- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

Python 爬虫从入门到入坑全系列教程（详细教程 + 各种实战）丨【生长吧！Python】

ruochen 发表于 2021/06/28 08:55:55 2021/06/28

【摘要】 Python 爬虫从入门到入坑全系列教程（详细教程 + 各种实战）

爬虫准备工作

参考资料
- python网络数据采集 ’ 图灵工业出版
- 精通python爬虫框架Scrapy ’ 人民邮电出版社
- python3网络爬虫
- Scrapy官方教程
前提知识
- url
- http协议
- web前端 ’ html, css, js
- ajax
- re, xpath
- xml

爬虫简介

爬虫定义：网络爬虫（又被称为网页蜘蛛、网络机器人，在FOAF社区中间，更经常的称为网页追逐者），
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
另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫
两大特征
- 能按作者要求下载数据或者内容
- 能自动在网络上流窜
三大步骤
- 下载网页
- 提取正确的信息
- 根据一定规则自动跳到另外的网页上执行上两步内容
爬虫分类
- 通用爬虫
- 专用爬虫（聚焦爬虫）
Python网络包简介
- python2.x：urllib，urllib2，urllib3，httplib，httplib2，requests
- python3.x：urllib，urllib3，httplib2，requests
- python2：urllib和urllib2配合使用，或者requests
- python3：urllib，requests

urllib

包含模块

urllib.request: 打开和读取urls
urllib.error: 包含urllib.request产生的常见的错误，使用try捕捉
urllib.parse: 包含解析url的方法
urllib.robotparse: 解析robots.txt文件
案例v01

'''
案例v01
使用urllib.request请求一个网页内容，并把内容打印出来
'''
from urllib import request

if __name__ == '__main__':
    url = "https://www.zhaopin.com/taiyuan/"
    # 打开相应url并把相应页面作为返回
    rsp = request.urlopen(url)

    # 把返回的结果读取出来
    # 读取出来内容类型为bytes
    html = rsp.read()
    print(type(html))

    # 如果想把bytes内容转换成字符串，需要解码
    print(html.decode())

网页编码问题解决

chardet 可以自动检测页面文件的编码格式，但是，可能有误
需要安装，conda install chardet
案例v02

'''
案例v02
利用request下载页面
自动检测页面编码

'''
import urllib
import chardet

if __name__ == '__main__':
    url = "http://stock.eastmoney.com/news/1407,20170807763593890.html"

    rsp = urllib.request.urlopen(url)

    html = rsp.read()

    # 利用chardet自动检测
    cs = chardet.detect(html)
    print(type(cs))
    print(cs)

    # 使用get取值保证不会出错
    html = html.decode(cs.get("encoding", "utf-8"))
    print(html)

urlopen的返回对象

案例v03

# 案例v03
import urllib
import chardet

if __name__ == '__main__':
    url = "http://stock.eastmoney.com/news/1407,20170807763593890.html"

    rsp = urllib.request.urlopen(url)

    print(type(rsp))
    print(rsp)

    print("URL: {0}".format(rsp.geturl()))
    print("Info: {0}".format(rsp.info()))
    print("Code: {0}".format(rsp.getcode()))

    html = rsp.read()

    # 使用get取值保证不会出错
    html = html.decode()

geturl: 返回请求对象的url
info：请求反馈对象的meta信息
getcode：返回http code

request.data 的使用

访问网络的两种方法

get:

利用参数给服务器传递信息
参数为dict，然后用parse编码
案例v04

 # 案例v04
 from urllib import request, parse

 '''
 掌握对url进行参数编码的方法
 需要使用parse模块 
 '''
 
 if __name__ == '__main__':
     url = "http://www.baidu.com/s?"
     wd = input("Input your keyword: ")
 
     # 要想使用data，需要使用字典结构
     qs = {
         "wd": wd
     }
 
     # 转换url编码
     qs = parse.urlencode(qs)
     print(qs)
 
     fullurl =url + qs
     print(fullurl)
 
