python网络爬虫学习笔记(一) 爬取简单静态网页

news/2024/7/19 10:42:39 标签: python, 爬虫

目录

  • 一、使用urllib3实现HTTP请求
    • 1.生成请求
    • 2.处理请求头
    • 3.Timeout设置
    • 4.请求重试设置
    • 5.生成完整HTTP请求
  • 二、使用requests库实现HTTP请求
    • 解决字符编码问题
  • 三、解析网页
    • 1.元素面板
    • 2.源代码面板
    • 3.网络面板
  • 四、使用正则表达式解析网页
    • 1. Python正则表达式：寻找字符串中的姓名和电话号码
      • 完整代码
  • 五、使用Xpath解析网页
    • 1.基本语法
    • 2.谓语
    • 3. 功能函数
    • 4.谷歌开发者工具使用
  • 六、数据存储
    • 1.以json格式存储

一、使用urllib3实现HTTP请求

1.生成请求

  • 通过request方法生成请求,原型如下

urllib3.request(method,url,fields=None,headers=None,**urlopen_kw)

参数说明
method接收string。表示请求的类型，如"GET"（通常使用）、“HEAD”、"DELETE"等，无默认值
url接收string。表示字符串形式的网址。无默认值
fields接收dict。表示请求类型所带的参数。默认为None
headers接收dict。表示请求头所带参数。默认为None
**urlopen_kw:接收dict和python中的数据类型的数据，依据具体需求及请求的类型可添加的参数，通常参数赋值为字典类型或者具体数据

code:

python">import urllib3
http = urllib3.PoolManager()
rq = http.request('GET',url='http://www.pythonscraping.com/pages/page3.html')
print('服务器响应码：', rq.status)
print('响应实体：', rq.data)

2.处理请求头

传入headers参数可通过定义一个字典类型实现，定义一个包含User-Agent信息的字典，使用浏览器为火狐和chrome浏览器，操作系统为"Window NT 6.1;Win64; x64"，向网站"http://www.tipdm/index.html"发送带headers参数的GET请求，hearders参数为定义的User-Agent字典

python">import urllib3
http = urllib3.PoolManager()
head = {'User-Agent':'Window NT 6.1;Win64; x64'}
http.request('GET',url='http://www.pythonscraping.com/pages/page3.html',headers=head)

3.Timeout设置

为防止因网络不稳定等原因丢包，可在请求中增加timeout参数设置，通常为浮点数，可直接在url后设置该次请求的全部参数，也可以分别设置这次请求的连接与读取timeout参数，在PoolManager实例中设置timeout参数可应用至该实例的全部请求中

直接设置

python">http.request('GET',url='',headers=head，timeout=3.0)
#超过3s的话超时终止

python">http.request('GET',url='http://www.pythonscraping.com/pages/page3.html',headers=head，timeout=urllib3.Timeout(connect=1.0,read=2.0))
#链接超过1s,读取超过2s终止

应用至该实例的全部请求中

python">import urllib3
http = urllib3.PoolManager(timeout=4.0)
head = {'User-Agent':'Window NT 6.1;Win64; x64'}
http.request('GET',url='http://www.pythonscraping.com/pages/page3.html',headers=head)
#超过4s超时

4.请求重试设置

urllib3库可以通过设置retries参数对重试进行控制。默认进行3次请求重试，并进行3次重定向。自定义重试次数通过赋值一个整型给retries参数实现，可通过定义retries实例来定制请求重试次数及重定向次数。若需要同时关闭请求重试及重定向则可以将retries参数赋值为False，仅关闭重定向则将redirect参数赋值为False。与Timeout设置类似，可以在PoolManager实例中设置retries参数控制全部该实例下的请求重试策略。

应用至该实例的全部请求中

python">import urllib3
http = urllib3.PoolManager(timeout=4.0,retries=10)
head = {'User-Agent':'Window NT 6.1;Win64; x64'}
http.request('GET',url='http://www.pythonscraping.com/pages/page3.html',headers=head)
#超过4s超时 重试10次

5.生成完整HTTP请求

使用urllib3库实现向http://www.pythonscraping.com/pages/page3.html生成一个完整的请求，该请求应当包含链接、请求头、超时时间和重试次数设置。
在这里插入图片描述
在这里插入图片描述
注意编码方式utf-8

python">import urllib3
#发送请求实例
http = urllib3.PoolManager()
#网址
url = 'http://www.pythonscraping.com/pages/page3.html'
#请求头
head = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36 Edg/88.0.705.56'}
#超时时间
tm = urllib3.Timeout(connect=1.0,read=3.0)
#重试次数和重定向次数设置，生成请求
rq = http.request('GET',url=url,headers=head,timeout=tm,redirect=4)
print('服务器响应码：', rq.status)
print('响应实体：', rq.data.decode('utf-8'))

