python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]在着手写爬虫抓取网页之前,要先把其需要的知识线路理清楚

在着手写爬虫抓取网页之前,要先把其需要的知识线路理清楚。

  • 首先:了解相关的Http协议知识;
  • 其次:熟悉Urllib、Requests库;
  • 再者:开发工具的掌握 PyCharm、Fiddler;
  • 最后:网页爬取案例;

下面就按这个路线逐一讲讲各部分的内容;

一、Http协议

HTTP协议是一个应用层面向对象协议,也叫超文本传输协议。

是基于TCP协议的可靠传输,采用客户端/服务器端模式,指定了客户端可能发送给服务器什么样的消息,以及服务端给出什么样的响应。

1)HTTP协议组成

HTTP协议请求由状态行、请求头和请求正文三部分组成;

请求端的HTTP报文叫做请求报文,响应端的叫做响应报文,通常,并不一定要有报文主体。

  • 状态行:包括请求方式Method、资源路径URL、协议版本Version;
  • 请求头:包括一些访问的域名、用户代理、Cookie等信息;
  • 请求正文:就是HTTP请求的数据,允许为空字符串;

2)HTTP 请求方法

HTTP1.0 定义了三种请求方法: GET, POST 和 HEAD方法。

HTTP1.1 新增了六种请求方法:OPTIONS、PUT、PATCH、DELETE、TRACE 和 CONNECT 方法。

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

以上是HTTP所有的方法,但常见的方法有以下:

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

3)HTTP的请求响应模型

HTTP协议永远都是客户端发起请求,服务器回送响应。

这样就限制了使用HTTP协议,无法实现在客户端没有发起请求的时候,服务器将消息推送给客户端。

注意:HTTP协议是一个无状态的协议,同一个客户端的这次请求和上次请求是没有对应关系。

4)HTTP的状态码

Http状态码能告诉我们当前请求响应的状态,通过状态码判断和分析服务器的运行状态,以便更好的进行下一步的操作。

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

5)工作流程

一次HTTP操作称为一个事务,其工作过程可分为四步:

  • 首先客户机与服务器需要建立连接,只要单击某个超级链接,HTTP的工作开始。
  • 建立连接后,客户机发送一个请求给服务器;请求方式的格式为:统一资源标识符(URL)、协议版本号,后边是MIME信息包括请求修饰符、客户机信息和可能的内容。
  • 服务器接到请求后,给予相应的响应信息;其格式为一个状态行,包括信息的协议版本号、一个成功或错误的代码,后边是MIME信息包括服务器信息、实体信息和可能的内容。
  • 客户端接收服务器所返回的信息通过浏览器显示在用户的显示屏上,然后客户机与服务器断开连接。

如果在以上过程中的某一步出现错误,那么产生错误的信息将返回到客户端,有显示屏输出。

这些过程由HTTP自己完成,我们等待信息显示就可以了。

二、Urllib、Requests库

这两个库都建议新手能够熟练掌握,在Python爬虫中使用频率非常高。

下方也有分享安装教程资源,有需要的点击进群找群管理获取即可↓↓

<Python学习交流群 安装教程资源获取>

Urllib库

Urllib是Python中请求url连接的官方标准库,在Python2中主要为urllib和urllib2,在Python3中整合成了urllib。

1)主要包含以下4个模块

  • urllib.request:用于打开和阅读URL
  • urllib.error:包含由引发的异常urllib.request
  • urllib.parse:用于解析URL
  • urllib.robotparser:用于解析robot.txt文件

2)urllib.request.urlopen()

模块定义了有助于在复杂环境中打开URL(主要是HTTP)的函数和类-基本身份验证和摘要身份验证,重构定向,Cookie等。

语法结构

urllib.request.urlopen(url,data = None,[ timeout,] *,cafile = None,capath = None,cadefault = False,context = None)

语法详解

  • url:传入的对象可以是url也可以是一个request的对象;
  • data:data必须是一个直接要发送搭服务器的其他数据的对象,如果没有data数据的话可以为None,也可以不写。
  • timeout:以秒为单位制定用于组织链接尝试之类的操作超时;

3)urllib.openurl:返回对象的方法

  # 设置一个url对象
  url = "百度一下,你就知道"
  #发送请求,打开url
  up = urllib.request.urlopen(url)
  print(type(up))
  
  #返回对象
>>> <class 'http.client.HTTPResponse'>

上面我们可以看出返回的对象是HTTPResponse类型的,下面一起来看一下HTTPResponse类的方法

发送GET请求:

from urllib import request
response = request.urlopen('百度一下,你就知道')
print(response.read().decode())

