python爬虫入门,爬虫学习笔记

By admin in 4858.com on 2019年3月30日

当然认为不要紧可写的,因为网上这个家伙一搜一大把,但是爬虫终归是python的3个大优点,不说说觉得对不起那玩意
基础点来说,python2写爬虫重点须求四个模块,urllib和urllib2,其实还有re
先介绍下模块的一些常用成效
urllib.urlopen(”)
#开拓三个网址,只是打开,和open差不离
urllib2.Request(url)
#分析网址,这些能够大约,具体不是很懂,一些意义,比如加head头什么的也需求使用那么些
urllib.urlretrieve(url,filename)
#下载用,把url提供的事物down下来,并用filename保存
举个蜂鸟爬图片的事例,下边上伪代码:

python爬虫_入门,python爬虫入门

python爬虫入门,爬虫学习笔记。自然觉得无妨可写的,因为网上那玩意儿一搜一大把,不过爬虫毕竟是python的八个大优点,不说说觉得对不起那东西
基础点来说,python2写爬虫重点须要三个模块,urllib和urllib2,其实还有re
先介绍下模块的片段常用功效
urllib.urlopen(”)
#开辟二个网址,只是打开,和open大致
urllib2.Request(url)
#剖析网址,那一个可以归纳,具体不是很懂,一些功力,比如加head头什么的也急需选用那个
urllib.urlretrieve(url,filename)
#下载用,把url提供的事物down下来,并用filename保存
举个蜂鸟爬图片的例证,上边上伪代码:

1、url解析
2、打开url
3、读取url,就是read()
4、使用re.findall找到所有和图片有关系的地址,这里只jpg
5、循环下载

4858.com 1

看图上,图片链接格式是src=”
浅析以后前面的事就好办了,下边上代码

import urllib
import urllib2
import re

#处理地址,并获取页面全部的图片地址
def get_image_url(url):
  #url_format = urllib2.Request(url) #1
  url_open = urllib.urlopen(url) #2
  url_read = url_open.read() #3
  re_value = re.compile('(?<=src\=\").*?\.jpg')
  image_url_list = re.findall(re_value,url_read) #4
  return image_url_list

#这个函数专门用来下载,前面两行是将图片连接中/前面的内容全部删除,留下后面的文件名用来保存文件的,try不说了,不清楚请翻回去看容错
def down_image(image_url):
  rev = '^.*/'
  file_name = re.sub(rev,'',image_url)
  try:
    urllib.urlretrieve(image_url,file_name)
  except:
    print 'download %s fail' %image_url
  else:
    print 'download %s successed' %image_url

if __name__ == '__main__':
  url = 'http://bbs.fengniao.com/forum/10384633.html'
  image_url_list = get_image_url(url)
  for image_url in image_url_list:
    down_image(image_url) #5

困死,睡觉去。。。。。有时间再说说翻页什么的,就能爬网站了

 

本来认为无妨可写的,因为网上那玩意儿一搜一大把,然而爬虫究竟是python的一个大优点,不说说觉得对不…

前言

不少人提到python,脑海中一定首先个想到爬虫。
那么爬虫有是何等啊?
爬虫是指在网络领域,爬虫一般指抓取众多公开网站网页上数据的相关技能。
非可是python能够做爬虫,有不少言语都足以比如java
跻身正题,入门python爬虫
首先要对python的知识点要有大旨的控制和必然的正则表明式的知识,和必然的html的学问,然后就足以入门python爬虫了

那是自身本人在求学python
3爬虫时的小笔记,做备忘用,难免会有部分荒谬和疏漏,望指正~~~
Python 3 爬虫学习笔记 (二)
Python 3 爬虫学习笔记 (三)
Python 3 爬虫学习笔记 (四)
Python 3 爬虫学习笔记 (五)
Python 3 爬虫学习笔记 (六)

