Chinaunix首页 | 论坛 | 博客
  • 博客访问: 3577026
  • 博文数量: 365
  • 博客积分: 0
  • 博客等级: 民兵
  • 技术积分: 2522
  • 用 户 组: 普通用户
  • 注册时间: 2019-10-28 13:40
文章分类

全部博文(365)

文章存档

2023年(8)

2022年(130)

2021年(155)

2020年(50)

2019年(22)

我的朋友

分类: Python/Ruby

2020-03-20 16:04:02

下面小编就为大家带来一篇Python网络爬虫与信息提取(实例讲解)。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧
课程体系结构:


1、Requests框架:自动爬取HTML页面与自动网络请求提交


2、robots.txt:网络爬虫排除标准


3、BeautifulSoup框架:解析HTML页面


4、Re框架:正则框架,提取页面关键信息


5、Scrapy框架:网络爬虫原理介绍,专业爬虫框架介绍


理念:The Website is the API …


Python语言常用的IDE工具


文本工具类IDE:


IDLE、Notepad++、Sublime Text、Vim & Emacs、Atom、Komodo Edit


集成工具IDE:


PyCharm、Wing、PyDev & Eclipse、Visual Studio、Anaconda & Spyder、Canopy


·IDLE是Python自带的默认的常用的入门级编写工具,它包含交互式文件式两种方式。适用于较短的程序。


·Sublime Text是专为程序员开发的第三方专用编程工具,可以提高编程体验,具有多种编程风格。


·Wing是Wingware公司提供的收费IDE,调试功能丰富,具有版本控制,版本同步功能,适合于多人共同开发。适用于编写大型程序。


·Visual Studio是微软公司维护的,可以通过配置PTVS编写Python,主要以Windows环境为主,调试功能丰富。


·Eclipse是一款开源的IDE开发工具,可以通过配置PyDev来编写Python,但是配置过程复杂,需要有一定的开发经验。


·PyCharm分为社区版和专业版,社区版免费,具有简单、集成度高的特点,适用于编写较复杂的工程。


适用于科学计算、数据分析的IDE:


·Canopy是由Enthought公司维护的收费工具,支持近500个第三方库,适合科学计算领域应用开发。


·Anaconda是开源免费的,支持近800个第三方库。


Requests库入门


Requests的安装:


Requests库是目前公认的爬取网页最好的Python第三方库,具有简单、简捷的特点。


官方网站:


在"C:\Windows\System32"中找到"cmd.exe",使用管理员身份运行,在命令行中输入:“pip install requests”运行。
使用IDLE测试Requests库:


>>> import requests
>>> r = requests.get("")#抓取百度页面
>>> r.status_code
>>> r.encoding = 'utf-8'
>>> r.text
1
2
3
4
5
Requests库的7个主要方法
get()方法


r = requests.get(url)


get()方法构造一个向服务器请求资源的Request对象,返回一个包含服务器资源的Response对象。


requests.get(url, params=None, **kwargs)


url:拟获取页面的url链接


params:url中的额外参数,字典或字节流格式,可选


**kwargs:12个控制访问参数


Requests库的2个重要对象


· Request


· Response:Response对象包含爬虫返回的内容


Response对象的属性


r.status_code :HTTP请求的返回状态,200表示连接成功,404表示失败


r.text :HTTP响应内容的字符串形式,即,url对应的页面内容


r.encoding : 从HTTP header中猜测的相应内容编码方式


r.apparent_encoding : 从内容中分析出的相应内容编码方式(备选编码方式)


r.content : HTTP响应内容的二进制形式


r.encoding :如果header中不存在charset,则认为编码为ISO-8859-1 。


r.apparent_encoding :根据网页内容分析出的编码方式可以 看作是r.encoding的备选。


Response的编码:


r.encoding : 从HTTP header中猜测的响应内容的编码方式;如果header中不存在charset,则认为编码为ISO-8859-1,r.text根据r.encoding显示网页内容


r.apparent_encoding : 根据网页内容分析出的编码方式,可以看作r.encoding的备选


爬取网页的通用代码框架


Requests库的异常
Response的异常


r.raise_for_status() : 如果不是200,产生异常requests.HTTPError;


在方法内部判断r.status_code是否等于200,不需要增加额外的if语句,该语句便于利用try-except进行异常处理


import requests
 
def getHTMLText(url):
  try:
    r = requests.get(url, timeout=30)
    r.raise_for_status() # 如果状态不是200,引发HTTPError异常
    r.encoding = r.apparent_encoding
    return r.text
  except: 
    return "产生异常"
 
if __name__ == "__main__":
  url = ""
  print(getHTMLText(url))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
通用代码框架,可以使用户爬取网页变得更有效,更稳定、可靠。


HTTP协议


HTTP,Hypertext Transfer Protocol,超文本传输协议。


HTTP是一个基于“请求与响应”模式的、无状态的应用层协议。


HTTP协议采用URL作为定位网络资源的标识。


URL格式:[:port][path]


· host:合法的Internet主机域名或IP地址
· port:端口号,缺省端口号为80
· path:请求资源的路径


HTTP URL的理解:


URL是通过HTTP协议存取资源的Internet路径,一个URL对应一个数据资源。


HTTP协议对资源的操作
理解PATCH和PUT的区别


假设URL位置有一组数据UserInfo,包括UserID、UserName等20个字段。


需求:用户修改了UserName,其他不变。


· 采用PATCH,仅向URL提交UserName的局部更新请求。


· 采用PUT,必须将所有20个字段一并提交到URL,未提交字段被删除。


PATCH的主要好处:节省网络带宽


Requests库主要方法解析


requests.request(method, url, **kwargs)


