一、為什么使用Python進(jìn)行網(wǎng)絡(luò)爬蟲？

由于Python語言十分簡潔，使用起來又非常簡單、易學(xué)，通過Python 進(jìn)行編寫就像使用英語進(jìn)行寫作一樣。另外Python 在使用中十分方便，并不需要IDE，而僅僅通過sublime text 就能夠?qū)Υ蟛糠值闹行?yīng)用進(jìn)行開發(fā)；除此之外Python 爬蟲的框架功能十分強(qiáng)大，它的框架能夠?qū)W(wǎng)絡(luò)數(shù)據(jù)進(jìn)行爬取，還能對結(jié)構(gòu)性的數(shù)據(jù)進(jìn)行提取，經(jīng)常用在數(shù)據(jù)的挖掘、歷史數(shù)據(jù)的存儲和信息的處理等程序內(nèi)；Python網(wǎng)絡(luò)的支持庫和html的解析器功能十分強(qiáng)大，借助網(wǎng)絡(luò)的支持庫通過較少代碼的編寫，就能夠進(jìn)行網(wǎng)頁的下載，且通過網(wǎng)頁的解析庫就能夠?qū)W(wǎng)頁內(nèi)各標(biāo)簽進(jìn)行解析，和正則的表達(dá)式進(jìn)行結(jié)合，

十分便于進(jìn)行網(wǎng)頁內(nèi)容的抓取。所以Python在網(wǎng)絡(luò)爬蟲網(wǎng)面有很大的優(yōu)勢。

二、判斷網(wǎng)站數(shù)據(jù)是否支持爬取

幾乎每個網(wǎng)站都有一個名為 robots.txt 的文檔，當(dāng)然也有部分網(wǎng)站沒有設(shè)定robots.txt。如果網(wǎng)站沒有設(shè)定 robots.txt 就可以通過網(wǎng)絡(luò)爬蟲獲取沒有口令加密的數(shù)據(jù)，也就是這個網(wǎng)站所有頁面數(shù)據(jù)都可以爬取。當(dāng)然如果網(wǎng)站有 robots.txt 文檔，就要判斷是否有禁止訪客獲取的數(shù)據(jù)。

以淘寶網(wǎng)為例，在瀏覽器中訪問 https://www.taobao.com/robots.txt，如圖所示。

上圖淘寶網(wǎng)的robots.txt文件內(nèi)容

淘寶網(wǎng)允許部分爬蟲訪問它的部分路徑，而對于沒有得到允許的用戶，則全部禁止爬取，代碼如下：

User-Agent:*
Disallow:/
12

這一句代碼的意思是除前面指定的爬蟲外，不允許其他爬蟲爬取任何數(shù)據(jù)。

三、requests 庫抓取網(wǎng)站數(shù)據(jù)

1.如何安裝 requests 庫

1.首先在 PyCharm 中安裝 requests 庫

2.打開 PyCharm，單擊“File”（文件）菜單

3.選擇“Setting for New Projects…”命令

4.選擇“Project Interpreter”（項(xiàng)目編譯器）命令

5.確認(rèn)當(dāng)前選擇的編譯器，然后單擊右上角的加號。

6.在搜索框輸入：requests（注意，一定要輸入完整，不然容易出錯），然后單擊左下角的“Install Package”（安裝庫）按鈕。

安裝完成后，會在 Install Package 上顯示“Package‘requests' installed successfully”（庫的請求已成功安裝），如果安裝不成功將會顯示提示信息。

四、爬蟲的基本原理

網(wǎng)頁請求的過程分為兩個環(huán)節(jié)：

1. Request （請求）：每一個展示在用戶面前的網(wǎng)頁都必須經(jīng)過這一步，也就是向服務(wù)器發(fā)送訪問請求。

2. Response（響應(yīng)）：服務(wù)器在接收到用戶的請求后，會驗(yàn)證請求的有效性，然后向用戶（客戶端）發(fā)送響應(yīng)的內(nèi)容，客戶端接收服務(wù)器響應(yīng)的內(nèi)容，將內(nèi)容展示出來，就是我們所熟悉的網(wǎng)頁請求

