python爬虫入门,抓取天猫商品

以微博为例,接下去用Python来模拟这个Ajax请求,把自家发过的和讯爬取下来。

芝麻HTTP:Ajax结果提取,芝麻ajax结果提取

以博客园为例,接下去用Python来效仿那么些Ajax请求,把自家发过的博客园爬取下来。

招待关切天善智能
hellobi.com,大家是专注于商业智能BI,大数额,数据解析世界的垂直社区,学习、问答、求职,一站式化解!

爬虫简要介绍

 什么是爬虫?

爬虫:正是抓取网页数据的先后。

HTTP和HTTPS

HTTP协议(HyperText Transfer
Protocol,超文本传输协议):是1种发表和收受 HTML页面包车型大巴主意。

HTTPS(Hypertext Transfer Protocol over Secure Socket
Layer)简单讲是HTTP的安全版,在HTTP下出席SSL层。

SSL(Secure Sockets Layer
避孕套接层)首要用来Web的新余传输协议,在传输层对网络连接实行加密,保险在Internet上多少传输的安全。

浏览器发送HTTP请求的长河:

  1. 当用户在浏览器的地址栏中输入四个UCR-VL并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求重要分为“Get”和“Post”三种艺术。

  2. 当我们在浏览器输入UXC60L  的时候,浏览器发送二个Request请求去获得  的html文件,服务器把Response文件对象发送回给浏览器。

  3. 浏览器分析Response中的
    HTML,开采个中引用了无数其余文件,例如Images文件,CSS文件,JS文件。
    浏览器会自行重新发送Request去赢得图片,CSS文件,恐怕JS文件。

  4. 当有着的公文都下载成功后,网页会基于HTML语法结构,完整的显得出来了。

URL(Uniform / Universal Resource
Locator的缩写)

概念:统1能源定位符,是用来完整地讲述Internet上网页和任何能源的地点的1种标志方法。

着力格式:scheme://host[:port#]/path/…/[?query-string][#anchor]

  • scheme:协议(例如:http, https, ftp)
  • host:服务器的IP地址只怕域名
  • port#:服务器的端口(倘诺是走协议暗中认可端口,缺省端口80)
  • path:访问能源的门路
  • query-string:参数,发送给http服务器的多少
  • anchor:锚(跳转到网页的钦点锚点地点)

客户端HTTP请求

URubiconL只是标记能源的职位,而HTTP是用来交付和得到能源。客户端发送1个HTTP请求到服务器的呼吁新闻,蕴含以下格式:

请求行请求头部空行请求数据

2个优秀的HTTP请求

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_UPN=12314353; BD_CK_SAM=1; PSINO=1; H_PS_PSSID=1420_25548_21080_20929; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDSVRTM=0

美高梅开户网址 1美高梅开户网址 2

1. Host (主机和端口号)

Host:对应网址URL中的Web名称和端口号,用于指定被请求资源的Internet主机和端口号,通常属于URL的一部分。
2. Connection (链接类型)

Connection:表示客户端与服务连接类型

    Client 发起一个包含 Connection:keep-alive 的请求,HTTP/1.1使用 keep-alive 为默认值。

    Server收到请求后:
        如果 Server 支持 keep-alive,回复一个包含 Connection:keep-alive 的响应,不关闭连接;
        如果 Server 不支持 keep-alive,回复一个包含 Connection:close 的响应,关闭连接。

    如果client收到包含 Connection:keep-alive 的响应,向同一个连接发送下一个请求,直到一方主动关闭连接。

keep-alive在很多情况下能够重用连接,减少资源消耗,缩短响应时间,比如当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都去请求建立连接。
3. Upgrade-Insecure-Requests (升级为HTTPS请求)

Upgrade-Insecure-Requests:升级不安全的请求,意思是会在加载 http 资源时自动替换成 https 请求,让浏览器不再显示https页面中的http请求警报。

HTTPS 是以安全为目标的 HTTP 通道,所以在 HTTPS 承载的页面上不允许出现 HTTP 请求,一旦出现就是提示或报错。
4. User-Agent (浏览器名称)

User-Agent:是客户浏览器的名称,以后会详细讲。
5. Accept (传输文件类型)

Accept:指浏览器或其他客户端可以接受的MIME(Multipurpose Internet Mail Extensions(多用途互联网邮件扩展))文件类型,服务器可以根据它判断并返回适当的文件格式。
举例:

Accept: */*:表示什么都可以接收。

Accept:image/gif:表明客户端希望接受GIF图像格式的资源;

Accept:text/html:表明客户端希望接受html文本。

Accept: text/html, application/xhtml+xml;q=0.9, image/*;q=0.8:表示浏览器支持的 MIME 类型分别是 html文本、xhtml和xml文档、所有的图像格式资源。

q是权重系数,范围 0 =< q <= 1,q 值越大,请求越倾向于获得其“;”之前的类型表示的内容。若没有指定q值,则默认为1,按从左到右排序顺序;若被赋值为0,则用于表示浏览器不接受此内容类型。

Text:用于标准化地表示的文本信息,文本消息可以是多种字符集和或者多种格式的;Application:用于传输应用程序数据或者二进制数据。详细请点击
6. Referer (页面跳转处)

Referer:表明产生请求的网页来自于哪个URL,用户是从该 Referer页面访问到当前请求的页面。这个属性可以用来跟踪Web请求来自哪个页面,是从什么网站来的等。

有时候遇到下载某网站图片,需要对应的referer,否则无法下载图片,那是因为人家做了防盗链,原理就是根据referer去判断是否是本网站的地址,如果不是,则拒绝,如果是,就可以下载;
7. Accept-Encoding(文件编解码格式)

Accept-Encoding:指出浏览器可以接受的编码方式。编码方式不同于文件格式,它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码,然后再检查文件格式,许多情形下这可以减少大量的下载时间。
举例:Accept-Encoding:gzip;q=1.0, identity; q=0.5, *;q=0

