一直想学python，在中国大学慕课上发现了嵩老师的python系列专题课程，就首先试着听了听嵩老师的爬虫课，虽然时间有点短并且内容也不够深入，但是讲得很生动，于是就记了一些笔记，也稍微加入了一些自己的见解和总结
Requests库
主要方法
- r = requests.get(url)
- r = requests.get(url, params=None, **kwargs),params指url中额外的访问参数，kwargs指12个控制访问参数
- r = requests.post(url, data=None, **kwargs)
- r = requests.request('get', url, params, **kwargs)
- r = requests.head(url) 只获得请求头
一些常用的访问控制参数：
params 请求参数
data 请求体参数
json json格式数据作为请求体内容
headers 定制请求头
cookies 字典或者CookieJar
auth 元组，支持http认证功能
files 字典类型，传输文件
proxies 字典，设置访问代理服务器
allow_redirects 重定向开关，默认开
verify 认证ssl开关，默认开
cert 本地ssl路径
Response对象的常用属性
- r.status_code 返回状态码
- r.text 响应内容的字符串形式，即url对应的页面，如果不是get的请求方式的话则打印的是请求体
- r.encoding header中的响应编码方式
- r.apparent_encoding 从内容中分析出的响应编码方式
- r.content 响应内容的二进制形式
- r.url 请求时的url
1.常用r.encoding = r.apparent_encoding
来防止页面乱码。
2.使用r.raise_for_status()在返回状态不是200时产生异常
其他使用技巧
伪装成浏览器：
r=requests.get(url,headers={'user-agent':'Mozilla/5.0'})
Robots协议
查看方法
url/robots.txt
BeautifulSoup库
获得soup
soup=BeautifulSoup('<html>...</html>','html.parser')
常用解析器：
- html.parser bs库自带的解析器，解析html;
- lxm 需要安装lxml库，解析html,xml;
- xml 需要安装lxml库，解析xml，笔者使用时感觉对xml文档的容错能力较低，不如lxml;
- html5lib 需要安装html5lib
BeautifulSoup基本元素
- Tag 标签
- Name 标签名，可通过tag.name获得
- Attributes 标签属性，字典形式组织，通过tag.attrs获得
- NavigableString 非属性字符串，可通过tag.string获得
注：如果标签内有多个分离的字符串，则返回None，用tag.text则可以返回由这些分离的字符串连接起来的str类型
- Comment 标签内注释
标签树的遍历
下行遍历
- .contents 返回直接子节点的列表
- .children 返回直接子节点的迭代类型
- .descendants 返回所有后裔节点的迭代类型
上行遍历
- .parent 节点的父标签
- .parents 节点的所有先辈标签的迭代类型
平行遍历
- .next_sibling 下一个平行节点标签
- .next_siblings 返回所有后续平行节点的迭代类型
- .previous_sibling 上一个平行节点标签
- .previous_siblings 返回前续所有平行节点的迭代类型
注：平行遍历发生在同一父节点下
友好显示
print(soup.prettify())
常用的信息表示形式与信息提取方法
- 形式：xml,json,yaml
- 提取方法：形式解析与搜索方法
BeautifulSoup标签查找方法
- tag.find_all(name,attrs,recursive,string,*kwargs)* 返回所有符合要求的标签列表，name为要检索的标签名；attrs限定属性；recursive表示是否递归检索所以子孙，默认true；string表示对字符串区域检索字符串，如果限定了该属性，此时返回的是字字符串列表。
