目录

　　

　　

　　

　　

　　

一、爬虫的步骤

　　1.发起请求，模拟浏览器发送一个http请求

　　2.获取响应的内容

　　3.解析内容（解析出对自己有用的部分）

　　　　a.正则表达式

　　　　b.BeautifulSoup模块

　　　　c.pyquery模块

　　　　d.selenium模块

　　4.保存数据

　　　　a.文本文件(txt,csv等)

　　　　b.数据库(mysql)

　　　　c.redis,mongdb（最长使用）

二、使用Jupyter

　　2.1.使用理由：Jupyter可以一次执行，讲结果保存到内存里，供后面python语句多次使用，避免每次调试程序，都要重新请求网页，频繁爬取某个网页，容易导致该网站封IP

　　2.2.使用步骤：

　　　　a.安装：pip install jupyter (前提是已经安装了python3)

　　　　b.运行：jupyter  notebook，浏览器自动弹出使用界面

　　　　c.右侧New-->python3，新建一个python程序

　　2.3.快捷键

　　　　shift + enter键  ：选定行执行，执行结果保留到内存

三、爬虫请求模块之urllib

　　3.1 urllib介绍

Python标准库中提供了:urllib等模块以供Http请求，但是它的API能力不佳，需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务，不推荐使用，此处只是了解一下

　　3.2 简单使用

#方式一：import urllib.requestf = urllib.request.urlopen('http://www.baidu.com')result = f.read().decode('utf-8')print(result)#方式二：import urllib.requestreq = urllib.request.Request('http://www.baidu.com')response = urllib.urlopen(req)result = response.read().decode('utf-8')print(result) ps：硬要使用urllib模块，推荐使用方式二，因为req是一个Request对象，在这个对象里，可以定义请求的头部信息，这样可以把自己包装成像个浏览器发起的请求，如下面的一个例子

　　3.3自定义请求头信息

import urllib.requestreq = urllib.request.Request('http://www.example.com')#自定义头部，第一个参数为关键字参数key，第二个参数为内容req.add_header("User-Agent","Mozilla/5.0(X11;Ubuntu;Linux x86_64;rv:39.0) Gecko/20100101 Firefox/39.0") f = urllib.request.urlopen(req)result = f.read().decode('utf-8')#有一个模块fake_useragent可以随机产生User-Agent信息，对于网站的反爬虫机制有一定的欺骗作用

　　3.4 fake_useragent使用

#1.安装pip install fake_useragent#2.基本使用from fake_useragent import UserAgentua = UserAgent()print(ua.chrome)   #产生一个谷歌的内核字段#常用属性ua.chrome      #产生一个谷歌的内核字段ua.ie              #随机产生ie内核字段ua.firefox       #随机产生火狐内核字段ua.random    #随机产生不同浏览器的内核字段

四、爬虫请求模块之requests

　　4.1 requests模块介绍

Requests是使用Apache2 Licensed许可证的，基于Python开发的HTTP库，其在Python内置模块的基础上进行了高度的封装，从而使得进行网络请求时，变得美好了许多，而且使用Requests可以轻而易举的完成浏览器可以做到的任何操作

　　4.2 requests安装

pip3 install requests

　　4.3 简单使用

import requestsr = requests.get('http://www.example.com')print(type(r))print (r.status_code)   #服务器返回的状态码print (r.encoding)       #网站使用的编码print (r.text)              #返回的内容，字符串类型

　　4.4 get请求

#1.无参数实例import requestsres = requests.get('http://www.example.com')print (res.url)    #打印请求的urlprint (res.text)    #打印服务器返回的内容#2.有参数实例import requestspayload = {
   'k1':'v1','k2':'v2'}res = requests.get('http://httpbin.org/get'，params=payload)print (res.url)print (res.text)#3.解析jsonimport requestsimport jsonresponse = rquests.get('http://httpbin.org/get')print (type(response.text))    #返回结果是字符串类型pirnt (response.json())          #字符串转成json格式print (json.loads(response.text))  #字符串转成json格式print (type(response.json()))    #json类型#4.添加headersimport requestsfrom fake_useragent import UserAgentua = UserAgent()#自定义请求头部信息headers= {    'User-Agent':ua.chrome}response = requests.get('http://www.zhihui.com',headers = headers)print (response.text)

 　　4.5 post请求

#1.基本POST实例import requests#当headers为application/content的时候，请求实例如下：payload = {
   'k1':'v1','k2':'v2'}res = requests.post('http://httpbin.org/post',data = payload)print (res.text)print (type(res.headers),res.headers)print (type(res.cookies),res.cookies)print (type(res.url),res.url)print (type(res.history),res.history)#2.发送请求头和数据实例import jsonimport requestsurl = 'http://httpbin.org/post'payload = {
   'some':'data'}headers = {
   'content-type':'application/json'}#当headers为application/json的时候,请求实例如下：res = requests.post(url,data=json.dumps(payload), headers = headers)print (res.text)

