爬虫学习笔记,python爬虫入门

理所当然认为没什么可写的,因为网上那东西一搜一大把,可是爬虫究竟是python的三个大亮点,不说说感到对不起这玩意儿
基础点来说,python二写爬虫重点须要多个模块,urllib和urllib2,其实还有re
先介绍下模块的有的常用作用
urllib.urlopen(”)
#开拓2个网站,只是打开,和open大概
urllib2.Request(url)
#分析网站,那几个能够省略,具体不是很懂,一些意义,比如加head头什么的也亟需动用那个
爬虫学习笔记,python爬虫入门。urllib.urlretrieve(url,filename)
#下载用,把url提供的东西down下来,并用filename保存
举个蜂鸟爬图片的例子,上边上伪代码:

python爬虫_入门,python爬虫入门

自然认为无妨可写的,因为网上那玩意儿一搜一大把,可是爬虫究竟是python的八个大亮点,不说说感觉对不起那东西
基础点来说,python二写爬虫重点必要几个模块,urllib和urllib二,其实还有re
先介绍下模块的有的常用功能
urllib.urlopen(”)
#开辟叁个网址,只是打开,和open大概
urllib2.Request(url)
#解析网站,那个能够差不离,具体不是很懂,1些效应,比如加head头什么的也须要利用这么些
urllib.urlretrieve(url,filename)
#下载用,把url提供的事物down下来,并用filename保存
举个蜂鸟爬图片的例证,上面上伪代码:

1、url解析
2、打开url
3、读取url,就是read()
4、使用re.findall找到所有和图片有关系的地址,这里只jpg
5、循环下载

亚洲必赢官网 1

看图上,图片链接格式是src=”
剖析以将来边的事就好办了,上边上代码

import urllib
import urllib2
import re

#处理地址,并获取页面全部的图片地址
def get_image_url(url):
  #url_format = urllib2.Request(url) #1
  url_open = urllib.urlopen(url) #2
  url_read = url_open.read() #3
  re_value = re.compile('(?<=src\=\").*?\.jpg')
  image_url_list = re.findall(re_value,url_read) #4
  return image_url_list

#这个函数专门用来下载,前面两行是将图片连接中/前面的内容全部删除,留下后面的文件名用来保存文件的,try不说了,不清楚请翻回去看容错
def down_image(image_url):
  rev = '^.*/'
  file_name = re.sub(rev,'',image_url)
  try:
    urllib.urlretrieve(image_url,file_name)
  except:
    print 'download %s fail' %image_url
  else:
    print 'download %s successed' %image_url

if __name__ == '__main__':
  url = 'http://bbs.fengniao.com/forum/10384633.html'
  image_url_list = get_image_url(url)
  for image_url in image_url_list:
    down_image(image_url) #5

困死,睡觉去。。。。。有时间再说说翻页什么的,就能爬网址了

 

本来认为没什么可写的,因为网上那东西一搜一大把,然而爬虫毕竟是python的八个大优点,不说说感觉对不…

前言

成千成万人关系python,脑海中一定首先个想到爬虫。
那正是说爬虫有是怎么啊?
爬虫是指在互连网世界,爬虫1般指抓取众多领悟网址网页上数据的有关技能。
不只是python能够做爬虫,有好多言语都得以比如java
进去正题,入门python爬虫
首先要对python的知识点要有大旨的主宰和肯定的正则表明式的文化,和必然的html的知识,然后就足以入门python爬虫了

那是本身要幸亏读书python
叁爬虫时的小笔记,做备忘用,难免会有局地谬误和疏漏,望指正~~~
Python 三 爬虫学习笔记 (贰)
Python 三 爬虫学习笔记 (三)
Python 三 爬虫学习笔记 (四)
Python 叁 爬虫学习笔记 (5)
Python 三 爬虫学习笔记 (陆)