     # 如果直接用可读的带参数的url，是不能访问的
     # fullurl = "http://www.baidu.com/s?wd=大熊猫"
 
     rsp = request.urlopen(fullurl)
 
     html = rsp.read()
 
     # 使用get取值保证不会出错
     html = html.decode()
 
     print(html)

post

一般向服务器传递参数使用
post是把信息自动加密处理
如果想使用post信息，需要用data参数
使用post，意味着http的请求有可能需要更改：
- Content-Type：application/x-www.form-urlencode
- Content-Length: 数据长度
- 简而言之，一旦更改请求方法，请注意其他请求头部信息相适应
urllib.parse.urlencode可以将字符串自动转换成上面的格式
案例v05

 '''
 案例v05
 利用parse模块模拟post请求
 分析百度词典
 分析步骤：
 1. 打开F12
 2. 尝试输入单词girl，发现每次敲一个字母后都有请求
 3. 请求地址是 https://fanyi.baidu.com/sug
 4. 利用 Network-All-Headers 查看，发现FormData的值是 kw:girl
 5. 检查返回内容格式，发现返回的是json格式内容==>需要用到json包
 '''
 
 from urllib import request, parse
 # 负责处理json格式的模块
 import json
 
 '''
 大致流程是：
 1. 利用data构造内容，然后urlopen打开
 2. 返回一个json格式的结果
 3. 结果就应该是girl的释义
 '''
 
 baseurl = 'https://fanyi.baidu.com/sug'
 
 # 存放用来模拟form的数据一定是dict格式
 data = {
     # girl是翻译输入的英文内容，应该是由用户输入，此时使用硬编码
     'kw': 'girl'
 }
 
 # 需要使用parse模块对data进行编码
 data = parse.urlencode(data).encode('utf-8')
 print(type(data))
 
 # 我们需要构造一个请求头，请求头部应该至少包含传入的数据的长度
 # request要求传入的请求头是一个dict格式
 
 headers = {
     # 因为使用post请求，至少应该包含content-length 字段
     'Content-Length':len(data)
 }
 
 # 有了headers，data，url，就可以尝试发出请求了
 
 rsp = request.urlopen(baseurl, data=data)
 
 json_data = rsp.read().decode('utf-8')
 print(type(json_data))
 print(json_data)
 
 # 把json字符串转化成字典
 json_data = json.loads(json_data)
 print(type(json_data))
 print(json_data)
 
 for item in json_data['data']:
     print(item['v'], "--", item['v'])

 <class 'bytes'>
  <class 'str'>
  {"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;"},{"k":"girls","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;  girl\u7684\u590d\u6570;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u60c5\u4eba; (\u5973\u5b50\u7684)\u5973\u4f34\uff0c\u5973\u53cb;"},{"k":"girl friend","v":" \u672a\u5a5a\u59bb; \u5973\u6027\u670b\u53cb;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}
  <class 'dict'>
  {'errno': 0, 'data': [{'k': 'girl', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;'}, {'k': 'girls', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;'}, {'k': 'girlfriend', 'v': 'n. 女朋友; 女情人; (女子的)女伴，女友;'}, {'k': 'girl friend', 'v': ' 未婚妻; 女性朋友;'}, {'k': "Girls' Generation", 'v': ' 少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;'}]}
  n. 女孩; 姑娘; 女儿; 年轻女子; 女郎; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;
  n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;
  n. 女朋友; 女情人; (女子的)女伴，女友; -- n. 女朋友; 女情人; (女子的)女伴，女友;
   未婚妻; 女性朋友; --  未婚妻; 女性朋友;
   少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）; --  少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;