· method:请求方式,对应get/put/post等7种


例: r = requests.request(‘OPTIONS’, url, **kwargs)


· url:拟获取页面的url链接


· **kwargs:控制访问的参数,共13个,均为可选项


params:字典或字节序列,作为参数增加到url中;


kv = {'key1':'value1', 'key2':'value2'}
r = requests.request('GET', '',params=kv)
print(r.url)
'''
?key1=value1&key2=value2
'''
1
2
3
4
5
6
data:字典、字节序列或文件对象,作为Request的内容;


json:JSON格式的数据,作为Request的内容;


headers:字典,HTTP定制头;


hd = {'user-agent':'Chrome/10'}
 
r = requests.request('POST','',headers=hd)
1
2
3
cookies:字典或CookieJar,Request中的cookie;


auth:元组,支持HTTP认证功能;


files:字典类型,传输文件;


fs = {'file':open('data.xls', 'rb')}
 
r = requests.request('POST','',files=fs)
1
2
3
timeout:设定超时时间,秒为单位;


proxies:字典类型,设定访问代理服务器,可以增加登录认证


allow_redirects:True/False,默认为True,重定向开关;


stream:True/False,默认为True,获取内容立即下载开关;


verify:True/False,默认为True,认证SSL证书开关;


cert:本地SSL证书路径


#方法及参数
requests.get(url, params=None, **kwargs)
requests.head(url, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.patch(url, data=None, **kwargs)
requests.delete(url, **kwargs)
1
2
3
4
5
6
7


网络爬虫引发的问题


性能骚扰:


受限于编写水平和目的,网络爬虫将会为web服务器带来巨大的资源开销


法律风险:


服务器上的数据有产权归属,网路爬虫获取数据后牟利将带来法律风险。


隐私泄露:


网络爬虫可能具备突破简单访问控制的能力,获得被保护数据从而泄露个人隐私。


网络爬虫的限制


·来源审查:判断User-Agent进行限制


检查来访HTTP协议头的User-Agent域,值响应浏览器或友好爬虫的访问。


· 发布公告:Roots协议


告知所有爬虫网站的爬取策咯,要求爬虫遵守。


Robots协议


Robots Exclusion Standard 网络爬虫排除标准


作用:网站告知网络爬虫哪些页面可以抓取,哪些不行。


形式:在网站根目录下的robots.txt文件。


案例:京东的Robots协议





# 注释:*代表所有,/代表根目录
User-agent: * 
Disallow: /?* 
Disallow: /pop/*.html 
Disallow: /pinpai/*.html?* 
User-agent: EtaoSpider 
Disallow: / 
User-agent: HuihuiSpider 
Disallow: / 
User-agent: GwdangSpider 
Disallow: / 
User-agent: WochachaSpider 
Disallow: /
1
2
3
4
5
6
7
8
9
10
11
12
13
Robots协议的使用


网络爬虫:自动或人工识别robots.txt,再进行内容爬取。
  约束性:Robots协议是建议但非约束性,网络爬虫可以不遵守,但存在法律风险。


Requests库网络爬虫实战


1、京东商品


import requests
url = ""
try:
 r = requests.get(url)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(r.text[:1000])
except:
 print("爬取失败")
1
2
3
4
5
6
7
8
9
2、亚马逊商品


# 直接爬取亚马逊商品是会被拒绝访问,所以需要添加'user-agent'字段
import requests
url = ""
try:
 kv = {'user-agent':'Mozilla/5.0'} # 使用代理访问
 r = requests.get(url, headers = kv)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(t.text[1000:2000])
except:
 print("爬取失败"
1
2
3
4
5
6
7
8
9
10
11
3、百度/360搜索关键词提交


搜索引擎关键词提交接口


· 百度的关键词接口:


/s?wd=keyword


· 360的关键词接口:





# 百度
import requests
keyword = "Python"
try:
 kv = {'wd':keyword}
 r = requests.get("/s",params=kv)
 print(r.request.url)
 r.raise_for_status()
 print(len(r.text))
except:
 print("爬取失败")
1
2
3
4
5
6
7
8
9
10
11
# 360
import requests
keyword = "Python"
try:
 kv = {'q':keyword}
 r = requests.get("",params=kv)
 print(r.request.url)
 r.raise_for_status()
 print(len(r.text))
except:
 print("爬取失败")
1
2
3
4
5
6
7
8
9
10
11
4、网络图片的爬取和存储


网络图片链接的格式:





国家地理:





选择一张图片链接:


http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg


图片爬取全代码
import requests
import os
url = "http://image.nationalgeographic.com.cn/2017/0704/20170704030835566.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
 if not os.path.exists(root):
  os.mkdir(root)
 if not os.path.exists(path):
  r = requests.get(url)
  with open(path,'wb') as f:
   f.write(r.content)
   f.close()
   print("文件保存成功")
 else:
  print("文件已存在")
except:
 print("爬取失败")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
5、IP地址归属地的自动查询


IP查询








import requests
url = ""
ip = "220.204.80.112"
try:
 r = requests.get(url + ip)
 r.raise_for_status()
 r.encoding = r.apparent_encoding
 print(r.text[1900:])
except:
 print("爬取失败")
1
2
3
4
5
6
7
8
9
10
# 使用IDLE
>>> import requests
>>> url =""
>>> ip = "220.204.80.112"
>>> r = requests.get(url + ip)
>>> r.status_code
>>> r.text
阅读(372444) | 评论(0) | 转发(1) |
0

上一篇:python下几个简单实例代码

下一篇:KMP算法

给主人留下些什么吧!~~