1、url解析
2、打开url
3、读取url,就是read()
4、使用re.findall找到所有和图片有关系的地址,这里只jpg
5、循环下载

python相关模块

在入门前我们应当首先学习爬虫相关的模块
首先须求大家掌握urllib.request模块
urllib.request模块的法定文书档案:https://www.baidu.com/link?url=2TDSZE4Syct8V21juND6HEUUXQtU14DmmeIBrvR\_uxYSAPYNpKqEQWN4XvIvxqbJED-pnZnwxLg279W1hWZKmK&wd=&eqid=ffb469a60007cd46000000025aa52e29


4858.com 2

得到网站代码

import urllib.request
req=urllib.request.urlopen(‘)
print(req)

4858.com 3

图片.png

咱俩得以窥见输出的并不是本身不们想要的结果,因为
url.request.urlopen()重回的是文件类对象,那时候大家须求利用read()函数
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read()
print(html)

4858.com 4

出口的结果不是
大家想象中格式,那是因为出口的是‘utf-8’方式的代码,大家必须选取decode()函数将‘utf-8’代码转化为Unicode情势代码
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read().decode(‘utf-8’)
print(html)

4858.com 5

图片.png

那时咱们就获得到大家想要的结果了

〇. python 基础

先放上python 3
的合法文书档案:https://docs.python.org/3/
(看文书档案是个好习惯)
4858.com,至于python 3 基础语法方面包车型大巴东西,网上有无数,大家能够自行查找.

看图上,图片链接格式是src=”
浅析之后前边的事就好办了,上面上代码

爬取音信

那是就足以拓展爬取我们想要的音讯了,是或不是极快☻
做爬虫前 大家要率先需求锁定想要爬取的网站和想要获取的新闻
譬如本人想要爬取八个贴吧中的二个贴中的具有图片
那正是说大家打开贴子复制网址并查阅贴子的源代码

4858.com 6

图片.png

右键点击图片,能够见见图片是代码是<img class=”BDE_Image”
src=””
size=”499541″ changedsize=”true” width=”560″ height=”746″>
大家想要下载图片,就要从代码中获取图片的地址,能够分明的看看该图形的地点在img标签中的src属性中

一. 最简便的爬取程序

爬取百度首页源代码:

#-*-coding:utf-8 -*-

import urllib.request

url = "http://www.baidu.com"
page_info = urllib.request.urlopen(url).read()
page_info = page_info.decode('utf-8')
print(page_info)

来看上面包车型大巴代码:

  • 对此python 3来说,urllib是一个很是首要的三个模块
    ,能够11分便利的效仿浏览器访问网络,对于python 3 爬虫来说,
    urllib更是贰个必不可少的模块,它能够协助大家有利地拍卖U奥迪Q5L.
  • urllib.request是urllib的三个子模块,能够打开和拍卖部分复杂的网址

The urllib.request
module defines functions and classes which help in opening URLs
(mostly HTTP) in a complex world — basic and digest authentication,
redirections, cookies and more.

  • urllib.request.urlopen()方法完毕了开拓url,并赶回二个http.client.HTTPResponse对象,通过http.client.HTTPResponse的read()方法,得到response
    body,转码最终通过print()打字与印刷出来.

urllib.request.urlopen(url, data=None, [timeout, ]***,
cafile=None, capath=None, cadefault=False, context=None)
For HTTP and HTTPS URLs, this function returns a
http.client.HTTPResponse
object slightly modified.
< 出自:
https://docs.python.org/3/library/urllib.request.html
>

  • decode(‘utf-8’)用来将页面转换到utf-8的编码格式,不然会油不过生乱码
import urllib
import urllib2
import re

#处理地址,并获取页面全部的图片地址
def get_image_url(url):
  #url_format = urllib2.Request(url) #1
  url_open = urllib.urlopen(url) #2
  url_read = url_open.read() #3
  re_value = re.compile('(?<=src\=\").*?\.jpg')
  image_url_list = re.findall(re_value,url_read) #4
  return image_url_list