服务器响应码： 200
响应实体： <html>
<head>
<style>
img{
	width:75px;
}
table{
	width:50%;
}
td{
	margin:10px;
	padding:10px;
}
.wrapper{
	width:800px;
}
.excitingNote{
	font-style:italic;
	font-weight:bold;
}
</style>
</head>
<body>
<div id="wrapper">
<img src="../img/gifts/logo.jpg" style="float:left;">
<h1>Totally Normal Gifts</h1>
<div id="content">Here is a collection of totally normal, totally reasonable gifts that your friends are sure to love! Our collection is
hand-curated by well-paid, free-range Tibetan monks.<p>
We haven't figured out how to make online shopping carts yet, but you can send us a check to:<br>
123 Main St.<br>
Abuja, Nigeria
</br>We will then send your totally amazing gift, pronto! Please include an extra $5.00 for gift wrapping.</div>
<table id="giftList">
<tr><th>
Item Title
</th><th>
Description
</th><th>
Cost
</th><th>
Image
</th></tr>

<tr id="gift1" class="gift"><td>
Vegetable Basket
</td><td>
This vegetable basket is the perfect gift for your health conscious (or overweight) friends!
<span class="excitingNote">Now with super-colorful bell peppers!</span>
</td><td>
$15.00
</td><td>
<img src="../img/gifts/img1.jpg">
</td></tr>

<tr id="gift2" class="gift"><td>
Russian Nesting Dolls
</td><td>
Hand-painted by trained monkeys, these exquisite dolls are priceless! And by "priceless," we mean "extremely expensive"! <span class="excitingNote">8 entire dolls per set! Octuple the presents!</span>
</td><td>
$10,000.52
</td><td>
<img src="../img/gifts/img2.jpg">
</td></tr>

<tr id="gift3" class="gift"><td>
Fish Painting
</td><td>
If something seems fishy about this painting, it's because it's a fish! <span class="excitingNote">Also hand-painted by trained monkeys!</span>
</td><td>
$10,005.00
</td><td>
<img src="../img/gifts/img3.jpg">
</td></tr>

<tr id="gift4" class="gift"><td>
Dead Parrot
</td><td>
This is an ex-parrot! <span class="excitingNote">Or maybe he's only resting?</span>
</td><td>
$0.50
</td><td>
<img src="../img/gifts/img4.jpg">
</td></tr>

<tr id="gift5" class="gift"><td>
Mystery Box
</td><td>
If you love suprises, this mystery box is for you! Do not place on light-colored surfaces. May cause oil staining. <span class="excitingNote">Keep your friends guessing!</span>
</td><td>
$1.50
</td><td>
<img src="../img/gifts/img6.jpg">
</td></tr>
</table>
</p>
<div id="footer">
&copy; Totally Normal Gifts, Inc. <br>
+234 (617) 863-0736
</div>

</div>
</body>
</html>

二、使用requests库实现HTTP请求

import requests
url = 'http://www.pythonscraping.com/pages/page3.html'
rq2 = requests.get(url)
rq2.encoding = 'utf-8'
print('响应码：',rq2.status_code)
print('编码：',rq2.encoding)
print('请求头：',rq2.headers)
print('实体：',rq2.text)

解决字符编码问题

需要注意的是，当requests库猜测错时，需要手动指定encoding编码，避免返回的网页内容解析出现乱码。手动指定的方法并不灵活，无法自适应对应爬取过程中不同网页的编码，而使用chardet库比较简便灵活，chardet库是一个非常优秀的字符串∕文件编码检测模块。
chardet库使用detect方法检测给定字符串的编码，detect方法常用的参数及其说明如下

参数说明
byte_str接收string。表示需要检测编码的字符串。无默认值
python">import chardet
chardet.detect(rq2.content)

输出：100%的概率是用ascii码编码的
在这里插入图片描述
完整代码

python">import requests
import chardet
url = 'http://www.pythonscraping.com/pages/page3.html'
head={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36 Edg/88.0.705.56'}
rq2 = requests.get(url,headers=head,timeout=2.0)
rq2.encoding = chardet.detect(rq2.content)['encoding']
print('实体：',rq2.content)

