爬虫基本原理_百度小程序_上海毫米网络优化公司

您的位置：上海毫米网络优化公司 > 小程序 > 百度小程序 >

一、爬虫的原理

爬虫是什么？把互联网上的数据，抓取下来，存到自己的本地。

以百度为例，爬取一个个的网页，存到自己库中，当我们搜索的时候，去百度的数据库中搜索，显示在前端，点击某个页面，直接跳转到真正的地址。

基本原理：

发送http请求（requests）---->返回数据----->解析数据（数据清洗，bs4，re…）---->入库(文件，excel，mysql，redis，mongodb)

注：

爬取数据时，如果被禁止了，一定是你模拟的不像。

爬虫协议：

每个网站，都有爬虫协议，规定了哪些允许你爬，哪些不允许你爬（君子协议）

robots.txt---->只是一个协议

反爬：

验证码
封ip
封账号
js逆向：js比较不错
app爬取：加密

app逆向：java，动态调试so文件---->汇编

爬虫所需工具：

请求库：requests,selenium

解析库：正则，beautifulsoup，pyquery

存储库：文件，MySQL，Mongodb，Redis

爬虫常用框架：

scrapy

二、请求库requests基本使用

模拟发送http请求（只要http请求有的东西，都可以使用requests发送出去）。

python内置的urllib2、urllib3，不太好用，用起来比较麻烦。

大神基于urllib3封装了requests，python界非常出名的第三方库，只能发送http请求，不能解析；

又封装了一个requets-html库，把request和解析库封装到一起了。

安装：pip3 install requests

1.基本使用

import requests
# res对象中会有，响应体，响应头，cookie。。。。
# 请求头中带User-Agent，是客户端类型
# 加入请求头
res = requests.get('https://dig.chouti.com/',headers={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
})
print(res.text) # 响应体，转成了字符串
with open('a.html','w',encoding='utf-8') as f:
    f.write(res.text)
# 另外一种使用
requests.request('post',cookies={})

2.带参数的GET请求

# 方式一：get请求参数，直接拼接在路径中
response = requests.get('https://www.baidu.com/s?wd=美女',
                        headers={
                            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                        })
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(response.text)
# 方式二：使用params参数
response = requests.get('https://www.baidu.com/s',
                        params={'wd': '帅哥'},
                        headers={
                            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
                        })
with open('baidu.html', 'w', encoding='utf-8') as f:
    f.write(response.text)

3.带参数的GET请求（headers）

import requests
# res对象中会有，响应体，响应头，cookie。。。。
# 请求头中带User-Agent，是客户端类型
# referer：上一次请求的地址,做图片防盗链
# cookie：cookie信息
# 加入请求头
header={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
    'referer':'https://www.lagou.com/wn/zhaopin'
}
res = requests.get('https://www.lagou.com/gongsi/',headers=header)
print(res.text) # 响应体，转成了字符串

referer：比如向这个图片地址发请求，会有referer，检测referer是不是这个网站的，不是则禁止。

4.带参数的GET请求（cookies）

# 方式一：带在请求头中
header={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
    'cookie':'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiIwZmVlMjk5OS1iMDgzLTRmYzctOTM4MC03YjIzZmVmY2U5YmYiLCJleHBpcmUiOiIxNjIzOTA0ODk5MzM5In0.7cadtBYznS6OgnLwEF8aH0AmtDOoYB1WKDgdU4eYYS0; __snaker__id=VbChmBUEZIVY3FPa; _9755xjdesxxd_=32; YD00000980905869%3AWM_TID=%2FazmF9%2FrClJFEVFBVRN70z7msH6De39Y; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1631674964,1634180671,1634183906; gdxidpyhxdE=SmmnuyrMOQB%2B9hzOlIaMPx0O9ZJbqWBllx7aa1OTmRwgGymo94mTYgZ0DrUWw7tfx8qIZmRt01BbIVX2jIc30jqSzPWznXpll6kBokS56266%2FmPg%2BC%5CvNV%2BJhO%5C9ln%2FQdskmo%2FH5A%2BLOADRDACtDp59%5CH51jexwMSIXSA9atTxuJDXOn%3A1634184810108; YD00000980905869%3AWM_NI=WlPwT2GigeoAGFNAH66LZluq3E87sk7E%2Bn6YtGANtE0G%2Bke2f0x6a1rG8kACozd%2FrWBXr3ne%2FBnps6fdDDeTm052UXP1VES3VxQISaL9zd91nvo%2FON%2FVuXS9INJSQYS%2FOG8%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee97c96aadeda38de27286ef8bb3d45a828f8babae8095aea8d0b47e9191e186c42af0fea7c3b92a95b4a098d73a85b7a986ee4b859a82a2cb3ef694968df87bf19bf8d8f261f59be58fb553b8998faff74ff499e58ce83aa6f0b8d7e43bb299f88cc449ada6acd0f15d8288bed4ed6fed9ea291f23ea6bc8ca5e860aff0fbd3d85494ef9aa6d23996a89faad26b90e7b685bc3baeaaa1d0ce46ed8abbb9d2338b9286b4d45391f181a8bb37e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNjM2Nzc1OTIyMTI2In0.o5-Y9-USxFog5sdo1WR1WORUzPkUD4fozEVA_f0WSHU; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1634183939'
}
# post请求，携带在请求体中的数据
res=requests.post('https://dig.chouti.com/link/vote',data={'linkId': '32667354'},headers=header)
#https://dig.chouti.com/link/cancel/vote
print(res.text)
# 方式二：直接以参数形式传入，cookie会经常用，而且一般是字典形式，提供了一个cookie参数
header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36',
}
# cookies需要是：Dict or CookieJar object
res = requests.post('https://dig.chouti.com/link/vote', data={'linkId': '32667354'}, headers=header,cookies={})
print(res.text)