如果有多个Encoding同时匹配, 按照q值顺序排列,本例中按顺序支持 gzip, identity压缩编码,支持gzip的浏览器会返回经过gzip编码的HTML页面。 如果请求消息中没有设置这个域服务器假定客户端对各种内容编码都可以接受。
8. Accept-Language(语言种类)

Accept-Langeuage:指出浏览器可以接受的语言种类,如en或en-us指英语,zh或者zh-cn指中文,当服务器能够提供一种以上的语言版本时要用到。
9. Accept-Charset(字符编码)

Accept-Charset:指出浏览器可以接受的字符编码。
举例:Accept-Charset:iso-8859-1,gb2312,utf-8

    ISO8859-1:通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符,英文浏览器的默认值是ISO-8859-1.
    gb2312:标准简体中文字符集;
    utf-8:UNICODE 的一种变长字符编码,可以解决多种语言文本显示问题,从而实现应用国际化和本地化。

如果在请求消息中没有设置这个域,缺省是任何字符集都可以接受。
10. Cookie (Cookie)

Cookie:浏览器用这个属性向服务器发送Cookie。Cookie是在浏览器中寄存的小型数据体,它可以记载和服务器相关的用户信息,也可以用来实现会话功能,以后会详细讲。
11. Content-Type (POST数据类型)

Content-Type:POST请求里用来表示的内容类型。
举例:Content-Type = Text/XML; charset=gb2312:

指明该请求的消息体中包含的是纯文本的XML类型的数据,字符编码采用“gb2312”。

常用请求报头

美高梅开户网址 3美高梅开户网址 4

服务器和客户端的交互仅限于请求/响应过程,结束之后便断开,在下一次请求时,服务器会认为新的客户端。

为了维护他们之间的链接,让服务器知道这是前一个用户发送的请求,必须在一个地方保存客户端的信息。

Cookie:通过在 客户端 记录的信息确定用户的身份。

Session:通过在 服务器端 记录的信息确定用户的身份。

cookie和session

HTTP请求方法

序号   方法      描述
1     GET       请求指定的页面信息,并返回实体主体。
2     HEAD      类似于get请求,只不过返回的响应中没有具体的内容,用于获取报头
3     POST      向指定资源提交数据进行处理请求(例如提交表单或者上传文件),数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。
4     PUT       从客户端向服务器传送的数据取代指定的文档的内容。
5     DELETE    请求服务器删除指定的页面。
6     CONNECT   HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
7     OPTIONS   允许客户端查看服务器的性能。
8     TRACE     回显服务器收到的请求,主要用于测试或诊断。

首要形式get和post请求

  • GET是从服务器上获取数据,POST是向服务器传送数据

  • GET请求参数字显示示,都来得在浏览器网站上,HTTP服务器依照该请求所包括U本田CR-VL中的参数来发生响应内容,即“Get”请求的参数是USportageL的1有的。
    举个例子: http://www.baidu.com/s?wd=Chinese

  • POST请求参数在请求体其中,音讯长度未有界定而且以隐式的措施开始展览发送,平常用来向HTTP服务器提交量不小的多寡(比如请求中隐含众多参数可能文件上传操作等),请求的参数包蕴在“Content-Type”新闻头里,指明该新闻体的传播媒介类型和编码.

HTTP响应状态码

美高梅开户网址 5美高梅开户网址 6

1xx:信息

100 Continue
服务器仅接收到部分请求,但是一旦服务器并没有拒绝该请求,客户端应该继续发送其余的请求。
101 Switching Protocols
服务器转换协议:服务器将遵从客户的请求转换到另外一种协议。



2xx:成功

200 OK
请求成功(其后是对GET和POST请求的应答文档)
201 Created
请求被创建完成,同时新的资源被创建。
202 Accepted
供处理的请求已被接受,但是处理未完成。
203 Non-authoritative Information
文档已经正常地返回,但一些应答头可能不正确,因为使用的是文档的拷贝。
204 No Content
没有新文档。浏览器应该继续显示原来的文档。如果用户定期地刷新页面,而Servlet可以确定用户文档足够新,这个状态代码是很有用的。
205 Reset Content
没有新文档。但浏览器应该重置它所显示的内容。用来强制浏览器清除表单输入内容。
206 Partial Content
客户发送了一个带有Range头的GET请求,服务器完成了它。



3xx:重定向

300 Multiple Choices
多重选择。链接列表。用户可以选择某链接到达目的地。最多允许五个地址。
301 Moved Permanently
所请求的页面已经转移至新的url。
302 Moved Temporarily
所请求的页面已经临时转移至新的url。
303 See Other
所请求的页面可在别的url下被找到。
304 Not Modified
未按预期修改文档。客户端有缓冲的文档并发出了一个条件性的请求(一般是提供If-Modified-Since头表示客户只想比指定日期更新的文档)。服务器告诉客户,原来缓冲的文档还可以继续使用。
305 Use Proxy
客户请求的文档应该通过Location头所指明的代理服务器提取。
306 Unused
此代码被用于前一版本。目前已不再使用,但是代码依然被保留。
307 Temporary Redirect
被请求的页面已经临时移至新的url。