注：tag('a')等价与tag.findall('a')
- tag.find() 返回搜索到的第一个结果
注：tag.a等价于tag.find('a')
- tag.find_parents() 在所有先辈节点中搜索，返回一个列表返回所有查找到的结果
- tag.find_parent() 在所有先辈节点中返回第一个匹配结果
- tag.find_next_siblings() 在后续平行节点中返回一个列表包含所有所有匹配结果
- tag.find_next_sibling() 返回后续节点中第一个匹配的结果
- find_previous_siblings()
- find_previous_sibling()
注：所有这些函数的参数都同find_all()
案例：中国大学排名定向爬虫
format函数
"{:^10}\t{:^6}\t{:^10}".format("排名","学校名称"，"总分")
解决中文对齐问题：
"{0:^10}\t{1:{3}^6}\t{2:^10}".format("排名","学校名称","总分",chr(12288))
chr(12288) 表示中文空格:{3}表示用format函数中索引为3的参数进行填充
Re库
常用符号
- . 匹配任意单个字符
- [] 字符集，对单个字符给出取值范围
- [^] “非”字符集，对单个字符给出排除范围
- * 前一个字符0次或多次扩展
- + 1次或多次扩展
- ? 0次或1次扩展
- | 左右表达式任意一个
- {m} 前一个字符扩展m次
- {m,n} 扩展m至n次(含n)
- ^ 匹配字符串开头
- $ 匹配字符串结尾
- ()
- \d 数字，等价与[0-9]
- \w 单词字符，等价与[A-Za-z0-9_]
经典正则表达式
- ^[A-Za-z]+$ 由26个字母组成的字符串
- [\u4e00-\u9fa5] 匹配中文字符
- (([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]) 匹配ip地址
Python的raw string类型
r'text' 则python不会对字符串中的转义符进行转义，正则表达式一般使用raw string
Re库主要函数
- re.search(pattern,string,flags=0) 搜索匹配正则表达式的第一个位置，返回match对象
- re.match() 从字符串开始位置匹配正则表达式，返回match对象，可以使用在if语句中
- re.findall() 以列表类型返回全部能匹配的子串
- re.split(pattern,string,maxsplit=0,flags=0) 按照正则表达式匹配结果对字符串进行分割，返回列表类型;maxsplit表示最大分割数，剩余部分作为最后一个元素输出
- re.finditer() 返回匹配结果的迭代类型，每一个迭代元素是match对象
- re.sub(pattern,repl,string,count=0,flags=0) 替换所有匹配正则表达式的子串，返回替换后的字符串;repl表示替换匹配字符串的字符串，count表示最大替换次数
flags包括如下：
- re.IGNORECASE re.I 忽略大小写匹配
- re.MULTILINE re.M 正则表达式的^操作符能将每行当做匹配开始
- re.DOTALL re.S 正则表达式的.操作符可以匹配包括换行符在内的一切字符，如果不指定这个模式，则.不能匹配换行符
Re库的另一种等价用法
pat=re.compile(r'[1-9]\d{5}')
rst=pat.search('BIT 100081')
Match对象介绍
Match表示一次匹配的结果，包含很多匹配信息
Match对象的属性
- .string 待匹配文本
- .re 匹配时使用的pattern对象
- .pos 正则表达式搜索文本的开始位置
- .endpos 正则表达式搜索文本的结束位置
Match对象的方法
- .group() 获得匹配后的字符串
- .start() 获得匹配字符串在原始字符串的开始位置
- .end() 匹配字符串在原始字符串的结束位置
- .span() 返回(.start(),.end())
贪婪匹配与最小匹配
Re库默认采用贪婪匹配
最小匹配操作符
- *?
- +?
- ??
- {m,n}?