網(wǎng)頁請求的方式也分為兩種：

1. GET：最常見的方式，一般用于獲取或者查詢資源信息，也是大多數(shù)網(wǎng)站使用的方式，響應(yīng)速度快。

2. POST：相比 GET 方式，多了以表單形式上傳參數(shù)的功能，因此除查詢信息外，還可以修改信息。

所以，在寫爬蟲前要先確定向誰發(fā)送請求，用什么方式發(fā)送。

五、使用 GET 方式抓取數(shù)據(jù)

復(fù)制任意一條首頁首條新聞的標(biāo)題，在源碼頁面按【Ctrl+F】組合鍵調(diào)出搜索框，將標(biāo)題粘貼在搜索框中，然后按【Enter】鍵。

標(biāo)題可以在源碼中搜索到，請求對象是www.cntour.cn，請求方式是GET（所有在源碼中的數(shù)據(jù)請求方式都是GET），如圖 9所示。

確定好請求對象和方式后，在 PyCharm 中輸入以下代碼：

import requests    #導(dǎo)入requests包
url = 'http://www.cntour.cn/'
strhtml = requests.get(url)    #Get方式獲取網(wǎng)頁數(shù)據(jù)
print(strhtml.text)
1234

加載庫使用的語句是 import+庫的名字。在上述過程中，加載 requests 庫的語句是：import requests。

用 GET 方式獲取數(shù)據(jù)需要調(diào)用 requests 庫中的 get 方法，使用方法是在 requests 后輸入英文點(diǎn)號，如下所示：

requests.get
1

將獲取到的數(shù)據(jù)存到 strhtml 變量中，代碼如下：

strhtml = request.get(url)
1

這個時候 strhtml 是一個 URL 對象，它代表整個網(wǎng)頁，但此時只需要網(wǎng)頁中的源碼，下面的語句表示網(wǎng)頁源碼：

strhtml.text
1

六、使用 POST 方式抓取數(shù)據(jù)

首先輸入有道翻譯的網(wǎng)址：http://fanyi.youdao.com/，進(jìn)入有道翻譯頁面。

按快捷鍵 F12，進(jìn)入開發(fā)者模式，單擊 Network，此時內(nèi)容為空，如圖所示：

在有道翻譯中輸入“我愛中國”，單擊“翻譯”按鈕

在開發(fā)者模式中，依次單擊“Network”按鈕和“XHR”按鈕，找到翻譯數(shù)據(jù)

單擊 Headers，發(fā)現(xiàn)請求數(shù)據(jù)的方式為 POST。

找到數(shù)據(jù)所在之處并且明確請求方式之后，接下來開始撰寫爬蟲。

首先，將 Headers 中的 URL 復(fù)制出來，并賦值給 url，代碼如下：

url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
1

POST 的請求獲取數(shù)據(jù)的方式不同于 GET，POST 請求數(shù)據(jù)必須構(gòu)建請求頭才可以。

Form Data 中的請求參數(shù)如圖

將其復(fù)制并構(gòu)建一個新字典：

From_data={'i':'我愛中國','from':'zh-CHS','to':'en','smartresult':'dict','client':'fanyideskweb','salt':'15477056211258','sign':'b3589f32c38bc9e3876a570b8a992604','ts':'1547705621125','bv':'b33a2f3f9d09bde064c9275bcb33d94e','doctype':'json','version':'2.1','keyfrom':'fanyi.web','action':'FY_BY_REALTIME','typoResult':'false'}
1

將字符串格式的數(shù)據(jù)轉(zhuǎn)換成 JSON 格式數(shù)據(jù)，并根據(jù)數(shù)據(jù)結(jié)構(gòu)，提取數(shù)據(jù)，并將翻譯結(jié)果打印出來，代碼如下：

import json
content = json.loads(response.text)
print(content['translateResult'][0][0]['tgt'])
123

使用 requests.post 方法抓取有道翻譯結(jié)果的完整代碼如下：

import requests    #導(dǎo)入requests包
import json
def get_translate_date(word=None):
  url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
  From_data={'i':word,'from':'zh-CHS','to':'en','smartresult':'dict','client':'fanyideskweb','salt':'15477056211258','sign':'b3589f32c38bc9e3876a570b8a992604','ts':'1547705621125','bv':'b33a2f3f9d09bde064c9275bcb33d94e','doctype':'json','version':'2.1','keyfrom':'fanyi.web','action':'FY_BY_REALTIME','typoResult':'false'}
  #請求表單數(shù)據(jù)
  response = requests.post(url,data=From_data)
  #將Json格式字符串轉(zhuǎn)字典
  content = json.loads(response.text)
  print(content)
  #打印翻譯后的數(shù)據(jù)
  #print(content['translateResult'][0][0]['tgt'])
if __name__=='__main__':
  get_translate_date('我愛中國')
1234567891011121314