4xx:客户端错误

400 Bad Request
服务器未能理解请求。
401 Unauthorized
被请求的页面需要用户名和密码。
401.1
登录失败。
401.2
服务器配置导致登录失败。
401.3
由于 ACL 对资源的限制而未获得授权。
401.4
筛选器授权失败。
401.5
ISAPI/CGI 应用程序授权失败。
401.7
访问被 Web 服务器上的 URL 授权策略拒绝。这个错误代码为 IIS 6.0 所专用。
402 Payment Required
此代码尚无法使用。
403 Forbidden
对被请求页面的访问被禁止。
403.1
执行访问被禁止。
403.2
读访问被禁止。
403.3
写访问被禁止。
403.4
要求 SSL。
403.5
要求 SSL 128。
403.6
IP 地址被拒绝。
403.7
要求客户端证书。
403.8
站点访问被拒绝。
403.9
用户数过多。
403.10
配置无效。
403.11
密码更改。
403.12
拒绝访问映射表。
403.13
客户端证书被吊销。
403.14
拒绝目录列表。
403.15
超出客户端访问许可。
403.16
客户端证书不受信任或无效。
403.17
客户端证书已过期或尚未生效。
403.18
在当前的应用程序池中不能执行所请求的 URL。这个错误代码为 IIS 6.0 所专用。
403.19
不能为这个应用程序池中的客户端执行 CGI。这个错误代码为 IIS 6.0 所专用。
403.20
Passport 登录失败。这个错误代码为 IIS 6.0 所专用。
404 Not Found
服务器无法找到被请求的页面。
404.0
没有找到文件或目录。
404.1
无法在所请求的端口上访问 Web 站点。
404.2
Web 服务扩展锁定策略阻止本请求。
404.3
MIME 映射策略阻止本请求。
405 Method Not Allowed
请求中指定的方法不被允许。
406 Not Acceptable
服务器生成的响应无法被客户端所接受。
407 Proxy Authentication Required
用户必须首先使用代理服务器进行验证,这样请求才会被处理。
408 Request Timeout
请求超出了服务器的等待时间。
409 Conflict
由于冲突,请求无法被完成。
410 Gone
被请求的页面不可用。
411 Length Required
"Content-Length" 未被定义。如果无此内容,服务器不会接受请求。
412 Precondition Failed
请求中的前提条件被服务器评估为失败。
413 Request Entity Too Large
由于所请求的实体的太大,服务器不会接受请求。
414 Request-url Too Long
由于url太长,服务器不会接受请求。当post请求被转换为带有很长的查询信息的get请求时,就会发生这种情况。
415 Unsupported Media Type
由于媒介类型不被支持,服务器不会接受请求。
416 Requested Range Not Satisfiable
服务器不能满足客户在请求中指定的Range头。
417 Expectation Failed
执行失败。
423
锁定的错误。



5xx:服务器错误

500 Internal Server Error
请求未完成。服务器遇到不可预知的情况。
500.12
应用程序正忙于在 Web 服务器上重新启动。
500.13
Web 服务器太忙。
500.15
不允许直接请求 Global.asa。
500.16
UNC 授权凭据不正确。这个错误代码为 IIS 6.0 所专用。
500.18
URL 授权存储不能打开。这个错误代码为 IIS 6.0 所专用。
500.100
内部 ASP 错误。
501 Not Implemented
请求未完成。服务器不支持所请求的功能。
502 Bad Gateway
请求未完成。服务器从上游服务器收到一个无效的响应。
502.1
CGI 应用程序超时。 ·
502.2
CGI 应用程序出错。
503 Service Unavailable
请求未完成。服务器临时过载或当机。
504 Gateway Timeout
网关超时。
505 HTTP Version Not Supported
服务器不支持请求中指明的HTTP协议版本

View Code

浏览器内核

浏览器                         内核
IE                           Trident
Chrome                       Webkit
Firefox                      Gecho
Opera                        Pesto
Safari(Apple)                Webkit 

HTTP代理工科具Fiddler
美高梅开户网址,Fiddler是1款庞大Web调节和测试工具,它能记录全部客户端和服务器的HTTP请求.
美高梅开户网址 7

Request部分详解

  1. Headers —— 彰显客户端发送到服务器的 HTTP 请求的
    header,突显为一个分别视图,包罗了 Web
    客户端音信、Cookie、传输状态等。
  2. Textview —— 展现 POST 请求的 body 部分为文本。
  3. WebForms —— 呈现请求的 GET 参数 和 POST body 内容。
  4. HexView —— 用十陆进制数据体现请求。
  5. Auth —— 展现响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 音信.
  6. Raw —— 将整个请求突显为纯文本。
  7. JSON – 展现JSON格式文件。
  8. XML —— 若是请求的 body 是 XML 格式,正是用各自的 XML 树来展现它。

 Responser部分详解

  1. Transformer —— 显示响应的编码音讯。
  2. Headers —— 用分级视图彰显响应的 header。
  3. TextView —— 使用文本呈现相应的 body。
  4. ImageVies —— 如若请求是图片财富,呈现响应的图片。
  5. HexView —— 用十6进制数据展现响应。
  6. WebView —— 响应在 Web 浏览器中的预览效果。
  7. Auth —— 展现响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 新闻。
  8. Caching —— 呈现此呼吁的缓存音讯。
  9. Privacy —— 显示此恳请的私密 (P三P) 音信。
  10. Raw —— 将整个响应显示为纯文本。
  11. JSON – 显示JSON格式文件。
  12. XML —— 借使响应的 body 是 XML 格式,正是用各自的 XML 树来展现它 。

 领悟了那几个文化后,接下去真正迈向爬虫之路…….

一. 分析请求

开垦Ajax的XH奥德赛过滤器,然后径直滑动页面以加载新的今日头条内容。能够见到,会频频有Ajax请求发出。

选定在那之中3个请求,分析它的参数音讯。点击该请求,进入详细的情况页面,如图6-11所示。

美高梅开户网址 8

能够开采,那是多少个GET类型的伏乞,请求链接为[

紧接着再看看其他请求,能够窥见,它们的typevaluecontainerid从头到尾。type始终为uidvalue的值正是页面链接中的数字,其实那就是用户的id。另外,还有containeridpython爬虫入门,抓取天猫商品。。能够开掘,它正是10760三增进用户id。更动的值就是page,很驾驭这么些参数是用来调整分页的,page=1意味着第一页,page=2代表第一页,就那样推算。

