爬虫入门学习

流程

  • 获取网页内容
    HTTP请求
    Python Requests
  • 解析网页内容
    HTML网页结构
    Python Beautiful Soup
  • 储存或分析数据

HTTP (Hypertext Transfer Protocol)

客户端和服务器之间的请求-响应协议

Get方法:获得数据

POST方法:创建数据

  • HTTP请求

    请求行 方法类型 资源路径?查询参数 协议版本

    POST /user/info?new_user=true&... HTTP/1.1

    请求头 主机域名 客户端相关信息 想接受的响应数据类型

    Host:www.

    User-Agent:

    Accept: /

    请求体 客户端传给服务器的其他任意数据

  • HTTP响应

    状态行 协议版本 状态码 状态消息

    HTTP/1.1 200 OK

    响应头 告知客户端的信息(响应时间、响应内容类型、编码格式

    响应体 服务器给客户端的数据内容

Python Requests

  • 安装
    pip install requests
python 复制代码
import requests
伪装浏览器请求
headers = { "User-Agent": "Mozilla/5.0(Windows NT 10.9; Win64; x64)"
response = requests.get("网址")
if response.ok:
    获取响应体内容
    print(response.text)
else:
    print("请求失败")

HTML 定义网页的结构和信息

  • 常用标签
c 复制代码
<h1>标题</h1>
<p>文本段落</p>
<br>换行
<b>加粗</b>
<img src="" width="500px">图片
<a href="链接" target="跳转方式_self/_blank">链接名</a>
<div></div> 容器 块级元素 独占一块
<span></span> 容器 内联元素 一行可有多个
<ol>有序列表
    <li></li>
    <li></li>
</ol>
<ul>无序列表
    <li></li>
    <li></li>
</ul>
表格
<table 边框border="1">
    <thead>头部</thead>
    <tbody>主体
        <tr>行
            <td>列</td>
        </tr>
    </tbody>
</table>
class属性 类可以用于所有元素帮助分组
<p class="content"></p>

Beautiful Soup

  • 安装
    pip install bs4
  • 基本用法
python 复制代码
from bs4 import BeautifulSoup
import requests
content = requests.get("").text
# 传入构造函数
soup = BeautifulSoup(content, "html.parser")
# 解析成树状结构的实例对象
all_prices = soup.findAll("p", attars={"class": "price_color"})
# 返回可迭代对象
for price in all_prices:
    print(price.string[2:])

正则表达式库re

根据自定义规则匹配一个或多个字符

多线程库threading

让不同线程同时爬取多个网页

数据分析

待进一步学习

工具 腾讯chatBI

相关推荐
半夏知半秋7 分钟前
基于skynet框架业务中的gateway实现分析
服务器·开发语言·后端·学习·gateway
程序员小白条1 小时前
度小满运维开发一面
java·运维·python·职场和发展·运维开发
全栈派森4 小时前
BI数据开发全攻略:数据仓库、模型搭建与指标处理
数据仓库·python·程序人生
铁手飞鹰5 小时前
从零复现论文:深度学习域适应1
linux·pytorch·python·深度学习·ubuntu·ai·迁移学习
薰衣草23338 小时前
力扣——位运算
python·算法·leetcode
两只程序猿9 小时前
数据可视化 | Violin Plot小提琴图Python实现 数据分布密度可视化科研图表
开发语言·python·信息可视化
Pluchon9 小时前
硅基计划4.0 算法 字符串
java·数据结构·学习·算法
折翅鵬9 小时前
Android 程序员如何系统学习 MQTT
android·学习
~无忧花开~9 小时前
JavaScript学习笔记(十五):ES6模板字符串使用指南
开发语言·前端·javascript·vue.js·学习·es6·js
大模型真好玩10 小时前
架构大突破! DeepSeek-V3.2发布,五分钟速通DeepSeek-V3.2核心特性
人工智能·python·deepseek