三、解析网页

chrome开发者工具各面板功能如下
在这里插入图片描述

1.元素面板

在爬虫开发中，元素面板主要用来查看页面元素所对应的位置，比如图片所在位置或文字链接所对应的位置。面板左侧可看到当前页面的结构，为树状结构，单击三角符号即可展开分支。
在这里插入图片描述

2.源代码面板

切换至源代码面板（Sources）单击左侧“tipdm”文件夹中的“index.html”文件，将在中间显示其包含的完整代码，如图所示。

3.网络面板

切换至网络面板（Network），需先重新加载页面，点击某资源，将在中间显示该资源的头部信息、预览、响应信息、Cookies和花费时间详情，如图所示。
在这里插入图片描述

四、使用正则表达式解析网页

1. Python正则表达式：寻找字符串中的姓名和电话号码

正则表达式是一种可以用于模式匹配和替换的工具，可以让用户通过使用一系列的特殊字符构建匹配模式，然后把匹配模式与待比较字符串或文件进行比较，根据比较对象中是否包含匹配模式，执行相应的程序。

rawdata = “555-1239Moe Szyslak(636) 555-0113Burns, C.Montgomery555-6542Rev. Timothy Lovejoy555 8904Ned Flanders636-555-3226Simpson,Homer5553642Dr. Julius Hibbert ”

试试

python">import re
string = '1. A small sentence - 2.Anthoer tiny sentence. '
print('re.findall:',re.findall('sentence',string))
print('re.search:',re.search('sentence',string))
print('re.match:',re.match('sentence',string))
print('re.match:',re.match('1. A small sentence',string))
print('re.sub:',re.sub('small','large',string)) 
print('re.sub:',re.sub('small','',string))

输出：
re.findall: [‘sentence’, ‘sentence’]
re.search: <re.Match object; span=(11, 19), match=‘sentence’>
re.match: None
re.match: <re.Match object; span=(0, 19), match=‘1. A small sentence’>
re.sub: 1. A large sentence - 2.Anthoer tiny sentence.
re.sub: 1. A sentence - 2.Anthoer tiny sentence.

常用广义化符号
1、英文句号“.”：能代表除换行符“\n”任意一个字符；

python">string = '1. A small sentence - 2.Anthoer tiny sentence. '
re.findall('A.',string)

输出：['A ', ‘An’]

2、字符类“[]”：被包含在中括号内部，任何中括号内的字符都会被匹配；

python">string = 'small smell smll smsmll sm3ll sm.ll sm?ll sm\nll sm\tll'
print('re.findall:',re.findall('sm.ll',string))
print('re.findall:',re.findall('sm[asdfg]ll',string))
print('re.findall:',re.findall('sm[a-zA-Z0-9]ll',string))
print('re.findall:',re.findall('sm\.ll',string))
print('re.findall:',re.findall('sm[.?]ll',string))

输出：

python">re.findall: ['small', 'smell', 'sm3ll', 'sm.ll', 'sm?ll', 'sm\tll']
re.findall: ['small']
re.findall: ['small', 'smell', 'sm3ll']
re.findall: ['sm.ll']
re.findall: ['sm.ll', 'sm?ll']

3.量化符号"{}":可以被匹配多少次

python">print('re.findall:',re.findall('sm..ll',string))
print('re.findall:',re.findall('sm.{2}ll',string))
print('re.findall:',re.findall('sm.{1,2}ll',string))
print('re.findall:',re.findall('sm.{1,}ll',string))
print('re.findall:',re.findall('sm.?ll',string)) # {0,1}
print('re.findall:',re.findall('sm.+ll',string)) # {0,}
print('re.findall:',re.findall('sm.*ll',string)) # {1,}

输出：
re.findall: [‘smsmll’]
re.findall: [‘smsmll’]
re.findall: [‘small’, ‘smell’, ‘smsmll’, ‘sm3ll’, ‘sm.ll’, ‘sm?ll’, ‘sm\tll’]
re.findall: [‘small smell smll smsmll sm3ll sm.ll sm?ll’, ‘sm\tll’]
re.findall: [‘small’, ‘smell’, ‘smll’, ‘smll’, ‘sm3ll’, ‘sm.ll’, ‘sm?ll’, ‘sm\tll’]
re.findall: [‘small smell smll smsmll sm3ll sm.ll sm?ll’, ‘sm\tll’]
re.findall: [‘small smell smll smsmll sm3ll sm.ll sm?ll’, ‘sm\tll’]
​
ps：贪婪规则，尽可能匹配多的