一. 分析请求

开发Ajax的XHRubicon过滤器,然后径直滑动页面以加载新的天涯论坛内容。能够看来,会频频有Ajax请求发出。

选定当中四个请求,分析它的参数音讯。点击该请求,进入详细情形页面,如图陆-11所示。

美高梅开户网址 9

能够发掘,那是2个GET类型的请求,请求链接为[

进而再看看别的请求,能够开掘,它们的typevaluecontainerid慎始而敬终。type始终为uidvalue的值就是页面链接中的数字,其实那正是用户的id。另外,还有containerid。可以窥见,它正是10760叁拉长用户id。改变的值正是page,很显著那个参数是用来调控分页的,page=1代表首先页,page=2意味着第3页,就那样类推。

对商业贸易智能BI、大数据解析开采、机器学习,python,猎豹CS陆等数码领域感兴趣的同班加微信:tstoutiao,诚邀您进去数据爱好者沟通群,数据爱好者们都在那时。

urllib2

所谓网页抓取,正是把U福特ExplorerL地址中钦点的互连网能源从互联网流中读抽取来,保存到本地。
在Python中有诸多库能够用来抓取网页,先读书urllib2

urllib2模块直接导入就足以用,在python三中urllib二被改为urllib.request

开头爬虫需求早为之所的1部分工具

(一)下载Fiddeler抓包工具,百度一贯下载安装就可以(抓包)

(贰)下载chrome浏览器代理插件 Proxy-SwitchyOmega(代理)

(三)下载chrome浏览器插件XPath(解析HTML)

(4)工具网址:

          
(json解析网址)

      
    (url编码解码网址)

先写个简易的爬虫百度页面

urlopen

# _*_ coding:utf-8 _*_
import urllib2

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen('http://www.baidu.com/')
#服务器返回的类文件对象支持python文件对象的操作方法
#read()方法就是读取文件里的全部内容,返回字符串
html = response.read()
print html

urllib贰暗许的User-Agent是Python-urllib/二.柒,轻巧被检查到是爬虫,所以大家要布局二个请求对象,要用到request方法。

仿照浏览器访问

浏览器访问时经过抓包工具得到的headers音讯如下:

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Cache-Control: max-age=0
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_CK_SAM=1; PSINO=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BD_HOME=0; H_PS_PSSID=1420_25548_21080_20929; BD_UPN=12314353

我们要设置User-Agent模仿浏览器去拜谒数据

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

print html

Request总共八个参数,除了供给求有url参数,还有下边七个:

  1. data(暗中同意空):是陪伴 url 提交的数据(比如要post的数据),同时 HTTP
    请求将从 “GET”方式 改为 “POST”格局。

  2. headers(暗中同意空):是三个字典,包涵了亟待发送的HTTP报头的键值对。

response的常用方法

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

# 返回HTTP的响应吗,成功返回200,4服务器页面出错,5服务器问题
print response.getcode()     #200

# 返回数据的实际url,防止重定向
print response.geturl()     #https://www.baidu.com/

# 返回服务器响应的HTTP报头
print response.info()

# print html

自由选拔四个Use-Agent

为了防止封IP,先生成三个user-agent列表,然后从中随机采纳三个

# _*_ coding:utf-8 _*_
import urllib2
import random

url = 'http:/www.baidu.com/'

# 可以试User-Agent列表,也可以是代理列表
ua_list = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

# 在User-Agent列表中随机选择一个User-Agent
user_agent = random.choice(ua_list)

# 构造一个请求
request = urllib2.Request(url)

# add_header()方法添加/修改一个HTTP报头
request.add_header('User-Agent',user_agent)

#get_header()获取一个已有的HTTP报头的值,注意只能第一个字母大写,后面的要小写
print request.get_header('User-agent')

二. 剖析响应

随之,阅览那几个请求的响应内容,如图陆-1二所示。

美高梅开户网址 10

本条内容是JSON格式的,浏览器开荒者工具自动做了分析以有益大家查阅。能够见到,最要害的两有个别消息就是cardlistInfocards:前者带有一个相比关键的新闻total,观看后能够发掘,它其实是果壳网的总量据,大家得以依附那么些数字来测度分页数;后者则是二个列表,它包括11个因素,张开内部一个看一下,如图所示。

美高梅开户网址 11

能够窥见,那一个成分有1个相比根本的字段mblog。张开它,能够窥见它含有的难为天涯论坛的一对新闻,比方attitudes_count(赞数目)、comments_count(商量数目)、reposts_count(转载数量)、created_at(发表时间)、text(天涯论坛正文)等,而且它们都以有的格式化的始末。

那般大家呼吁三个接口,就能够赢得10条博客园,而且请求时只必要退换page参数就能够。

那样的话,大家只必要轻松做二个循环,就能够收获具备果壳网了。

2. 剖析响应

进而,观看那一个请求的响应内容,如图陆-1二所示。

美高梅开户网址 12

那么些剧情是JSON格式的,浏览器开辟者工具自动做了剖析以有益我们查阅。能够看出,最重大的两部分音信正是cardlistInfocards:前者带有四个相比较首要的新闻total,观望后能够开采,它实质上是博客园的总量量,大家得以依靠那些数字来推测分页数;后者则是1个列表,它涵盖十一个要素,张开内部2个看一下,如图所示。

美高梅开户网址 13

能够窥见,那些因素有贰个比较首要的字段mblog。张开它,可以窥见它富含的难为新浪的部分音讯,比方attitudes_count(赞数目)、comments_count(商讨数目)、reposts_count(转载数量)、created_at(发表时间)、text(新浪正文)等,而且它们都以有的格式化的始末。

那般大家呼吁三个接口,就可以收获十条天涯论坛,而且请求时只须求改动page参数就可以。

那样的话,大家只供给简单做三个循环往复,就足以获取具备微博了。

我们得以品味分析Ajax来抓取了相关数据,不过并不是具有的页面都以足以分析Ajax来就足以做到抓取的,举个例子Taobao。它的漫天页面数据确实也是经过Ajax获取的,不过这一个Ajax接口参数比较复杂,恐怕会蕴含加密密钥等参数,所以大家借使想协和协会Ajax参数是相比较困苦的,对于那种页面大家最方便火速的抓取方法正是透过Selenium,本节我们就来用Selenium来模拟浏览器操作,抓取天猫的商品消息,并将结果保存到MongoDB。

urllib和urllib2的入眼分裂

 urllib和urllib二都是承受UWranglerL请求的有关模块,不过提供了区别的效果,最鲜明的分别如下:

(一)urllib仅能够承受U锐界L,无法创立,设置headers的request类实例;

(二)但是urllib提供urlencode()方法用来GET查询字符串的产生,而urllib贰则未有(那是urllib和urllib2平日一同行使的珍视缘由)

(叁)编码专门的工作选择urllib的urlencode()函数,帮我们讲key:value那样的键值对调换来‘key=value’那样的字符串,解码专门的学问得以行使urllib的unquote()

函数

 urllib.encode()的使用

urlencode()里面必须是字典类型

# _*_ coding:utf-8 _*_
import urllib

dic = {'derek':'编码'}
print urllib.urlencode(dic)    #derek=%E7%BC%96%E7%A0%81

m = urllib.urlencode(dic)

print urllib.unquote(m)         #derek=编码

三. 实战练习

此地大家用程序模拟那一个Ajax请求,将本身的前拾页博客园全部爬取下来。

首先,定义一个形式来获取每便请求的结果。在伏乞时,page是2个可变参数,所以我们将它看作艺术的参数字传送递进来,相关代码如下:

from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'

headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}

def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError as e:
        print('Error', e.args)

率先,那里定义了base_url来表示请求的U陆风X⑧L的前半有些。接下来,构造参数字典,当中typevaluecontainerid是牢固参数,page是可变参数。接下来,调用urlencode()方法将参数转化为U帕杰罗L的GET请求参数,即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2如此那般的情势。随后,base_url与参数拼合形成1个新的UEscortL。接着,大家用requests请求这一个链接,插足headers参数。然后推断响应的状态码,借使是200,则直接调用json()措施将内容分析为JSON重临,不然不回来任何新闻。若是出现卓殊,则捕获并出口其10分新闻。

进而,大家必要定义一个剖析方法,用来从结果中领到想要的消息,比方本次想保留和讯的id、正文、赞数、辩论数和转载数那几个内容,那么能够先遍历cards,然后拿走mblog中的种种音信,赋值为三个新的字典重回就能够:

from pyquery import PyQuery as pq

def parse_page(json):
    if json:
        items = json.get('data').get('cards')
        for item in items:
            item = item.get('mblog')
            weibo = {}
            weibo['id'] = item.get('id')
            weibo['text'] = pq(item.get('text')).text()
            weibo['attitudes'] = item.get('attitudes_count')
            weibo['comments'] = item.get('comments_count')
            weibo['reposts'] = item.get('reposts_count')
            yield weibo

此间大家借助pyquery将正文中的HTML标签去掉。

最后,遍历一下page,1共10页,将提取到的结果打字与印刷输出就能够:

if __name__ == '__main__':
    for page in range(1, 11):
        json = get_page(page)
        results = parse_page(json)
        for result in results:
            print(result)

其它,大家还能加二个艺术将结果保存到MongoDB数据库:

from pymongo import MongoClient

client = MongoClient()
db = client['weibo']
collection = db['weibo']

def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')

这么具备作用就贯彻变成了。运转程序后,样例输出结果如下:

{'id': '4134879836735238', 'text': '惊不惊喜,刺不刺激,意不意外,感不感动', 'attitudes': 3, 'comments': 1, 'reposts': 0}
Saved to Mongo
{'id': '4143853554221385', 'text': '曾经梦想仗剑走天涯,后来过安检给收走了。分享单曲 远走高飞', 'attitudes': 5, 'comments': 1, 'reposts': 0}
Saved to Mongo

翻开一下MongoDB,相应的数码也被封存到MongoDB,如图所示。

美高梅开户网址 14

诸如此类,我们就顺风经过分析Ajax并编写制定爬虫爬取下来了今日头条列表,最终,给出本节的代码地址:。

本节的目标是为了演示Ajax的模拟请求进度,爬取的结果不是任重(Ren Zhong)而道远。该程序仍有众多方可健全的地点,如页码的动态总计、博客园查看全文等,若感兴趣,可以品味一下。

因此这几个实例,大家任重(英文名:rèn zhòng)而道远学会了怎么着去分析Ajax请求,怎么着用程序来模拟抓取Ajax请求。领悟了抓取原理之后,下壹节的Ajax实战练习会特别百发百中。

三. 实战演习

那里我们用程序模拟这么些Ajax请求,将自个儿的前10页和讯全体爬取下来。

率先,定义1个措施来获得每便请求的结果。在呼吁时,page是2个可变参数,所以大家将它作为艺术的参数传递进来,相关代码如下:

from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'

headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}

def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError as e:
        print('Error', e.args)

率先,那里定义了base_url来表示请求的U奥迪Q7L的前半部分。接下来,构造参数字典,其中typevaluecontainerid是定位参数,page是可变参数。接下来,调用urlencode()艺术将参数转化为U福特ExplorerL的GET请求参数,即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2这么的格局。随后,base_url与参数拼合产生叁个新的U奇骏L。接着,我们用requests请求这几个链接,加入headers参数。然后判定响应的状态码,固然是200,则间接调用json()格局将内容分析为JSON重临,不然不回来任何音信。若是出现非常,则捕获并出口其13分新闻。

紧接着,我们供给定义贰个解析方法,用来从结果中领取想要的音信,比如此次想保留乐乎的id、正文、赞数、切磋数和转载数那多少个内容,那么能够先遍历cards,然后拿走mblog中的各类信息,赋值为三个新的字典重返就能够:

from pyquery import PyQuery as pq

def parse_page(json):
    if json:
        items = json.get('data').get('cards')
        for item in items:
            item = item.get('mblog')
            weibo = {}
            weibo['id'] = item.get('id')
            weibo['text'] = pq(item.get('text')).text()
            weibo['attitudes'] = item.get('attitudes_count')
            weibo['comments'] = item.get('comments_count')
            weibo['reposts'] = item.get('reposts_count')
            yield weibo