发送post请求:

from urllib import reuqest
response = 	request.urlopen('Method Not Allowed', data=b'word=hello')
print(response.read().decode())   #decode()解码

我们已经知道在讲urlopen中传入一个网址的时候他就会主动的去访问目标的网址,会返回一个HTTPResponse类型的对象,那么我们是怎么知道我们发送的get请求和post请求呢?

    def get_method(self):
    """Return a string indicating the HTTP request method."""
    default_method = "POST" if self.data is not None else "GET"
    return getattr(self, 'method', default_method)

这个是源码中的一个方法,根据代码我们得知如果data是不为空的话,就是post请求,否则就是get请求。

4)urllib.request.Request

上面的urllib是可对网页发起请求,在我们实际的爬虫应用中,如果频繁的访问一个网页,网站就会识别我们是不是爬虫,这个时候我们就要利用Request来伪装我们的请求头。

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

推荐使用request()来进行访问的,因为使用request()来进行访问有两点好处:

  • 可以直接进行post请求,不需要将 data参数转换成JSON格式
  • 直接进行GET请求,不需要自己拼接url参数

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

如果只进行基本的爬虫网页抓取,那么urllib足够用了。

Requests库

requests库是一个常用于http请求的模块,可以方便的对网页进行爬取,是学习python爬虫比较好的http请求模块,比urllib库更加简洁,并且自带json解析器。

掌握了它,Cookies、登录验证、代理设置等操作都不是事儿。

1)request提供的方法

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

get(url,params,**kwargs)
  • url: 需要爬取的网站地址。
  • params: url中的额外参数,字典或者字节流格式,可选。
  • **kwargs : 控制访问的参数
post(url, data=None, json=None, **kwargs):
  • url: 需要爬取的网站地址。
  • data:传递的内容。
  • json:json格式传递的内容
  • **kwargs : 控制访问的参数
request(method, url, **kwargs):
  • method:需要使用的方法
  • url:爬行的路径
  • **kwargs : 控制访问的参数

2)控制访问的参数

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

通过上面方法返回的是一个Response对象,该对象有以下这些属性和方法:

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

requests的优势在于使用简单,相同一个功能,用requests实现起来代码量要少很多。

戳这里可获取相关的Python基础学习资料哦↓↓↓

下面的所有资料我全部打包好了并且上传至CSDN官方,需要的点击👇获取!



👉 [Python零基础2023入门资料包] 👈

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

三、开发工具的掌握

  • PyCharm – 交互很好的Python一款IDE;
  • Fiddler – 网页请求监控工具,我们可以使用它来了解用户触发网页请求后发生的详细步骤;

(1)PyCharm

PyCharm是一款著名的Python IDE开发工具,拥有一整套可以帮助用户在使用Python语言开发时提高其效率的工具。

具备基本的调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。

此外,该IDE提供了一些高级功能,以用于支持Django框架下的专业Web开发。

pycharm官网分为两个版本:

第一个版本是Professional(专业版本),这个版本功能更加强大,主要是为Python和web开发者而准备,是需要付费的。

第二个版本是社区版,一个专业版的阉割版,比较轻量级,主要是为Python和数据专家而准备的。

一般我们做开发,下载专业版本比较合适。

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

(2)Fiddler

Fiddler是一个http调试代理,它能够记录所有的你电脑和互联网之间的http通讯。

Fiddler 可以也可以让你检查所有的http通讯,设置断点,以及Fiddle 所有的“进出”的数据(指cookie,html,js,css等文件,这些都可以让你胡乱修改的意思)。

要比其他的网络调试器要更加简单,因为它仅仅暴露http通讯还有提供一个用户友好的格式。

1)基本工作原理

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

会话的概念:一次请求和一次响应就是一个会话。

2)fiddler主界面

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

工具栏

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

  • 1:给会话添加备注信息
  • 2:重新加载当前会话
  • 3:删除会话选项
  • 4:放行,和断点对应
  • 5:响应模式。也即是,当Fiddler拿到远程的response后是缓存起来一次响应给客户端还是以stream的方式直接响应。
  • 6:解码,有些请求是被编码的,点击这个按钮后可以根据响应的编码格式自动解码。
  • 7:查找会话
  • 8:保存会话
  • 9:截屏。截屏后,会以会话的方式返回一个截图