案例
网站选取心态：不要纠结与某个网站，多找信息源尝试
判断一个元素是否是标签：
import bs4
isinstance(tr, bs4.element.Tag)
注：前面说的那几个BeautifuSoup元素都是在bs4的element的模块下
Scrapy框架入门
框架结构
Scrapy的框架结构
5个组件，2个Middleware，包括Downloader Middleware和Spider Middleware
Scrapy常用命令行
- startproject 创建一个新工程
- genspider 创建一个爬虫
- settings 获得爬虫配置信息
- crawl 运行一个爬虫
- list 列出工程中所有爬虫
- shell 启动url调试命令行
Scrapy爬虫编写步骤
步骤1
建立一个scrapy爬虫工程，即生成工程目录
scrapy startproject 工程名
步骤二
在工程中产生一个scrapy爬虫。
进入刚刚创建的目录，输入如下命令：
scrapy genspider 爬虫名称 初始url
spiders目录下会生成 爬虫名称.py，该命令仅用于生成 爬虫名称.py，该文件也可以手动生成。
步骤三
-
配置初始url：
打开刚刚生成的py文件，修改start_urls变量 -
编写解析方式：
修改parse函数
示例如下：
代码示例
另一个等价版本，使用yield生成器：
yield版本代码示例
步骤四
运行爬虫，命令如下：
scrapy crawl 爬虫名称
yield关键字
包含yield语句的函数是一个生成器，生成器每次产生一个值，然后被冻结，被唤醒后再产生一个值，不断往复。
示例：
def gen(n):
for i in range(n):
yield i**2
for i in gen(5):
print(i, " ", end="")
输出：
0 1 4 9 16
Scrapy爬虫框架的使用步骤
- 创建一个工程和Spider模板
- 编写Spider
- 编写Item Pipeline
- 优化配置策略
Scrapy中的几种数据类型
Request类
含义：表示一个http请求，由Spider生成，Downloader执行
属性和方法：
- url 请求的url地址
- method 请求对应的http方法，'get','post'等
- headers 字典类型风格的请求头
- body 请求主体内容，字符串类型
- meta 用户添加的拓展信息，在Scrapy内部模块间传递信息使用
- .copy() 复制该请求
Response类
含义：表示一个http响应，由Downloader生成，Spider处理
属性和方法：
- url 对应的url地址
- status 响应状态码
- headers
- body
- flags 一组标记
- request 产生Response类型所对应的Request对象
- copy() 复制该响应
Item类
含义：表示一个从html页面中提取的信息内容，由Spider生成，Item Pipline处理，Item类似字典类型，可以按照字典类型操作
Scrapy支持的信息提取方法
- BeautifulSoup
- lxml
- re
- XPath Selector
- CSS Selector
CSS Selector示例：
response.css('a::attr(href)').extract()
表示抽取a元素的href属性，返回一个迭代类型
股票数据爬虫案例
非终结parse方法
是一个Request对象的生成器
def parse(self, response):
for href in response.css('a::attr(href)').extract():
try:
stock = re.findall(r"[s][hz]\d{6}", href)[0]
url = 'https://gupiao.baidu.com/stock/' + stock + '.html'
yield scrapy.Request(url, callback=self.parse_stock)
except:
continue
终结parse方法
也是一个生成器
def parse_stock(self, response):
infoDict = {}
stockInfo = response.css('.stock-bets')
name = stockInfo.css('.bets-name').extract()[0]
keyList = stockInfo.css('dt').extract()
valueList = stockInfo.css('dd').extract()
for i in range(len(keyList)):
key = re.findall(r'>.*</dt>', keyList[i])[0][1:-5]
try:
val = re.findall(r'\d+\.?.*</dd>', valueList[i])[0][0:-5]
except:
val = '--'
infoDict[key]=val
infoDict.update(
{'股票名称': re.findall('\s.*\(',name)[0].split()[0] + \
re.findall('\>.*\<', name)[0][1:-1]})
yield infoDict
编写Pipelines
步骤：
- 配置pipelines.py
- 定义对爬取项的处理类
- 配置settings.py的ITEM_PIPELINES选项
示例：
编写pipelines.py:
方法运行顺序为open_spider->process_item->close_spider
class BaidustocksInfoPipeline(object):
def open_spider(self, spider):
self.f = open('BaiduStockInfo.txt', 'w')
def close_spider(self, spider):
self.f.close()
def process_item(self, item, spider):
try:
line = str(dict(item)) + '\n'
self.f.write(line)
except:
pass
return item
配置settings.py:
ITEM_PIPELINES = {
'BaiduStocks.pipelines.BaidustocksInfoPipeline': 300,
}
300的大小表示执行顺序
优化配置
- CONCURRENT_REQUESTS Downloader最大并发下载数量，默认32
- CONCURRENT_ITEMS Item Pipeline最大并发ITEM处理数量，默认100
- CONCURRENT_REQUESTS_PER_DOMAIN 每个目标域名最大的并发请求数量，默认8
- CONCURRENT_REQUESTS_PER_IP 每个目标IP最大并发请求数量，默认0，非0有效
网友评论