python爬虫入门,爬虫学习笔记

本来以为不妨可写的,因为网上那玩意一搜一大把,可是爬虫究竟是python的三个大优点,不说说感觉对不起这厮
基础点来说,python2写爬虫重点须求四个模块,urllib和urllib二,其实还有re
先介绍下模块的片段常用成效
urllib.urlopen(”)
#开拓一个网站,只是打开,和open大致
urllib2.Request(url)
#浅析网站,那些能够不难,具体不是很懂,一些效率,比如加head头什么的也亟需动用那么些
urllib.urlretrieve(url,filename)
#下载用,把url提供的东西down下来,并用filename保存
举个蜂鸟爬图片的例子,上面上伪代码:

python爬虫_入门,python爬虫入门

理所当然认为没什么可写的,因为网上那东西1搜一大把,但是爬虫毕竟是python的贰个大亮点,不说说觉得对不起那玩意儿
基础点来说,python二写爬虫重点须求七个模块,urllib和urllib2,其实还有re
先介绍下模块的部分常用成效
urllib.urlopen(”)
#打开一个网站,只是打开,和open大概
urllib2.Request(url)
#剖析网站,那一个能够大约,具体不是很懂,壹些意义,比如加head头什么的也亟需选拔那么些
urllib.urlretrieve(url,filename)
#下载用,把url提供的东西down下来,并用filename保存
举个蜂鸟爬图片的例子,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

美高梅开户网址 1

看图上,图片链接格式是src=”
浅析现在前面包车型客车事就好办了,上面上代码

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。。。。。有时光再说说翻页什么的,就能爬网址了

 

本来以为没什么可写的,因为网上那玩意儿壹搜一大把,可是爬虫究竟是python的两个大亮点,不说说感觉对不…

前言

很几人提到python,脑海中一定首先个想到爬虫。
那正是说爬虫有是何许吧?
爬虫是指在互连网世界,爬虫一般指抓取众多理解网址网页上多少的相关技术。
不单是python能够做爬虫,有为数不少语言都能够比如java
进入正题,入门python爬虫
首先要对python的知识点要有主旨的通晓和一定的正则表明式的文化,和一定的html的知识,然后就能够入门python爬虫了

那是自个儿要幸而读书python
3爬虫时的小笔记,做备忘用,难免会有部分破绽百出和疏漏,望指正~~~
Python 三 爬虫学习笔记 (2)
Python 叁 爬虫学习笔记 (3)
Python 3 爬虫学习笔记 (4)
Python 叁 爬虫学习笔记 (5)
Python 叁 爬虫学习笔记 (陆)

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

在入门前大家应当率先学习爬虫相关的模块
先是供给大家询问urllib.request模块
urllib.request模块的官方文书档案:https://www.baidu.com/link?url=2TDSZE4Syct8V21juND6HEUUXQtU14DmmeIBrvR\_uxYSAPYNpKqEQWN4XvIvxqbJED-pnZnwxLg279W1hWZKmK&wd=&eqid=ffb469a60007cd46000000025aa52e29


美高梅开户网址 2

赢得网址代码

python爬虫入门,爬虫学习笔记。import urllib.request
req=urllib.request.urlopen(‘)
print(req)

美高梅开户网址 3

图片.png

小编们能够窥见输出的并不是小编不们想要的结果,因为
url.request.urlopen()再次来到的是文件类对象,那时候大家须要运用read()函数
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read()
print(html)

美高梅开户网址 4

出口的结果不是
我们想象中格式,那是因为出口的是‘utf-八’格局的代码,我们必须使用decode()函数将‘utf-八’代码转化为Unicode格局代码
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read().decode(‘utf-8’)
print(html)

美高梅开户网址 5

图片.png

那时候大家就取获得大家想要的结果了

〇. python 基础

先放上python 叁的法定文书档案:https://docs.python.org/3/
(看文书档案是个好习惯)
关于python 三 基础语法方面包车型大巴事物,网上有比比皆是,大家能够自行查找.

看图上,图片链接格式是src=”
剖析之后后边的事就好办了,上边上代码

爬取音讯

那是就足以展开爬取我们想要的音信了,是否极快☻
做爬虫前 我们要率先须求锁定想要爬取的网址和想要获取的音讯
譬如自个儿想要爬取1个贴吧中的八个贴中的有着图片
那正是说大家打开贴子复制网站并查阅贴子的源代码

美高梅开户网址 6

图片.png

右键点击图片,能够看到图片是代码是<img class=”BDE_Image”
src=””
size=”499541″ changedsize=”true” width=”560″ height=”746″>
作者们想要下载图片,就要从代码中取得图片的地址,能够显著的看看该图形的地点在img标签中的src属性中

一. 最简单易行的爬取程序

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)

来看上边的代码:

  • 对于python 三来说,urllib是三个很是关键的一个模块
    ,能够十一分便于的模仿浏览器访问互连网,对于python 3 爬虫来说,
    urllib更是三个不可或缺的模块,它能够扶持我们有利地处理U宝马X五L.
  • urllib.request是urllib的一个子模块,能够打开和拍卖部分扑朔迷离的网站

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()方法实现了打开url,并赶回一个http.client.HTTPResponse对象,通过http.client.HTTPResponse的read()方法,得到response
    body,转码最终经过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-八’)用来将页面转换来utf-八的编码格式,不然会冒出乱码
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

选取正则表达式来提取图片地址

import re
import urllib.request
req=urllib.request.urlopen(‘美高梅开户网址,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)

美高梅开户网址 7

图片.png

大家曾经提议这么些帖子全体img的标签中的src属性了
接下去大家供给用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)

美高梅开户网址 8

图片.png

能够见见将图片自动下载到桌面上面去

贰 模拟浏览器爬取音信

在拜访1些网址的时候,网址1般会用判断访问是还是不是带有头文件来识别该访问是或不是为爬虫,用来作为反爬取的1种政策。
先来看一下Chrome的头信息(F1二开辟开发者方式)如下:

Paste_Image.png

如图,访问头新闻中显得了浏览器以及系统的新闻(headers所含信息众多,具体可机关查询)

Python中urllib中的request模块提供了仿照浏览器访问的意义,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)

能够因而add_header(key, value)
恐怕直接以参数的方式和U中华VL1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是三个字典,通过那种方法能够将爬虫模拟成浏览器对网址开始展览走访。(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,就能爬网址了

req.add_header()

偶尔大家运转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
那正是说小编应当怎么办呢?
python urllib.request模块中有能有模拟浏览器的三个函数
那些函数正是req.add_header()
不过大家选拔前必要对后面包车型大巴代码举办部分改动
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2者并无异
urll.request.urlopen()既可以承受地点 也足以是经受Request对象
当接受的地点时自动将其转化为Request对象
现行反革命大家就可以时候req.add_header()函数了
开辟浏览器的控制台随便打开贰个get

美高梅开户网址 9

图片.png

能够见见User-Agent
那儿复制下来
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″)
放在urlopen函数的上面

为了更加好的不被检查测试出为爬虫,大家得以引进 time模块
在历次下载图片的时候 利用time.sleep(一)举办停顿一秒

接下去大家要求勤加练习打好基础更为熟谙urllib.request模块

 

想要越来越深远的读书爬虫大家就供给上学python爬虫的有关模块和http协议等

python爬虫常常使用的模块

Beautifulsoup肆 用于越来越快提取网页中大家想要的消息
官方文档地址:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html\#id1
request 模块(与urllib.requset不相同)
官方文书档案地址:http://docs.python-requests.org/en/master/

但愿对您有着帮衬

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