七、使用 Beautiful Soup 解析網(wǎng)頁

通過 requests 庫已經(jīng)可以抓到網(wǎng)頁源碼，接下來要從源碼中找到并提取數(shù)據(jù)。Beautiful Soup 是 python 的一個庫，其最主要的功能是從網(wǎng)頁中抓取數(shù)據(jù)。Beautiful Soup 目前已經(jīng)被移植到 bs4 庫中，也就是說在導(dǎo)入 Beautiful Soup 時需要先安裝 bs4 庫。

安裝 bs4 庫的方式如圖 所示:

安裝好 bs4 庫以后，還需安裝 lxml 庫。如果我們不安裝 lxml 庫，就會使用 Python 默認(rèn)的解析器。盡管 Beautiful Soup 既支持 Python 標(biāo)準(zhǔn)庫中的 HTML 解析器又支持一些第三方解析器，但是 lxml 庫具有功能更加強(qiáng)大、速度更快的特點(diǎn)，因此筆者推薦安裝 lxml 庫。

安裝 Python 第三方庫后，輸入下面的代碼，即可開啟 Beautiful Soup 之旅：

import requests    #導(dǎo)入requests包
from bs4 import  BeautifulSoup
url='http://www.cntour.cn/'
strhtml=requests.get(url)
soup=BeautifulSoup(strhtml.text,'lxml')
data = soup.select('#main>div>div.mtop.firstMod.clearfix>div.centerBox>ul.newsList>li>a')
print(data)
1234567

代碼運(yùn)行結(jié)果如圖。

Beautiful Soup 庫能夠輕松解析網(wǎng)頁信息，它被集成在 bs4 庫中，需要時可以從 bs4 庫中調(diào)用。其表達(dá)語句如下：

from bs4 import BeautifulSoup
1

首先，HTML 文檔將被轉(zhuǎn)換成 Unicode 編碼格式，然后 Beautiful Soup 選擇最合適的解析器來解析這段文檔，此處指定 lxml 解析器進(jìn)行解析。解析后便將復(fù)雜的 HTML 文檔轉(zhuǎn)換成樹形結(jié)構(gòu)，并且每個節(jié)點(diǎn)都是 Python 對象。這里將解析后的文檔存儲到新建的變量 soup 中，代碼如下：

soup=BeautifulSoup(strhtml.text,'lxml')
1

接下來用 select（選擇器）定位數(shù)據(jù)，定位數(shù)據(jù)時需要使用瀏覽器的開發(fā)者模式，將鼠標(biāo)光標(biāo)停留在對應(yīng)的數(shù)據(jù)位置并右擊，然后在快捷菜單中選擇“檢查”命令

隨后在瀏覽器右側(cè)會彈出開發(fā)者界面，右側(cè)高亮的代碼（參見圖 19(b)）對應(yīng)著左側(cè)高亮的數(shù)據(jù)文本（參見圖 19(a)）。右擊右側(cè)高亮數(shù)據(jù)，在彈出的快捷菜單中選擇“Copy”➔“Copy Selector”命令，便可以自動復(fù)制路徑。

將路徑粘貼在文檔中，代碼如下:

#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li:nth-child(1) > a
1

由于這條路徑是選中的第一條的路徑，而我們需要獲取所有的頭條新聞，因此將 li：nth-child（1）中冒號（包含冒號）后面的部分刪掉，代碼如下：

#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a
1

使用 soup.select 引用這個路徑，代碼如下：

data = soup.select('#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a')
1

八、清洗和組織數(shù)據(jù)

至此，獲得了一段目標(biāo)的 HTML 代碼，但還沒有把數(shù)據(jù)提取出來，接下來在 PyCharm 中輸入以下代碼：純文本復(fù)制

for item in data:
  result={
    'title':item.get_text(),
    'link':item.get('href')
  }
print(result)
123456