此处大家依据pyquery将正文中的HTML标签去掉。

最后,遍历一下page,1共10页,将领到到的结果打字与印刷输出就可以:

if __name__ == '__main__':
    for page in range(1, 11):
        json = get_page(page)
        results = parse_page(json)
        for result in results:
            print(result)

除此以外,大家还足以加多个措施将结果保存到MongoDB数据库:

from pymongo import MongoClient

client = MongoClient()
db = client['weibo']
collection = db['weibo']

def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')

那样全体机能就兑现到位了。运行程序后,样例输出结果如下:

{'id': '4134879836735238', 'text': '惊不惊喜,刺不刺激,意不意外,感不感动', 'attitudes': 3, 'comments': 1, 'reposts': 0}
Saved to Mongo
{'id': '4143853554221385', 'text': '曾经梦想仗剑走天涯,后来过安检给收走了。分享单曲 远走高飞', 'attitudes': 5, 'comments': 1, 'reposts': 0}
Saved to Mongo

查阅一下MongoDB,相应的多少也被保留到MongoDB,如图所示。

美高梅开户网址 15

如此,大家就顺手经过分析Ajax并编辑爬虫爬取下来了天涯论坛列表,最终,给出本节的代码地址:

本节的目标是为了演示Ajax的模仿请求进度,爬取的结果不是人命关天。该程序仍有点不清足以周到的地点,如页码的动态总计、新浪查看全文等,若感兴趣,能够品尝一下。

通过这几个实例,大家首要学会了怎么去分析Ajax请求,怎么样用程序来效仿抓取Ajax请求。领会了抓取原理之后,下1节的Ajax实战演习会尤其百发百中。

以腾讯网为例,接下去用Python来模拟那么些Ajax请求,把自个儿发过的今日头条爬取下来。

  1. 分析请求 展开Aj…

接口分析

相似HTTP请求提交数据,须求编码成 UHavalL编码格式,然后做为url的一局部,只怕作为参数字传送到Request对象中。

GET请求一般用于大家向服务器获取数据,举个例子说,大家用百度搜索知乎

发现GET

美高梅开户网址 16

 

 

美高梅开户网址 17

美高梅开户网址 18

用urllib.urlencode()举行转码,然后组合url

# _*_ coding:utf-8 _*_
import urllib,urllib2

url = 'http://www.baidu.com/s'
headers = {'UserAgent':'Mozilla'}
keyword = raw_input('请输入关键字:')
wd = urllib.urlencode({'wd':keyword})
fullurl = url + '?' + wd
print fullurl
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
print response.read()

下一场输加入关贸总协定组织键字,爬取下相应的内容

美高梅开户网址 19

 美高梅开户网址 20

先是大家来看下天猫的接口,看看它的接口相比较一般Ajax多了怎么样的始末。

爬取贴吧内容

 先驾驭贴吧url组成:

美高梅开户网址 21

各类贴吧url都以以’ kw=‘’贴吧名字‘’,再前边是 &pn=页数
 (pn=0先是页,pn=417次之页,依次类推)

一.先写二个main,提醒用户输入要爬取的贴吧名,并用urllib.urlencode()举行转码,然后组合url

二.接下来,写一个百度贴吧爬虫接口tiebaSpider(),须要传递3个参数给那一个接口,
叁个是main里组合的url地址,以及早先页码和结束页码,表示要爬取页码的限量。

3.前面写出三个爬取三个网页的代码。然后,将它封装成二个小函数loadPage(),供大家运用。

四.将爬取到的每页的音讯存款和储蓄在该地球磁性盘上,大家能够省略写叁个存款和储蓄文件的接口writePage()

# _*_ coding:utf-8 _*_
import urllib,urllib2

def loadPage(url,filename):
    #根据url发送请求,获取服务器响应文件
    print '正在下载' + filename
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
    request = urllib2.Request(url,headers = headers)
    content = urllib2.urlopen(request).read()
    return content
def writePage(html,filename):
    #将html内容写入到本地
    print '正在保存' + filename
    with open(unicode(filename,'utf-8'),'w') as f:
        f.write(html)
    print '_' * 30

def tiebaSpider(url,beginPage,endPage):
    #贴吧爬虫调度器,负责组合处理每个页面的url
    for page in range(beginPage,endPage + 1):
        pn = (page - 1) * 50
        filename = '第' + str(page) + '页.html'
        fullurl = url + '&pn=' + str(pn)
        # print fullurl
        html = loadPage(fullurl,filename)
        writePage(html,filename)

if __name__ == '__main__':
    kw = raw_input('请输入贴吧名:')
    beginPage = int(raw_input('请输入起始页:'))
    endPage = int(raw_input('请输入结束页:'))

    url = 'https://tieba.baidu.com/f?'
    key = urllib.urlencode({'kw':kw})
    fullurl = url + key
    tiebaSpider(fullurl,beginPage,endPage)

透过输入想要寻觅的贴吧名字,爬取内容并保留到本地

美高梅开户网址 22

开采天猫商城页面,搜索三个物品,比方三星GALAXY Tab,此时打开开辟者工具,截获Ajax请求,我们能够发掘会获取商品列表的接口。

 获取Ajax格局加载的数额

爬虫最要求关注的不是页面消息,而是页面音信的数据出自

Ajax格局加载的页面,数据出自一定是JSON,直接对AJAX地址举行post或get,得到JSON,正是获得了网页数据,

(一)先经过浏览器访问豆瓣电影排行榜

 美高梅开户网址 23

(贰)浏览器访问后,通过抓包工具就足以拿走我们想要的部分消息

 美高梅开户网址 24

美高梅开户网址 25

倘使response里面有
JSON数据,大家就足以找到服务器的数目来源

浅析开掘变动的是start value和limit value,
type,interval_id,action,固定不改变,那多少个url中曾经包括了,所以formdata只用传start和limit

import urllib
import urllib2


url = 'https://movie.douban.com/typerank?type_name=%E5%89%A7%E6%83%85&type=11&interval_id=100:90&action='
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}