5.POST请求

# 发送post请求，模拟浏览器的登录行为
header = {
    'Referer': 'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}
res = requests.post('http://www.aa7a.cn/user.php', headers=header, data={
    'username': 'xxx@qq.com',
    'password': 'xxx',
    'captcha': 'fmd8',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
})
# 获取到cookie，登陆过后的cookie
cookie = res.cookies
print(cookie)  # CookieJar
res1 = requests.get('http://www.aa7a.cn/', headers=header, cookies=cookie)
# res1=requests.get('http://www.aa7a.cn/',headers=header)
print('xxx@qq.com' in res1.text)

6.响应Response

import requests
respone=requests.get('http://www.360buy.com')
# respone属性
print(respone.text)   # body的内容转成str类型
print(respone.content) # body的二进制内容 （图片，视频）
print(respone.status_code) # 响应状态码
print(respone.headers)    # 响应头
print(respone.cookies)    # 把响应的cookie转成了cookiejar的对象
print(respone.cookies.get_dict()) # 把cookiejar的对象转成字典
print(respone.cookies.items()) # key和value
print(respone.url)          # 请求的地址
print(respone.history)       # 请求历史，重定向，才有数据，列表
print(respone.encoding)   # 响应的编码格式
response.iter_content()  #循环它，如果是视频，一点一点保存

解析json（http请求返回的数据是json格式）：

res.text是json字符串，取值不好取，需要json.loads(res.text)转成字典，再取值

直接res.json()转成json后的字典形式

import requests
res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data={
    'cname': '',
    'pid': '',
    'keyword': '上海',
    'pageIndex': 1,
    'pageSize': 10,
})
# print(res.text)
print(type(res.json()))

7.编码问题

url编码问题把中文用url编码，把url编码解成中文

# https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
from urllib import parse
# 把中文用url编码，
res=parse.quote('美女')
print(res)
# 把url编码解成中文
res=parse.unquote('%E7%BE%8E%E5%A5%B3')
print(res)

网站编码，不是utf-8，使用res.text默认用utf-8转，可能出乱码

import requests
res=requests.get('')
# res.encoding='GBK'
res.encoding=res.apparent_encoding
print(res.text)

8.获取二进制数据

视频、图片需要保存二进制

import requests
res=requests.get('https://img.lianzhixiu.com/uploads/allimg/202001/9999/a7b0199df8.jpg')
with open('致命诱惑2.png','wb') as f:
    # f.write(res.content)
    for line in res.iter_content(1024):
        f.write(line)

9.request.session的使用

import requests
session = requests.session()  # 可以帮咱们保持cookie，以后不用手动携带
header = {
    'Referer': 'http://www.aa7a.cn/user.php?&ref=http%3A%2F%2Fwww.aa7a.cn%2F',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36'
}
res = session.post('http://www.aa7a.cn/user.php', headers=header, data={
    'username': 'xxx@qq.com',
    'password': 'xxx',
    'captcha': 'fmd8',
    'remember': 1,
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
})
# 获取到cookie，登陆过后的cookie
# cookie=res.cookies
# print(cookie)  # CookieJar
res1 = session.get('http://www.aa7a.cn/', headers=header)
print('xxx@qq.com' in res1.text)

补充：

什么是正向代理，什么是反向代理？

正向代理，隐藏客户端
翻墙软件
反向代理，隐藏服务器
nginx 是一个反向代理服务器

正向代理---->买票的黄牛
反向代理---->租房的代理

总结：
1 爬虫介绍
- 模拟发送http请求---->获取到数据（html，json，图片，视频）---->数据清洗---->入库
  2 请求库：requests模块
  - 跟其他服务交互，使用requests模块
  - postman：完全自己写，使用requests写
    3 发送get请求
    
    4 发送get请求，地址中带参数
    - 直接拼在路径中
    - params参数传入，字典
    - url编码和解码：中文编成url的编码形式
      5 发送get请求，携带请求头
      - headers参数
      - user-agent：客户端类型
      - referer：上一个地址
        6 发送请求，携带cookie
        请求头
        以参数形式携带
        
        7 发送post请求
        
        地址中带数据：params参数传入
        请求头中带：headers
        请求体中：data={},json={}
        8 Respons对象属性，参数
        
        text：响应的body体，转成了字符串
        content：响应体的二进制（图片，视频）
        iter_content：图片，视频，循环保存
        编码
        cookies：一旦登录成功，这个cookies就是认证后的cookies
        json() :把返回的json格式字符串直接转成字典形式
        9 编码问题
        
        10 request.session的使用
        
        宣城网站建设公司上线了建站教程中小企业查询系统网求网站建设新网域名注册成都模板建站公司

上一篇：vue 解决问题：Webpack安装不成功，webpack -v无法正常显示版本号

下一篇：SpringBoot整合Caffeine