完整代码

python">import pandas as pd
rawdata = '555-1239Moe Szyslak(636) 555-0113Burns, C.Montgomery555-6542Rev. Timothy Lovejoy555 8904Ned Flanders636-555-3226Simpson,Homer5553642Dr. Julius Hibbert'
names = re.findall('[A-Z][A-Za-z,. ]*',rawdata)
print(names)
number = re.findall('\(?[0-9]{0,3}\)?[ \-]?[0-9]{3}[ \-]?[0-9]{4}',rawdata)
print(number)
pd.DataFrame({'Name':names,'TelPhone':number})

输出：
在这里插入图片描述

五、使用Xpath解析网页

XML路径语言（XML Path Language），它是一种基于XML的树状结构，在数据结构树中找寻节点，确定XML文档中某部分位置的语言。使用Xpath需要从lxml库中导入etree模块，还需使用HTML类对需要匹配的HTML对象进行初始化（XPath只能处理文档的DOM表现形式）。HTML类的基本语法格式如下。

1.基本语法

lxml.etree.HTML(text, parser=None, *, base_url=None)

参数说明
text接收str。表示需要转换为HTML的字符串。无默认值
parser接收str。表示选择的HTML解析器。无默认值
base_url接收str。表示设置文档的原始URL，用于在查找外部实体的相对路径。默认为None

若HTML中的节点没有闭合，etree模块也提供自动补全功能。调用tostring方法即可输出修正后的HTML代码，但是结果为bytes类型，需要使用decode方法转成str类型。

Xpath使用类似正则的表达式来匹配HTML文件中的内容，常用匹配表达式如下。

表达式说明
nodename选取nodename节点的所有子节点
/从当前节点选取直接子节点
//从当前节点选取子孙节点
.选取当前节点
…选取当前节点的父节点
@选取属性

2.谓语

Xpath中的谓语用来查找某个特定的节点或包含某个指定的值的节点，谓语被嵌在路径后的方括号中，如下。

表达式说明
/html/body/div[1]选取属于body子节点下的第一个div节点
/html/body/div[last()]选取属于body子节点下的最后一个div节点
/html/body/div[last()-1]选取属于body子节点下的倒数第二个div节点
/html/body/div[positon()❤️]选取属于body子节点下的下前两个div节点
/html/body/div[@id]选取属于body子节点下的带有id属性的div节点
/html/body/div[@id=“content”]选取属于body子节点下的id属性值为content的div节点
/html/body/div[xx>10.00]选取属于body子节点下的xx元素值大于10的节点

3. 功能函数

Xpath中还提供部分功能函数进行模糊搜索，有时对象仅掌握了其部分特征，当需要模糊搜索该类对象时，可使用功能函数来实现，具体函数如下。

功能函数示例说明
starts-with//div[starts-with(@id,”co”)]选取id值以co开头的div节点
contains//div[contains(@id,”co”)]选取id值包含co的div节点
and//div[contains(@id,”co”)andcontains(@id,”en”)]选取id值包含co和en的div节点
text()//li[contains(text(),”first”)]选取节点文本包含first的div节点

4.谷歌开发者工具使用

谷歌开发者工具提供非常便捷的复制xpath路径的方法
在这里插入图片描述
eg：爬取知乎热榜完整代码
试了一下爬取知乎热榜，需要登录所以可以自己登陆然后获取cookie

python">import requests
from lxml import etree
url = "https://www.zhihu.com/hot"
hd = { 'Cookie':'你的Cookie', #'Host':'www.zhihu.com',
        'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36'}

response = requests.get(url, headers=hd)
html_str = response.content.decode()
html = etree.HTML(html_str)
title = html.xpath("//section[@class='HotItem']/div[@class='HotItem-content']/a/@title")
href = html.xpath("//section[@class='HotItem']/div[@class='HotItem-content']/a/@href")
f = open("zhihu.txt",'r+')
for i in range(1,41):
    print(i,'.'+title[i])
    print('链接：'+href[i])
    print('-'*50)
    f.write(str(i)+'.'+title[i]+'\n')
    f.write('链接：'+href[i]+'\n')
    f.write('-'*50+'\n')
f.close()

爬取结果
在这里插入图片描述

六、数据存储

1.以json格式存储

python">import requests
from lxml import etree
import json
#上面代码略
with open('zhihu.json','w') as j:
    json.dump({'title':title,'hrefL':href},j,ensure_ascii=False)