判断get和post请求

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

会话列表属性说明

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

查看请求头和请求体

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

3)Fiddler设置过滤(抓取指定服务器地址的数据)

填写服务器地址多个ip之间需要用;隔开,或者每个ip或域名单独写一行;

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

Hosts 第二个下拉选说明:

No Host Filter 不设置hosts过滤

Hide The Following Hosts 隐藏过滤到的域名

Show Only The Following Hosts 只显示过滤到的域名

Flag The Following Hosts 标记过滤到的域名

类型过滤:图片、CSS、JS这类的静态素材也不需要看的情况下,直接全部过滤掉

.*\.(bmp|css|js|gif|ico|jp?g|png|swf|woff)

在这里插入图片描述

4)开启 Https 抓包监听

Fiddler 默认下,Fiddler不会捕获HTTPS会话,需要你设置下。

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

from all processes : 抓取所有的 https 程序, 包括 本机 和 手机

from browsers only : 只抓取浏览器中的 https 请求

from non-browsers only : 只抓取除了浏览器之外的所有 https 请求

from remote clients only : 抓取远程的客户端的 https ,可以代表手机

Fiddler是最好用的Web调试工具之一,它能记录所有客户端和服务器的http和https请求,允许你监视,设置断点,甚至修改输入输出数据。

Fiddler包含了一个强大的基于事件脚本的子系统,并且能使用.net语言进行扩展。

你对HTTP 协议越了解, 你就能越掌握Fiddler的使用方法,你越使用Fiddler,就越能帮助你了解HTTP协议。

四、网页爬取案例

案例1:爬取百度翻译接口

python
import requests

base_url = 'https://fanyi.baidu.com/sug'
kw = input('请输入要翻译的英文单词:')
data = {
    'kw': kw
}
headers = {
    # 由于百度翻译没有反扒措施,因此可以不写请求头
    'content-length': str(len(data)),
    'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'referer': '百度翻译-200种语言互译、沟通全世界!',
    'x-requested-with': 'XMLHttpRequest'
}
response = requests.post(base_url, headers=headers, data=data)
# print(response.json())
#结果:{'errno': 0, 'data': [{'k': 'python', 'v': 'n. 蟒; 蚺蛇;'}, {'k': 'pythons', 'v': 'n. 蟒; 蚺蛇;  python的复数;'}]}

#-----------------------------把他变成一行一行
result=''
for i in response.json()['data']:
    result+=i['v']+'\n'
print(kw+'的翻译结果为:')
print(result)

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

案例2:爬取百度产品列表

 # 1.导包
  import requests
  
  # 2.确定url
  base_url = '百度产品大全'
  
  # 3.发送请求,获取响应
  response = requests.get(base_url)
  
  # 4.查看页面内容,可能出现 乱码
  # print(response.text)
  # print(response.encoding)
  
  # 5.解决乱码
  
  # 方法一:转换成utf-8格式
  # response.encoding='utf-8'
  # print(response.text)
  
  #方法二:解码为utf-8
  with open('index.html', 'w', encoding='utf-8') as fp:
      fp.write(response.content.decode('utf-8'))
      
  print(response.status_code)
  print(response.headers)
  print(type(response.text))
  print(type(response.content))

案例3:爬取百度贴吧前十页(get请求)

# _--------------------爬取百度贴吧搜索某个贴吧的前十页
import requests, os

base_url = '登录_百度贴吧
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
}
dirname = './tieba/woman/'
if not os.path.exists(dirname):
    os.makedirs(dirname)
for i in range(0, 10):
    params = {
        'ie': 'utf-8',
        'kw': '美女',
        'pn': str(i * 50)
    }
    response = requests.get(base_url, headers=headers, params=params)
    with open(dirname + '美女第%s页.html' % (i+1), 'w', encoding='utf-8') as file:
        file.write(response.content.decode('utf-8'))

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,Python自动化测试学习等教程。带你从零基础系统性的学好Python!

一、Python学习大纲

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
在这里插入图片描述

二、Python必备开发工具

在这里插入图片描述

三、入门学习视频

python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]

四、实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。在这里插入图片描述

五、python副业兼职与全职路线

在这里插入图片描述

上述这份完整版的Python全套学习资料已经上传CSDN官方,如果需要可以微信扫描下方CSDN官方认证二维码 即可领取

👉[[CSDN大礼包:《python兼职资源&全套学习资料》免费分享]]安全链接,放心点击


python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]


今天的文章python爬虫技术抓取网站数据_爬虫如何抓取网页数据[通俗易懂]分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/79656.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注