为了更多的设置请求信息，单纯的通过urlopen函数不太好用
需要利用request.Request 类
案例v06

 '''
 案例v06
 任务要求和内容跟v05一样
 本案例只是利用Request来实现v05的内容
 
 利用parse模块模拟post请求
 分析百度词典
 分析步骤：
 1. 打开F12
 2. 尝试输入单词girl，发现每次敲一个字母后都有请求
 3. 请求地址是 https://fanyi.baidu.com/sug
 4. 利用 Network-All-Headers 查看，发现FormData的值是 kw:girl
 5. 检查返回内容格式，发现返回的是json格式内容==>需要用到json包
 '''
 
 from urllib import request, parse
 # 负责处理json格式的模块
 import json
 
 '''
 大致流程是：
 1. 利用data构造内容，然后urlopen打开
 2. 返回一个json格式的结果
 3. 结果就应该是girl的释义
 '''
 
 baseurl = 'https://fanyi.baidu.com/sug'
 
 # 存放用来模拟form的数据一定是dict格式
 data = {
     # girl是翻译输入的英文内容，应该是由用户输入，此时使用硬编码
     'kw': 'girl'
 }
 
 # 需要使用parse模块对data进行编码
 data = parse.urlencode(data).encode('utf-8')
 
 # 我们需要构造一个请求头，请求头部应该至少包含传入的数据的长度
 # request要求传入的请求头是一个dict格式
 
 headers = {
     # 因为使用post请求，至少应该包含content-length 字段
     'Content-Length':len(data)
 }
 
 # 构造一个Request的实例
 
 req = request.Request(url=baseurl, data=data, headers=headers)
 
 # 因为已经构造了一个Request的请求实例，则所有的请求信息都可以封装在Request实例中
 rsp = request.urlopen(req)
 
 json_data = rsp.read().decode('utf-8')
 print(type(json_data))
 print(json_data)
 
 # 把json字符串转化成字典
 json_data = json.loads(json_data)
 print(type(json_data))
 print(json_data)
 
 for item in json_data['data']:
     print(item['v'], "--", item['v'])

 <class 'str'>
  {"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;"},{"k":"girls","v":"n. \u5973\u5b69; \u59d1\u5a18; \u5973\u513f; \u5e74\u8f7b\u5973\u5b50; \u5973\u90ce;  girl\u7684\u590d\u6570;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u60c5\u4eba; (\u5973\u5b50\u7684)\u5973\u4f34\uff0c\u5973\u53cb;"},{"k":"girl friend","v":" \u672a\u5a5a\u59bb; \u5973\u6027\u670b\u53cb;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}
  <class 'dict'>
  {'errno': 0, 'data': [{'k': 'girl', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;'}, {'k': 'girls', 'v': 'n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;'}, {'k': 'girlfriend', 'v': 'n. 女朋友; 女情人; (女子的)女伴，女友;'}, {'k': 'girl friend', 'v': ' 未婚妻; 女性朋友;'}, {'k': "Girls' Generation", 'v': ' 少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;'}]}
  n. 女孩; 姑娘; 女儿; 年轻女子; 女郎; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;
  n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数; -- n. 女孩; 姑娘; 女儿; 年轻女子; 女郎;  girl的复数;
  n. 女朋友; 女情人; (女子的)女伴，女友; -- n. 女朋友; 女情人; (女子的)女伴，女友;
   未婚妻; 女性朋友; --  未婚妻; 女性朋友;
   少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）; --  少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;

【生长吧！Python】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/278897

点赞
收藏
关注作者

0/1000

抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认取消

加入云驻计划，成为创作者

华为云周边好礼
免费体验产品
特殊身份标识
线下官方门票
内部专家零距离
与10000+优质创作者共同成长

立即加入

Python 爬虫从入门到入坑全系列教程（详细教程 + 各种实战）丨【生长吧！Python】

爬虫准备工作

爬虫简介

urllib

全部回复

设置昵称

关于作者

目录

加入云驻计划，成为创作者

Python 爬虫从入门到入坑全系列教程（详细教程 + 各种实战）丨【生长吧！Python】

爬虫准备工作

爬虫简介

urllib

全部回复

设置昵称

关于作者

目录

加入云驻计划，成为创作者

推荐阅读

相关产品