爬虫思路
无思路不成器，如果你怎么想都想不出爬虫的原理，不妨来看下我们平时是如何上网的，大概就是这样：
①点开目标网址→→[可选：登录/回复]→→②浏览全页筛选出价值内容→→③如果很喜欢，还会拷贝下载回来
所以爬虫归结起来也就这几步：
1.构造目标网址（重点）
2.发起请求（request），相当于点开网页。
3.获取网页内容（坑）。
4.定制筛选器，对内容进行筛选（重点）。
5.把爬取结果保存到容器里。
F12审查元素
这是浏览器自带的工具，提供抓包和检查网页源码的功能，供使用者分析网页。也是学爬虫必须要学会的工具，一个优秀的虫爸/虫妈应该花更多的时间在网页分析和debug上。
使用非常简单，打开任一浏览器（如google chrome），按F12或鼠标右键检查。
- 选择Element是查看网页源码，是树结构的html文档，里面有要爬取的内容。
- 选择Network是查看本地和服务器端交互的包，可以从中获取目标网址和headers。
requests模块
为什么选择requests，因为它能完全胜任python自带的urllib模块，简化了不必要的功能的同时让使用更加简单。
1.安装
非常简单，打开cmd，直接pip安装
pip install requests
或pycharm中搜索requests安装
小提示：pip正确打开方式：
- pip路径可以加到环境变量中。
- 把python安装目录下\Scripts\pip.exe拖动到cmd命令符后面，然后接上 install requests
2.简单使用
首先呈上官方文档，有中文版，欢迎来啃。
下面主要介绍两种方法：get和post
- get，就是本地向服务器索取的意思，服务器检查请求头（request headers）后，如果觉得没问题，就会返回信息给本地。
r = requests.get(url,**args)#返回一个Response对象，我们可以从这个对象中获取所有我们想要的信息
- post，就是本地要向服务器提交一些数据的意思，服务器还是会检查请求头，如果提交的数据和请求头都没问题，就会返回信息给本地。
r = requests.post(url,**args)#也是返回Response对象
3.参数详解
get和post方法中有许多参数可以使用，部分参数后面会详解。
- url：就是目标网址，接收完整（带http）的地址字符串。
- headers：请求头，存储本地信息如浏览器版本，是一个字典。
- data：要提交的数据，字典。
- cookies：cookies，字典。
- timeout：超时设置，如果服务器在指定秒数内没有应答，抛出异常，用于避免无响应连接，整形或浮点数。
- params：为网址添加条件数据，字典。
payload = {'key1': 'value1', 'key2': 'value2'}
r = requests.get("http://httpbin.org/get", params=payload)
#相当于目标网址变成了http://httpbin.org/get?key2=value2&key1=value1
- proxies：ip代理时使用，字典。
4.Response对象使用
从这个对象中获取所有我们想要的信息非常简单，毕竟爬虫要的数据主要就三种，html源码，图片二进制数据，json数据，Response对象一次性满足你三个愿望。
r.encoding = 'ISO-8859-1' #指定r.text返回的数据类型，写在r.text之前。
r.text #默认以unicode形式返回网页内容，也就是网页源码的字符串。
r.content #以二进制形式返回网页内容，下载图片时专用。
r.json() #把网页中的json数据转成字典并将其返回。
#还有一些很少用到的方法。
r.headers #返回服务器端的headers，字典。
r.status_code #返回连接状态，200正常。
5.小实例
requests 学完后就可以到处试试了，如果红了（抛出异常），那大概是服务器拒绝你了，毕竟伪装什么的还没提到，服务器知道你是虫子就把你踢掉了。
import requests
r = requests.get('http://www.qzqz.cn/')
r.encoding = 'utf-8'
with open('test.txt','w',encoding = 'utf-8') as file:#编码要对应
file.write(r.text)
#然后打开看看吧，是不是和F12看到的源码一样，只不过是把分支全展开了而已。
小提示：并不是所有网站的F12源码和爬取源码是一致的，网站有动态的，也有静态的；有防爬虫的，也有敞开大门任意爬的。
本文摘自https://segmentfault.com/blog/papapa，有改动，该专栏有非常不错的系列教程。
网友评论