1、url解析
2、打开url
3、读取url,就是read()
4、使用re.findall找到所有和图片有关系的地址,这里只jpg
5、循环下载

python相关模块

在入门前大家应当首先学习爬虫相关的模块
率先要求大家掌握urllib.request模块
urllib.request模块的官方文书档案:https://www.baidu.com/link?url=2TDSZE4Syct8V21juND6HEUUXQtU14DmmeIBrvR\_uxYSAPYNpKqEQWN4XvIvxqbJED-pnZnwxLg279W1hWZKmK&wd=&eqid=ffb469a60007cd46000000025aa52e29


亚洲必赢官网 2

取得网址代码

import urllib.request
req=urllib.request.urlopen(‘)
print(req)

亚洲必赢官网 3

图片.png

咱俩得以窥见输出的并不是自身不们想要的结果,因为
url.request.urlopen()重回的是文件类对象,这时候大家供给使用read()函数
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read()
print(html)

亚洲必赢官网 4

出口的结果不是
大家想象中格式,那是因为出口的是‘utf-八’形式的代码,大家亟须接纳decode()函数将‘utf-八’代码转化为Unicode情势代码
import urllib.request
req=urllib.request.urlopen(‘)
html=req.read().decode(‘utf-8’)
print(html)

亚洲必赢官网 5

图片.png

此刻大家就收获到大家想要的结果了

〇. python 基础

先放上python 3的合法文档:https://docs.python.org/3/
(看文档是个好习惯)
至于python 3 基础语法方面包车型客车事物,网上有为数不少,我们能够自行查找.

看图上,图片链接格式是src=”
剖析之后前边的事就好办了,下边上代码

爬取音讯

那是就足以开展爬取大家想要的消息了,是或不是非常快☻
做爬虫前 大家要率先供给锁定想要爬取的网址和想要获取的音信
比如说自身想要爬取一个贴吧中的一个贴中的享有图片
那就是说大家开拓贴子复制网站并查看贴子的源代码

亚洲必赢官网 6

图片.png

右键点击图片,能够观望图片是代码是<img class=”BDE_Image”
src=””
size=”499541″ changedsize=”true” width=”560″ height=”746″>
我们想要下载图片,就要从代码中获取图片的地方,可以肯定的看到该图片的地址在img标签中的src属性中

一. 最简便易行的爬取程序

爬取百度首页源代码:

#-*-coding:utf-8 -*-

import urllib.request

url = "http://www.baidu.com"
page_info = urllib.request.urlopen(url).read()
page_info = page_info.decode('utf-8')
print(page_info)

来看下边包车型大巴代码:

  • 对此python 3来说,urllib是3个可怜重大的二个模块
    ,能够充裕方便的上行下效浏览器访问网络,对于python 叁 爬虫来说,
    urllib更是3个不能缺少的模块,它能够帮忙大家有益地拍卖ULANDL.
  • urllib.request是urllib的四个子模块,能够打开和拍卖部分错综复杂的网站

The urllib.request
module defines functions and classes which help in opening URLs
(mostly HTTP) in a complex world — basic and digest authentication,
redirections, cookies and more.

  • urllib.request.urlopen()方法完结了开拓url,并回到五个http.client.HTTPResponse对象,通过http.client.HTTPResponse的read()方法,得到response
    body,转码最终经过print()打字与印刷出来.

urllib.request.urlopen(url, data=None, [timeout, ]***,
cafile=None, capath=None, cadefault=False, context=None)
For HTTP and HTTPS URLs, this function returns a
http.client.HTTPResponse
object slightly modified.
< 出自:
https://docs.python.org/3/library/urllib.request.html
>

  • decode(‘utf-八’)用来将页面转换来utf-8的编码格式,不然会油可是生乱码
import urllib
import urllib2
import re

#处理地址,并获取页面全部的图片地址
def get_image_url(url):
  #url_format = urllib2.Request(url) #1
  url_open = urllib.urlopen(url) #2
  url_read = url_open.read() #3
  re_value = re.compile('(?<=src\=\").*?\.jpg')
  image_url_list = re.findall(re_value,url_read) #4
  return image_url_list