存储结果（ps:经过文件格式化处理）
在这里插入图片描述


http://www.niftyadmin.cn/n/826486.html

相关文章

操作系统编程实验——创建进程

操作系统编程实验——创建进程

一、实验目的 熟悉操作系统程序接口的使用。 要装好虚拟机哦&#xff0c;这里用的是deepin 二、实验内容 编写一段程序&#xff0c;使用系统调用fork( )创建两个子进程。当此程序运行时&#xff0c;在系统中有一个父进程和两个子进程活动。让每一个进程在屏幕上显示一个字符…
阅读更多...
java 模仿支付成功_「原创」浅谈java事务及隔离级别

java 模仿支付成功_「原创」浅谈java事务及隔离级别

目录一&#xff1a;事务的定义及作用二&#xff1a;事务的四个特性(ACID)三&#xff1a;JDBC事务四&#xff1a;隔离级别五、总结一&#xff1a;事务的定义及作用事务(Transaction)&#xff0c;一般是指要做的或所做的事情。在计算机术语中是指访问并可能更新数据库中各种数据项…
阅读更多...
4k视频写入速度要求_关于4K对齐

4k视频写入速度要求_关于4K对齐

关于4K对齐4K对齐是指按照4K扇区的定义格式化硬盘。然后根据4K扇区规则将数据写入该磁盘。因此&#xff0c;如果存在4K对齐&#xff0c;也将存在4K对齐错误。4K是未对齐的&#xff0c;因为在以前的NTFS6.x规范中&#xff0c;该点(写入数据的点)实际上位于两个4K扇区之间-即使写…
阅读更多...
操作系统实验——动态分区分配方式的模拟

操作系统实验——动态分区分配方式的模拟

目录一、实验目的二、实验要求三、实验内容1、数据结构2、初始化3、主程序四、实验结果五、完整代码慕课指路&#xff1a;操作系统原理 超有意思一定要动手敲下试试的动态分区分配方式【滑稽】 代码思路来源学校的慕课给出的代码&#xff0c;自己敲了一遍进行了亿点点改动 不过…
阅读更多...
excel平均值公式_excel竟能预测未来？3分钟教你看懂数据未来走势

excel平均值公式_excel竟能预测未来？3分钟教你看懂数据未来走势

大家好&#xff01;对于exceler而言&#xff0c;预测数据走势&#xff0c;如销量趋势预测、股指走势预测等是日常处理、分析数据工作中的一部分。面对这类问题&#xff0c;我们可以使用Excel图表中的趋势线对数据未来走势进行预测&#xff0c;帮助我们更加直观地了解数据变化的…
阅读更多...
lvds接口屏线安装图解_磁翻板液位控制安装方式

lvds接口屏线安装图解_磁翻板液位控制安装方式

一、工作原理磁性远传变送器是由液位传感器和转换模块组成的一体化液位变送器。液位传感器是由一组安装在不锈钢管内的干簧管—电阻链构成&#xff0c;与磁翻板液位计或磁性浮球处于同一磁耦合系统中&#xff0c;当磁性浮子随液位上下移动时&#xff0c;对应液位值的干簧管&…
阅读更多...
cad调了比例因子没反应_天正CAD标注比例大小调整方法

cad调了比例因子没反应_天正CAD标注比例大小调整方法

天正CAD绘图的时候&#xff0c;经常会因为标注的比例不对会感觉整个图标注的不协调&#xff0c;那么怎么调节标注的比例呢&#xff1f;但是一般情况下天正里面的比例不会都有&#xff0c;那么怎么自定义标注比例呢&#xff1f;一般改变比例标注方法1.比如小编标注如图所示&…
阅读更多...
a5松下驱动器参数设置表_SVM伺服驱动器异步主轴电机双闭环调试步骤

a5松下驱动器参数设置表_SVM伺服驱动器异步主轴电机双闭环调试步骤

一、双闭环接线图注&#xff1a;本图电机PG以旋转变压器为例&#xff0c;此外还支持增量、正余弦、绝对值编码器。外置主轴编码器接驱动器本地控制端子的5C,com&#xff0c;A&#xff0c;A-,B,B-&#xff0c;主轴编码器的Z和Z-信号接在扩展PG2插头的RZ和RZ-上。增量式PG卡(EC-P…
阅读更多...
最新文章

Copyright @ 2022~2023