个参数。我们在设置请求头时,其实只需要设置好它就足够了。除了以上这个设置方法,还有一个较为简单的办法,那就是用python的fake_useragent模块来设置,示例代码如下:
#调用模块的UserAgent类方法
from fake_useragent import UserAgent
#实例化类方法
user_agent = UserAgent()
#选择chrome浏览器为User-Agent的值
headers = {'User-Agent':user_agent.chrome}
#选择ie浏览器为User-Agent的值
headers = {'User-Agent':user_agent.ie}
#选择firefox浏览器为User-Agent的值
headers = {'User-Agent':user_agent.firefox}
#随机选择一款浏览器为User-Agent的值
headers = {'User-Agent':user_agent.random}
请求头设置完之后,我们便可以进行下一步关键性的操作——爬取指定网页信息。
如何爬取指定网页的信息?
这次我们用到了requests模块中的get方法,requests.get(url , headers)。通过给get方法传递网址参数url和Http头信息headers便可以接收到网站的响应response,这个response里包含着整个网页的全部源代码。这里我们应该在代码中写好各种可能发生的情况,以此来提高代码运行时的稳定性,防止崩溃。示例代码如下:
from requests.exceptions import ReadTimeout
try:
response = requests.get(url, headers=headers, timeout=0.5)
if response.status_code == 200:
return response.text
return 404
except ReadTimeout:
print('timeout')
except Exception as e:
print(e)
示例中用的是python的异常处理标识符——try、except。首先导入了requests模块中的异常处理类型ReadTimeout,用来处理网站访问超时响应问题。其次Exception用来处理其他常规的问题。然后在判断response参数的status_code的值是否是200,这个值是200说明服务器响应成功了,如果不是,则返回404代码。表示404 NotFound服务器响应失败。到这一步,我们便完成了爬取网页信息的工作,接下来就是从这些网页代码里分析和获取有用信息。
如何从网页源码中获取有用的信息?
这里我们会用到re模块的两个方法,一个是re.findall( 模式(正则表达式), 目标字符串),返回值为list类型,另一个是re.sub(要替换的字符,替换后字符,目标字符串,替换个数),返回值为str类型。re.findall函数是通过指定的正则表达式来匹配出需要的HTML源码,一般情况下是匹配源码中的div容器,也就是类似“
import re
response = """
"""
partten = r'
'
data = re.findall(partten, response,)
print(data)
data_clean = re.sub(r'|', '', data[0])
print(data_clean)
输出结果为
['太阳是太阳 系的中心天体,占有太阳系总体质量的99.86%。']
太阳是太阳系的中心天体,占有太阳系总体质量的99.86%。
第一行是findall函数的输出结果。从内容上看,我们已经获取了div容器里的内容,但是很明显,这里面掺杂着其他的标记语言和。于是第二步sub函数将其中的和标签替换成了空字符串。这行输出结果便是我们所需要的有用信息。
下面我们来尝试爬取京东官网的手机图片,以下是源码
import urllib.request
import re
from fake_useragent import UserAgent
import requests
from requests.exceptions import ReadTimeout
import os
user_agent = UserAgent()
headers = {
"User-Agent": user_agent.chrome,
}
def get_html(url, req=None):
if req:
url = url + req
else:
url = url
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
#print(response.text)
return response.text
return 404
except ReadTimeout:
print('timeout404')
except Exception as e:
print(e)
def get_request(response):
if response == 404:
return '服务器响应失败!'
else:
try:
partten = r''
data = re.compile(partten).findall(response)
return data
except IndexError:
print('未搜到有用信息')
def output(data):
if not os.path.exists('texts'):
os.mkdir('texts')
for index, inf in enumerate(data):
image_url = 'https://' + inf
image_byte = requests.get(url=image_url, headers=headers).content
with open("./texts/{}.jpg".format(index),'wb') as f:
f.write(image_byte)
print('\n第{}张图片已下载保存成功...'.format(index))
print('\n总共{}张图片已成功下载至texts文件夹中'.format(len(data)))
def main(req):
url = 'https://list.jd.com/list.html?cat=9987,653,655&page='
html = get_html(url, req)
data = get_request(html)
output(data)
if __name__ == '__main__':
req = input('请输入要下载的页码: ')
main(req)
程序运行之后,我们按照提示输入页码,程序便开始下载图片
下载完成之后,我们打开指定的文件夹查看一下效果
大功告成!
只有python可以爬虫吗_无所不能的Python之爬虫那点事儿相关推荐
- python用电度数设计_无所不能的Python之配电设计自动化系统
诚如题目所言,本人结合Python程序设计与配电设计的互补性打算开发一个配电设计自动化系统,用来提高配电设计的工作效率.本人目前处在配电设计行业,已深耕多年,期间一直有学习Python,后来发现Pyt ...