#这个函数专门用来下载,前面两行是将图片连接中/前面的内容全部删除,留下后面的文件名用来保存文件的,try不说了,不清楚请翻回去看容错
def down_image(image_url):
  rev = '^.*/'
  file_name = re.sub(rev,'',image_url)
  try:
    urllib.urlretrieve(image_url,file_name)
  except:
    print 'download %s fail' %image_url
  else:
    print 'download %s successed' %image_url

if __name__ == '__main__':
  url = 'http://bbs.fengniao.com/forum/10384633.html'
  image_url_list = get_image_url(url)
  for image_url in image_url_list:
    down_image(image_url) #5

行使正则表明式来领取图片地址

import re
import urllib.request
req=urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856’)
html=req.read().decode(‘utf-8’)
p = r'<img class=”BDE_Image” src=”([^”]+)’
imglist=re.findall(p,html)
for each in imglist:
print(each)

亚洲必赢官网 7

图片.png

大家已经建议那一个帖子全体img的价签中的src属性了
接下去大家需求用urll.request模块中的urlretrieve()对图片举办下载
import re
import urllib.request
req=urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856亚洲必赢官网 ,’)
html=req.read().decode(‘utf-8’)
p = r'<img class=”BDE_Image” src=”([^”]+)’
imglist=re.findall(p,html)
for each in imglist:
filename=each.split(“/”)[-1]
urllib.request.urlretrieve(each,filename,None)

亚洲必赢官网 8

图片.png

能够看出将图纸自动下载到桌面上边去

贰 模拟浏览器爬撤消息

在走访一些网址的时候,网址一般会用判断访问是不是带有头文件来鉴定识别该访问是还是不是为爬虫,用来作为反爬取的一种政策。
先来看一下Chrome的头音讯(F1贰开辟开发者方式)如下:

Paste_Image.png

如图,访问头音信中显示了浏览器以及系统的消息(headers所含消息众多,具体可活动查询)

Python中urllib中的request模块提供了仿照浏览器访问的作用,代码如下:

from urllib import request

url = 'http://www.baidu.com'
# page = request.Request(url)
# page.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
print(page_info)

能够经过add_header(key, value)
可能直接以参数的花样和UCRUISERL一起请求访问,urllib.request.Request()

urllib.request.Request(url, data=None, headers={},
origin_req_host=None, unverifiable=False, method=None)

中间headers是一个字典,通过那种情势得以将爬虫模拟成浏览器对网址进行访问。(https://docs.python.org/3/library/urllib.request.html?highlight=request\#module-urllib.request

困死,睡觉去。。。。。有时间再说说翻页什么的,就能爬网址了

req.add_header()

有时候大家运营次数过多贴吧会识别出是python环境而不是浏览器打开帖子下载图片
这正是说本人应该怎么做吧?
python urllib.request模块中有能有模拟浏览器的1个函数
那个函数正是req.add_header()
但是大家使用前须要对前方的代码进行局地改动
将urllib.request.urlopen(‘https://tieba.baidu.com/p/5589041856’)
改为
req=urllib.request.Request(‘https://tieba.baidu.com/p/5589041856’)
reqs=urllib.request.urlopen(req)
实则那两边并一点差别也没有
urll.request.urlopen()既还可以地点 也足以是经受Request对象
当接受的地址时自动将其转会为Request对象
于今我们就足以时候req.add_header()函数了
开拓浏览器的控制台随便打开2个get

亚洲必赢官网 9

图片.png

能够看到User-Agent
此刻复制下来
将那段代码
req.add_header(“User-Agent”,”Mozilla/5.0 (Windows NT 10.0; WOW64;
rv:58.0) Gecko/20100101 Firefox/58.0″)
位居urlopen函数的上边

为了更加好的不被检查评定出为爬虫,大家能够引入 time模块
在历次下载图片的时候 利用time.sleep(一)实行停顿一秒

接下去大家须要勤加演习打好基础进一步熟习urllib.request模块

 

想要越来越深切的学习爬虫我们就必要学习python爬虫的相干模块和http协议等

python爬虫平常接纳的模块

Beautifulsoup四 用于越来越快提取网页中大家想要的音讯
合法文书档案地址:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html\#id1
request 模块(与urllib.requset分裂)
官方文书档案地址:http://docs.python-requests.org/en/master/

希望对你持有协理

网站地图xml地图