python实现数据爬虫

一：什么是爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，经常被称为网页追逐者），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。

即打开一个网页，里面有网页内容吧，想象一下，有个工具，可以把网页上的内容获取下来，存到你想要的地方，这个工具就是我们今天的主角：爬虫

二：requests介绍

1：requests介绍

requests 是 Python 中的一个 HTTP 库，可以用于发送 HTTP/1.1 请求。它可以让 Python 发送 HTTP/1.1 请求，包括 GET、POST、PUT、DELETE、HEAD、OPTIONS 等方法，同时也支持 cookie、header、SSL 等特性。

2：安装requests

pip install requests

3：requests使用

(1)：GET请求

import requests  #导入 Requests 模块
params= {'key1': 'value1', 'key2': 'value2'}
r = requests.get("https://XXX", params=params)

(2)：POST请求

import requests  #导入 Requests 模块
data = {'key1': 'value1', 'key2': 'value2'}
r = requests.post("https://XXX", data=data)

(3)：其他请求

r = requests.put("https://XXX")    #put请求 
r = requests.delete("https://XXX")  #delete请求 
r = requests.head("https://XXX")      #head请求 
r = requests.options("https://XXX")   #options请求

(4)：requests响应

字符串内容响应

import requests #导入 Requests 模块
import ast

r = requests.get('https://XXX') #像目标url地址发送get请求，返回一个response对象
content = r.text #获取响应内容

#将字符串转字典型

content_list = ast.literal_eval(content)
二进制内容响应

import requests #导入 Requests 模块
r = requests.get('https://XXX') #像目标url地址发送get请求，返回一个response对象
r.content #非文本请求,获取响应内容,一般创建图片时获取图片使用
json内容响应

import requests #导入 Requests 模块
r = requests.get('https://XXX')
r.json()

如果 JSON 解码失败，r.json就会抛出一个异常。例如，相应内容是 401 (Unauthorized)，尝试访问 r.json将会抛出 ValueError: No JSON object could be decoded异常。

原始内容响应

在罕见的情况下，你可能想获取来自服务器的原始套接字响应，那么你可以访问 r.raw。如果你确实想这么干，那请你确保在初始请求中设置了 stream=True。具体你可以这么做：

import requests
r = requests.get('https://XXX', stream=True)
r.raw   #<requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
r.raw.read(10)  #'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'

三：BeautifulSoup介绍

1：BeautifulSoup介绍

BeautifulSoup 是一个可以将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment

BeautifulSoup文档地址：Beautiful Soup 4.4.0 文档 Beautiful Soup 4.12.0 文档

2：BeautifulSoup安装

pip install beautifulsoup4

我们还可以安装lxml，这是一个解析器，BeautifulSoup可以使用它来解析HTML，然后提取内容，如果不安装lxml，则BeautifulSoup会使用Python内置的解析器对文档进行解析。之所以使用lxml，是因为它速度快

pip install lxml

3：BeautifulSoup使用

(1)：Tag介绍

标签; 访问方式:soup.tag;属性:tag.name(标签名)，tag.attrs(标签属性)

例：

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="test">this is test</p>','lxml')
tag = soup.p
print(tag) # <p class="test">this is test</p>
print(tag.name) # p
print(tag.attrs) # {'class': ['test']}
print(tag['class']) # ['test']

(2)：NavigableString介绍

NavigableString就是标签中的文本内容（不包含标签），可遍历字符串; 访问方式:soup.tag.string

例：

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="test">this is test</p>','lxml')

tag = soup.p
print(tag.string) #this is test

(3)：BeautifulSoup介绍

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持遍历文档树和搜索文档树中描述的大部分的方法; 属性:soup.name(标签名)，soup.attrs(标签属性)

(4)：Comment介绍

标签内字符串的注释; 访问方式:soup.tag.string

例：

from bs4 import BeautifulSoup

soup = BeautifulSoup('<p><!--hello word--></p>','lxml')
tag = soup.p
print(tag.string) #hello word

(5)：搜索文档树

在BeautifulSoup中最常用的是find()和find_all()，当然还有其他的。比如find_parent() 和 find_parents()、 find_next_sibling() 和 find_next_siblings() 、find_all_next() 和 find_next()、find_all_previous() 和 find_previous() 等等。这里只介绍find()和find_all()用法，其他的可以自行参考官网文档

find_all()

搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件。返回值类型是bs4.element.ResultSet

语法

find_all( name , attrs , recursive , string , **kwargs )

参数说明

name 参数：可以查找所有名字为 name 的tag。
attr 参数：就是tag里的属性。
string 参数：搜索文档中字符串的内容。
recursive 参数：调用tag的 find_all() 方法时，Beautiful Soup会检索当前tag的所有子孙节点。如果只想搜索tag的直接子节点，可以使用参数 recursive=False 。

简单实例：

from bs4 import BeautifulSoup
import re

soup = BeautifulSoup('<p class="test">this is test</p><a class="click" id="btn" href="http://www.baidu.com">点击跳转</a>','lxml')

print(soup.find_all("p")) #[<p class="test">this is test</p>]


print(soup.find_all("p", "test")) #[<p class="test">this is test</p>]

# 
print(soup.find_all("a")) #[<a class="click" href="http://www.baidu.com">点击跳转</a>]


print(soup.find_all(id="btn")) #[<a class="click" href="http://www.baidu.com" id="btn">点击跳转</a>]

print(soup.find_all(string=re.compile("test"))) #['this is test']

find()

与find_all()类似，只不过只返回找到的第一个值。返回值类型是bs4.element.Tag。

语法

find( name , attrs , recursive , string , **kwargs )