代碼運(yùn)行結(jié)果如圖 所示：

首先明確要提取的數(shù)據(jù)是標(biāo)題和鏈接，標(biāo)題在＜a＞標(biāo)簽中，提取標(biāo)簽的正文用 get_text() 方法。鏈接在＜a＞標(biāo)簽的 href 屬性中，提取標(biāo)簽中的 href 屬性用 get() 方法，在括號中指定要提取的屬性數(shù)據(jù)，即 get(＇href＇)。

從圖 20 中可以發(fā)現(xiàn)，文章的鏈接中有一個數(shù)字 ID。下面用正則表達(dá)式提取這個 ID。需要使用的正則符號如下:\d匹配數(shù)字+匹配前一個字符1次或多次

在 Python 中調(diào)用正則表達(dá)式時使用 re 庫，這個庫不用安裝，可以直接調(diào)用。在 PyCharm 中輸入以下代碼：

import re
for item in data:
  result={
    "title":item.get_text(),
    "link":item.get('href'),
    'ID':re.findall('\d+',item.get('href'))
  }
print(result)
12345678

運(yùn)行結(jié)果如圖 所示：

這里使用 re 庫的 findall 方法，第一個參數(shù)表示正則表達(dá)式，第二個參數(shù)表示要提取的文本。

九.爬蟲攻防戰(zhàn)

爬蟲是模擬人的瀏覽訪問行為，進(jìn)行數(shù)據(jù)的批量抓取。當(dāng)抓取的數(shù)據(jù)量逐漸增大時，會給被訪問的服務(wù)器造成很大的壓力，甚至有可能崩潰。換句話就是說，服務(wù)器是不喜歡有人抓取自己的數(shù)據(jù)的。那么，網(wǎng)站方面就會針對這些爬蟲者，采取一些反爬策略。

服務(wù)器第一種識別爬蟲的方式就是通過檢查連接的 useragent 來識別到底是瀏覽器訪問，還是代碼訪問的。如果是代碼訪問的話，訪問量增大時，服務(wù)器會直接封掉來訪 IP。

那么應(yīng)對這種初級的反爬機(jī)制，我們應(yīng)該采取何種舉措？

還是以前面創(chuàng)建好的爬蟲為例。在進(jìn)行訪問時，我們在開發(fā)者環(huán)境下不僅可以找到 URL、Form Data，還可以在 Request headers 中構(gòu)造瀏覽器的請求頭，封裝自己。服務(wù)器識別瀏覽器訪問的方法就是判斷 keyword 是否為 Request headers 下的 User-Agent，如圖：

因此，我們只需要構(gòu)造這個請求頭的參數(shù)。創(chuàng)建請求頭部信息即可，代碼如下：

headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'}
response = request.get(url,headers=headers)
12

寫到這里，很多讀者會認(rèn)為修改 User-Agent 很太簡單。確實(shí)很簡單，但是正常人1秒看一個圖，而個爬蟲1秒可以抓取好多張圖，比如 1 秒抓取上百張圖，那么服務(wù)器的壓力必然會增大。也就是說，如果在一個 IP 下批量訪問下載圖片，這個行為不符合正常人類的行為，肯定要被封 IP。

其原理也很簡單，就是統(tǒng)計(jì)每個IP的訪問頻率，該頻率超過閾值，就會返回一個驗(yàn)證碼，如果真的是用戶訪問的話，用戶就會填寫，然后繼續(xù)訪問，如果是代碼訪問的話，就會被封 IP。

這個問題的解決方案有兩個，第一個就是常用的增設(shè)延時，每 3 秒鐘抓取一次，代碼如下：

import time
time.sleep(3)
12

但是，我們寫爬蟲的目的是為了高效批量抓取數(shù)據(jù)，這里設(shè)置 3 秒鐘抓取一次，效率未免太低。其實(shí)，還有一個更重要的解決辦法，那就是從本質(zhì)上解決問題。

不管如何訪問，服務(wù)器的目的就是查出哪些為代碼訪問，然后封鎖 IP。解決辦法：為避免被封 IP，在數(shù)據(jù)采集時經(jīng)常會使用代理。當(dāng)然，requests 也有相應(yīng)的 proxies 屬性。

到此這篇關(guān)于Python爬蟲教程知識點(diǎn)總結(jié)的文章就介紹到這了,更多相關(guān)Python爬蟲教程分享內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論