- python二手交易平台代码_PYTHON爬虫实战_垃圾佬闲鱼爬虫转转爬虫数据整合自用二手急速响应捡垃圾平台_3(附源码持续更新)...
说明 文章首发于HURUWO的博客小站,本平台做同步备份发布. 如有浏览或访问异常图片加载失败或者相关疑问可前往原博客下评论浏览. 原文链接 PYTHON爬虫实战_垃圾佬闲鱼爬虫转转爬虫数据整合自用二 ...
- python分布式爬虫系统_如何构建一个分布式爬虫:理论篇
前言 本系列文章计划分三个章节进行讲述,分别是理论篇.基础篇和实战篇.理论篇主要为构建分布式爬虫而储备的理论知识,基础篇会基于理论篇的知识写一个简易的分布式爬虫,实战篇则会以微博为例,教大家做一个比较 ...
- 爬虫 404 try_无所不能的Python之爬虫那点事儿
今天给大家介绍一个有趣的新技术--爬虫.首先来讲一下啥是爬虫. 爬虫也叫网络爬虫,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本.通俗的来讲,爬虫就是一段程序,它来根据你的设定自己去互联网上 ...
- python urllib dns 缓存_新手用Python做一个网页爬虫
咱们好哈,最近博主在学习Python,学习时期也遇到一些问题,获得了一些经历,在此将自个的学习体系地整理下来,假如咱们有爱好学习爬虫的话,能够将这些文章作为参阅,也期待咱们总共同享学习经历. 首要py ...
- python博客访问量_史诗级干货-python爬虫之增加CSDN访问量
AI 人工智能 史诗级干货-python爬虫之增加CSDN访问量 史诗级干货-python爬虫之增加CSDN访问量 搜索微信公众号:'AI-ming3526'或者'计算机视觉这件小事' 获取更多算法. ...
- 常见python爬虫模板_常见的Python爬虫框架有几个?
常见的Python爬虫框架有几个?实现爬虫技术的编程环境有很多种,Java.Python.C++等都可以用来写爬虫.但很多人选择Python来写爬虫,为什么呢?因为Python确实很适合做爬虫,丰富的 ...
- python打开文件切片_收藏 | 从Python安装到语法基础,小白都能懂的爬虫教程!(附代码)...
来源:大数据 作者:罗攀 蒋仟 本文约5000字,建议阅读20分钟. 本文立足基础,讲解Python和PyCharm的安装,及Python最简单的语法基础和爬虫技术中所需的Python语法. 本文涉及 ...
- python应对反爬虫策略_如何应对网站反爬虫策略?如何高效地爬大量数据?
看了回答区,基本的反爬虫策略都提到了,下面说几个作为补充. 1.对于处理验证码,爬虫爬久了通常网站的处理策略就是让你输入验证码验证是否机器人,此时有三种解决方法:第一种把验证码down到本地之后,手动 ...
最新文章
- 数据结构——四大查找算法(工作必备)
- FreeTextBox License机制的粗浅分析
- django项目更新图片后,页面图片不更新
- 如何使用SAP事务码SAT进行UI应用的性能分析
- 【spring boot】注解@ApiParam @PathVariable @RequestParam三者区别
- “康园圈--互联网+校园平台“项目之拓展手机客户端
- 计算机一级有几套试卷,计算机一级B十五套试卷
- 线性移位寄存器序列(m序列)之MATLAB实现
- C#编写NotifyIcon
- WIFI信道频率对应
- Java 按照拼音首字母排序
- python3数据可视化软件_Python数据可视化工具Plotly
- QQ也出网页版的了- WebQQ公测中
- 计算广告(3)----搜索广告召回匹配
- DBeaver 连接达梦数据库
- linux系统分辨率文件,Linux下显示分辨率低解决方法
- 数字证书与实现双向SSL认证
- 冯诺依曼计算机的发展过程,从冯•诺依曼结构视计算机科学的发展史
- C语言入门part4—大致梳理最终篇
- 深入理解Image.createImage()
热门文章
- php使用接口实现工厂设计模式
- iisapp 查看PID所对应的IIS应用程序池及详细介绍
- Oracle函数大全1
- linux下的驱动大小,(转)Linux驱动开发需要注意的点/KO大小/内存管理
- oracle.01081 cannot,ORA-01081: cannot start already-running ORACLE - shut it down first
- 阿里云数据库mysql 创建数据库服务器_如何使用mysql创建数据库服务器
- 神经网络的反向传播推导实例
- TensorFlow实现简单的卷积网络
- struts2+ajax+json使用实例
- 【每日SQL打卡】​​​​​​​​​​​​​​​DAY 23丨向CEO汇报工作的人【难度中等】​