#这个函数专门用来下载,前面两行是将图片连接中/前面的内容全部删除,留下后面的文件名用来保存文件的,try不说了,不清楚请翻回去看容错
def down_image(image_url):
  rev = '^.*/'
  file_name = re.sub(rev,'',image_url)
  try:
    urllib.urlretrieve(image_url,file_name)
  except:
    print 'download %s fail' %image_url
  else:
    print 'download %s successed' %image_url

if __name__ == '__main__':
  url = 'http://bbs.fengniao.com/forum/10384633.html'
  image_url_list = get_image_url(url)
  for image_url in image_url_list:
    down_image(image_url) #5

行使正则表明式来提取图片地址

import re
import urllib.request
req=urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856’)
html=req.read().decode(‘utf-8’)
p = r'<img class=”BDE_Image” src=”([^”]+)’
imglist=re.findall(p,html)
for each in imglist:
print(each)

4858.com 7

图片.png

咱俩已经建议那些帖子全体img的标签中的src属性了
接下去大家要求用urll.request模块中的urlretrieve()对图片实行下载
import re
import urllib.request
req=urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856’)
html=req.read().decode(‘utf-8’)
p = r'<img class=”BDE_Image” src=”([^”]+)’
imglist=re.findall(p,html)
for each in imglist:
filename=each.split(“/”)[-1]
urllib.request.urlretrieve(each,filename,None)

4858.com 8

图片.png

能够看来将图纸自动下载到桌面上边去

二 模拟浏览器爬取新闻

在造访一些网站的时候,网站一般会用判断访问是还是不是含有头文件来鉴定分别该访问是还是不是为爬虫,用来作为反爬取的一种政策。
先来看一下Chrome的头音信(F12开拓开发者形式)如下:

Paste_Image.png

如图,访问头消息中显示了浏览器以及系统的音信(headers所含新闻众多,具体可自动查询)

Python中urllib中的request模块提供了模拟浏览器访问的效益,代码如下:

from urllib import request

url = 'http://www.baidu.com'
# page = request.Request(url)
# page.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
print(page_info)

能够透过add_header(key, value)
大概直接以参数的款式和U福睿斯L一起请求访问,urllib.request.Request()

urllib.request.Request(url, data=None, headers={},
origin_req_host=None, unverifiable=False, method=None)

个中headers是一个字典,通过那种措施能够将爬虫模拟成浏览器对网站举办走访。(https://docs.python.org/3/library/urllib.request.html?highlight=request\#module-urllib.request

困死,睡觉去。。。。。有时间再说说翻页什么的,就能爬网站了

req.add_header()

神迹大家运营次数过多贴吧会识别出是python环境而不是浏览器打开帖子下载图片
那正是说小编应当如何是好呢?
python urllib.request模块中有能有模拟浏览器的四个函数
那个函数正是req.add_header()
但是大家利用前供给对日前的代码进行一些改动
将urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856’)
改为
req=urllib.request.Request(‘https://tieba.baidu.com/p/5589041856’)
reqs=urllib.request.urlopen(req)
实在那两者并没有差距
urll.request.urlopen()既能够承受地点 也足以是经受Request对象
当接受的地址时自动将其转会为Request对象
近期我们就足以时候req.add_header()函数了
开辟浏览器的控制台随便打开一个get

4858.com 9

图片.png

能够看看User-Agent
那时复制下来
将那段代码
req.add_header(“User-Agent”,”Mozilla/5.0 (Windows NT 10.0; WOW64;
rv:58.0) Gecko/20100101 Firefox/58.0″)
置身urlopen函数的下面

为了更好的不被检查和测试出为爬虫,大家得以引入 time模块
在历次下载图片的时候 利用time.sleep(1)进行停顿一秒

接下去大家供给勤加练习打好基础更为熟稔urllib.request模块

 

想要更透彻的求学爬虫咱们就须求上学python爬虫的相关模块和http协议等

python爬虫平常应用的模块

Beautifulsoup4 用于更快提取网页中大家想要的音讯
法定文档地址:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html\#id1
request 模块(与urllib.requset分歧)
官方文书档案地址:http://docs.python-requests.org/en/master/

意在对你有着帮助

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图
Copyright @ 2010-2019 美高梅手机版4858 版权所有