# start和limit可以自己随便设置
formdata = {'start':'20','limit':'100'}

data = urllib.urlencode(formdata)
request = urllib2.Request(url,data = data,headers=headers)

response = urllib2.urlopen(request)
print response.read()

 

美高梅开户网址 26

它的链接包罗了多少个GET参数,如若我们要想协会Ajax链接直接伸手再好可是了,它的归来内容是Json格式。

美高梅开户网址 27

不过这一个Ajax接口包括了多少个参数,个中_ksTS、rn参数无法直接发掘其原理,假设我们要去搜索它的转移规律也不是做不到,但如此相对会相比较繁琐,所以只要大家直接用Selenium来模拟浏览器的话就不必要再关切那个接口参数了,只要在浏览器里面可以旁观的大家都能够爬取。那也是干吗我们选取Selenium爬取天猫的原委。

页面分析

大家本节的对象是爬取商品新闻,比如:

美高梅开户网址 28

那样的二个结实就含有了二个商品的主导音讯,包蕴商品图片、名称、价格、购买人数、商铺名称、商城所在地,大家要做的就是将那个音信都抓取下来。

抓取入口正是Taobao的检索页面,这么些链接是足以一向组织参数访问的,比方倘使寻找华为平板,就能够一向访问

美高梅开户网址 29

比方想要分页的话,大家注意到在页面下方有一个分页导航,包涵前五页的链接,也囊括下一页的链接,同时还有2个输入大四页码跳转的链接,如图所示:

美高梅开户网址 30

在这里商品寻找结果一般最大都为十0页,大家要收获的每一页的始末,只供给将页码从一到十0依次遍历就可以,页码数是分明的。所以在此处咱们能够直接在页面跳转文本框中输入要跳转的页码,然后点击显著按键跳转就可以到达页码页码对应的页面。

在那里大家不直接点击下一页的来由是,一旦爬取进度中出现非凡退出,例如到了50页退出了,我们倘若点击下一页就比较小概快捷切换来相应的存在延续页面,而且爬取进程中大家也须要记录当前的页码数,而且1旦点击下一页之后页面加载失利,大家还亟需做老大检查实验检查实验当前页面是加载到了第几页,因而整个工艺流程绝对复杂,所以在那边大家直接选择跳页的措施来爬取页面。

当我们成功加载出某壹页商品列表时,利用Selenium就能够获得页面源代码,然后大家再用相应的解析库解析就能够,在那里我们选取PyQuery进行辨析。

代码实战

下边大家用代码来贯彻一下全套抓取过程。

赢得商品列表

先是大家需求组织一个抓取的U奥迪Q三L,

布局出UGL450L之后大家就必要用Selenium实行抓取了,我们实现如下抓取列表页的法子:

from selenium import webdriver from selenium.common.exceptions import
TimeoutExceptionfrom selenium.webdriver.common.by import By from
selenium.webdriver.support importexpected_conditions as EC from
selenium.webdriver.support.wait import WebDriverWaitfrom urllib.parse
import quote browser = webdriver.Chrome() wait = WebDriverWait(browser,
10) KEYWORD = ‘iPad’defindex_page(page):””” 抓取索引页 :param page:
页码 “”” print( ‘正在爬取第’, page, ‘页’) try: url =
” + quote(KEYWORD) browser.get(url) if
page > 1: input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, ‘#mainsrp-pager
div.form > input’))) submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, ‘#mainsrp-pager
div.form > span.btn.J_Submit’))) input.clear()
input.send_keys(page) submit.click() wait.until(
EC.text_to_be_present_in_element((By.CSS_SELECTOR,
‘#mainsrp-pager li.item.active > span’), str(page)))
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
‘.m-itemlist .items .item’))) get_products() except TimeoutException:
index_page(page)

在那里大家第壹构造了七个WebDriver对象,使用的浏览器是Chrome,然后内定二个入眼词,如华为平板,然后咱们定义了多少个get_index()方法,用于抓取商品列表页。

在该方法里大家首先访问了那几个链接,然后剖断了日前的页码,假如过量1,那就开始展览跳页操作,不然等待页面加载成功。

等候加载大家选取了WebDriverWait对象,它能够钦命等待条件,同时钦命二个最长等待时间,在此地钦定为最长十秒。若是在这些时间内成功相称了守候条件,也便是说页面成分成功加载出来了,那就立刻赶回相应结果并卫冕向下举行,不然到了最大等待时间还尚未加载出来就径直抛出超时十分。

举个例子我们最后要等待商品音信加载出来,在此地就钦命了presence_of_element_located这几个规格,然后传入了
.m-itemlist .items .item
那么些选用器,而以此选用器对应的页面内容正是各样商品的音讯块,能够到网页里面查看一下。假若加载成功,就会施行后续的get_products()方法,提取商品音讯。

至于翻页的操作,大家在此地是首先获得了页码输入框,赋值为input,然后拿走了付出按钮,赋值为submit,分别是下图中的三个要素:

美高梅开户网址 31

先是大家清空了输入框,调用clear()方法就可以,随后调用send_keys()方法将页码填充到输入框中,然后点击明确按键就可以。

这就是说怎么样明白有未有跳转到对应的页码呢?大家能够小心到成功跳转某1页后页码都会高亮呈现:

美高梅开户网址 32

咱俩只必要看清当前高亮的页码数是现阶段的页码数就可以,所以在此地运用了另三个守候条件
text_to_be_present_in_element,它会等待某一文本出现在某一个节点里面即重回成功,在那里大家将高亮的页码节点对应的CSS采用器和目前要跳转的页码通过参数字传送递给这几个等待条件,那样它就会检测当前高亮的页码节点里是还是不是大家传过来的页码数,就算是,那就认证页面成功跳转到了那壹页,页面跳转成功。

那正是说那样,刚才我们所完毕的get_index()方法就足以成功传入对应的页码,然后加载出相应页码的货色列表后,再去调用get_products()方法开展页面解析。

分析商品列表

接下去我们就能够落成get_products()方法来分析商品列表了,在这边大家间接获取页面源代码,然后用PyQuery实行解析,落成如下:

from pyquery import PyQuery as pq defget_products():””” 提取商品数据
“”” html = browser.page_source doc = pq(html) items = doc(
‘#mainsrp-itemlist .items .item’).items() foritem in items: product = {
‘image’: item.find( ‘.pic .img’).attr( ‘data-src’), ‘price’:
item.find(‘.price’).text(), ‘deal’: item.find( ‘.deal-cnt’).text(),
‘title’: item.find( ‘.title’).text(), ‘shop’: item.find(‘.shop’).text(),
‘location’: item.find( ‘.location’).text() } print(product)
save_to_mongo(product)

率先我们调用了page_source属性获取了页码的源代码,然后构造了PyQuery解析对象,首先大家领到了商品列表,使用的CSS选用器是
#mainsrp-itemlist .items
.item,它会合营到全部页面的种种商品,因而它的格外结果是三个,所以在此地我们又对它实行了1次遍历,用for循环将每一种结果个别张开分析,在此处各个结果我们用for循环把它赋值为item变量,每一个item变量都以七个PyQuery对象,然后我们再调用它的find()方法,传入CSS接纳器,就足以拿走单个商品的特定内容了。

譬如说在此间大家查阅一下商品新闻源码,如图所示:

美高梅开户网址 33

在那里大家着重一下商品图片的源码,它是叁个 img
节点,包蕴了id、class、data-src、alt、src等质量,在那里大家之所以得以见见那张图片是因为它的src属性被赋值为图片的UKugaL,在此间大家就把它的src属性提抽出来就足以拿走商品的图纸了,不过那里我们还在意到有贰个data-src属性,它的内容也是图形的U奇骏L,观看后发掘此U智跑L是图片的欧洲经济共同体大图,而src是削减后的小图,所以那边大家抓取data-src属性来作为商品的图形。

由此咱们供给先利用find()方法先找到图片的那么些节点,然后再调用attr()方法获得商品的data-src属性就能够,那样就马到功成提取了商品图片链接。然后大家用一样的章程提取商品的价钱、成交量、名称、市廛、商铺所在地等音信,然后将有着提取结果赋值为1个字典,叫做product,随后调用save_to_mongo()将其保存到MongoDB就能够。

保存到MongoDB

接下去大家再将商品消息保存到MongoDB,完结如下:

MONGO_URL = ‘localhost’ MONGO_DB = ‘taobao’ MONGO_COLLECTION =
‘products’client = pymongo.MongoClient(MONGO_URL) db =
client[MONGO_DB]defsave_to_mongo(result):””” 保存至MongoDB :param
result: 结果 “””try: ifdb[MONGO_COLLECTION].insert(result): print(
‘存储到MongoDB成功’) except Exception: print( ‘存储到MongoDB失败’)

大家率先创立了三个MongoDB的接二连三对象,然后指定了数据库,在点子里随后钦定了Collection的名目,然后直接调用insert()方法就可以将数据插入到MongoDB,此处的result变量正是在get_products()方法里传出的product,包罗了单个商品的音讯,这样咱们就成功得以实现了数据的插入。

遍历每页

刚才大家所定义的get_index()方法必要吸收贰个参数page,page即代表页码数,所以在此地大家再落到实处页码遍历就能够,代码如下:

MAX_PAGE = 拾0defmain():””” 遍历每1页 “””for i in range( 一, MAX_PAGE

  • 1): index_page(i)

贯彻分外简单,只必要调用三个for循环就能够,在此间定义最大的页码数拾0,range()方法的归来结果正是一到100的列表,顺次遍历调用index_page()方法就能够。

那样大家的天猫商城商品爬虫就做到了,最终调用main()方法就可以运转。

运行

咱俩将代码运维起来,能够发掘首先会弹出一个Chrome浏览器,然后逐一访问Tmall页面,然后调控台便会输出相应的领到结果,那几个商品音讯结果都是2个字典形式,然后被储存到了MongoDB里面。

对接PhantomJS

不过本次爬取有个不太友好的地点正是Chrome浏览器,爬取进程要求求拉开1个Chrome浏览器确实不太有利,所以在此间大家还足以对接PhantomJS,只须要将WebDriver的扬言修改一下就能够,但是注意那里不可不要安装好PhantomJS,借使未有设置能够参见第一章里的装置格局求证。

将WebDriver证明修改如下:

browser = webdriver.PhantomJS()

诸如此类在抓取进度中就不会有浏览器弹出了。

除此以外大家仍是能够安装缓存和剥夺图片加载的功力,进一步升高爬取成效,修改如下:

SERVICE_ARGS = [ ‘–load-images=false’, ‘–disk-cache=true’] browser
= webdriver.PhantomJS(service_args=SERVICE_ARGS)

这么大家就足以禁止使用PhantomJS的图纸加载同时开启缓存,可以发掘页面爬取速度更是晋级。

源码

本节代码地址为:

天善高校svip包罗Excel
BI、Python爬虫案例、Python机器学习、Python数据化学家、大数目、数据分析报告、数据分析师体系、深度学习、BMWX3语言案例10套课程火爆报名中,应接大家关心
www.hellobi.com/svip

_________________

转发请保留以下内容:

正文来源:天善社区崔庆才先生

初稿链接:https://ask.hellobi.com/blog/cuiqingcai/9185

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