python 爬虫基础

一、什么是爬虫？

网页上面采集数据

二、学习爬虫有什么作用？

做案例分析，做数据分析，分析网页结构.......

三、爬虫环境

需求：python3x pycharm

模块：urllib 、urllib2、bs4、re

四、爬虫思路：

1. 打开网页，获取源码。

*由于多人同时爬虫某个网站时候，会造成数据冗余，网站崩溃，所以一些网站是禁止爬虫的，会返回403拒绝访问的错误信息。----获取不到想要的内容/请求失败/IP容易被封……..等

*解决办法：伪装——不告诉网站我是一个脚本，告诉它我是一个浏览器。（加上随便一个浏览器的头部信息，伪装成浏览器），由于是简单例子，那我们就不搞这些骚操作了。

2. 获取图片

*Find函数：只去找第一个目标，查询一次

*Find_all函数：找到所有的相同的目标。

这里可能有一个解析器的问题，我们也不说了，出问题的同学百度一堆解决办法。

3. 保存图片地址与下载图片

*a.使用urlib---urlretrieve下载（保存位置：如果保存在跟*.py文件同一个地方，那么只需要文件夹名称即可，如果是其他地方，那么得写绝对路径。）

算了，不说那么多废话，既然是个简单例子，那我就直接贴代码吧。相信也没多少人呢看不懂。

提一句：用BeautifulSoup 就可以不用正则；爬虫用正则，Bs4, xpath三种选择一个就好。当然也可以混合使用，也还有其他种。

爬取地址：http://tieba.baidu.com/p/3840085725

import urllib.request
import re
import os
import urllib

#根据给定的网址来获取网页详细信息，得到的html就是网页的源代码
def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html.decode('UTF-8')

def getImg(html):
    reg = r'src="(.+?\.jpg)" pic_ext'
    imgre = re.compile(reg)                              #转换成一个正则对象
    imglist = imgre.findall(html)                        #表示在整个网页中过滤出所有图片的地址，放在imglist中

    x = 0                                                #声明一个变量赋值
    path = 'D:\\pythonlianxi\\zout_pc5\\test'           #设置保存地址


    if not os.path.isdir(path):
        os.makedirs(path)                                          # 将图片保存到H:..\\test文件夹中，如果没有test文件夹则创建
    paths = path+'\\'                                              #保存在test路径下

    for imgurl in imglist:

        urllib.request.urlretrieve(imgurl,'{0}{1}.jpg'.format(paths,x))               #打开imglist，下载图片保存在本地，format格式化字符串
        x = x + 1
        print('图片已开始下载，注意查看文件夹')
    return imglist

html = getHtml("http://tieba.baidu.com/p/3840085725")         #获取该网址网页详细信息，html就是网页的源代码
print (getImg(html))                                          #从网页源代码中分析并下载保存图片

https://blog.csdn.net/itbiggod/article/details/78289865

BeautifulSoup库的使用
一个灵活又方便的网页解析库，处理高效，支持多种解析器。

pip install beautifulsoup4
https://blog.csdn.net/sinat_34937826/article/details/79992728
pip3 install lxml
https://blog.csdn.net/qq_34215281/article/details/77714584

from bs4 import BeautifulSoup

def bshtml():
    html = '''
    <html><head><title>The Dormouse's story</title></head>
    <body>
    <p class="title"><b>The Dormouse's story</b></p>
    <p class="story">Once upon a time there were three little sisters; and their names were
    <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
    <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
    <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
    and they lived at the bottom of a well.</p>
    <p class="story">...</p>
    '''
    soup = BeautifulSoup(html,'lxml')
    print(soup.prettify())
    print(soup.title)
    print(soup.title.name)
    print(soup.title.string)
    print(soup.title.parent.name)
    print(soup.p)
    print(soup.p["class"])
    print(soup.a)
    print(soup.find_all('a'))
    print(soup.find(id='link3'))

bshtml()

https://www.cnblogs.com/zhaof/p/6930955.html

中文乱码问题gb2312 --> utf-8
https://blog.csdn.net/after_you/article/details/70256438

扒视频
https://www.cnblogs.com/sss4/p/7809821.html

扒电商价格
https://blog.csdn.net/blueheart20/article/details/81184058

遇到问题解决
https://blog.csdn.net/weixin_42057852/article/details/80857948

关于爬取数据保存到json文件,中文是unicode解决方式
https://www.cnblogs.com/yuyang26/p/7813097.html

猜你喜欢