　　4.6关于get与post请求的差别

get请求方法参数只有params，而没有data参数，而post请求中两者都是有的

　　4.7 http返回代码

1 100：continue 2 101 : switching_protocols 3 102 : processing 4 103 : checkpoint 5 122 : uri_too_long , request_uri_too_long 6  7 200 : ok ， okay, all_ok all_okay , all_good, \\o/ , '√' 8 201 : created 9 202 ： accepted10 203 : non_authoritative_info , non_authoritative_information11 204 : no_content12 205 : rest_content , reset13 206 : partial_content, partial14 207 :multi_status , multiple_status multi_stati multiple_stati15 208 : already_reported16 226 : im_used17 18 #Redirection19 300 :multipel_choices20 301 : moved_permanently , moved , \\o-21 302 : found22 303 : see_other , other23 304 : not_modified24 305 : use_proxy25 306 : switch_proxy26 307 : remporay_redirect , temporary_moved , temporary27 308 : permanent_redirect , resume_incomplete , resume  #These 2 to be removed in 3.028 29 #client Error30 400 :bad_request , bad31 401 : unauthorized32 402 : payment_required payment33 403 : forbiden34 404 : not_found , -o-35 405 : method_not_allowed not_allowed36 406 : not_acceptable37 407 : proxy_authentication_required , proxy_auth , proxy_authentication38 408 : request_timeout  , timeout39 409 : conflict 40 410 :gone41 411 :length_required42 412 : precondition_failed , precondition43 413 : request_entity_too_large44 414 : requests_uri_too_large45 415 : unsupported_media_type, unsupported_media , media_type46 416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),47 417: ('expectation_failed',),48 418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),49 421: ('misdirected_request',),50 422: ('unprocessable_entity', 'unprocessable'),51 423: ('locked',),52 424: ('failed_dependency', 'dependency'),53 425: ('unordered_collection', 'unordered'),54 426: ('upgrade_required', 'upgrade'),55 428: ('precondition_required', 'precondition'),56 429: ('too_many_requests', 'too_many'),57 431: ('header_fields_too_large', 'fields_too_large'),58 444: ('no_response', 'none'),59 449: ('retry_with', 'retry'),60 450: ('blocked_by_windows_parental_controls', 'parental_controls'),61 451: ('unavailable_for_legal_reasons', 'legal_reasons'),62 499: ('client_closed_request',),63 # Server Error.64 500: ('internal_server_error', 'server_error', '/o\\', '✗'),65 501: ('not_implemented',),66 502: ('bad_gateway',),67 503: ('service_unavailable', 'unavailable'),68 504: ('gateway_timeout',),69 505: ('http_version_not_supported', 'http_version'),70 506: ('variant_also_negotiates',),71 507: ('insufficient_storage',),72 509: ('bandwidth_limit_exceeded', 'bandwidth'),73 510: ('not_extended',),74 511: ('network_authentication_required', 'network_auth', 'network_authentication')

 　　4.8 获得cookies

#会话登录import requestss = requests.Session()s.get('http://www.httpbin.org/cookies/set/123456789') #设置cookiesres = s.get('http://www.httpbin.org/cookies')  #获得cookiesprint (res.text)   #打印cookies此httpbin.org是通过以上方式来设置cookies#获得cookieimport requestsresponse = requests.get('http://www.baidu.com')#print ('response.cookies')for key,value in reponse.cookies.items():    print (key + '=' + value)         #组合key = value

　　4.7 SSL设置

#ssl设置import requestsfrom requests.packages import urllib3urllib3.disable_warnings()res = requests.get('http://www.12306.cn',verify = False)print (res.status_code)#证书认证import requestsres = requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key'))print (res.status_code)

　　4.8 代理设置

import requestsproxies = {    "http":"http://127.0.0.1:9746",    "https":"https://127.0.0.1:9924"}res = requests.get("http://www.taobao.com",proxies = procies)print (res.status_code)#有密码的代理import requestsproxies = {    "https":"https://user:password@127.0.0.1:9924"}res = requests.get("http://www.taobao.com",proxies = procies)print (res.status_code)

　　4.9 超时时间设置与异常处理

import requestsfrom requests.exceptions import ReadTimeouttry:    res = requests.get('http://httpbin.org/get',timeout=0.5)except ReadTimeout:    print ('Timeout')

　　4.10 案例：检测QQ是否在线

import urllibimport requestsfrom xml.etree import ElementTree as ET#使用内置模块urllib发送http请求r = urllib.request.urlopen('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')result = r.read().decode('utf-8')#使用第三方模块requests发送http请求r = requetsts.get('http://www.webxml.com.cn/webservices/qqOnlineWebService.asmx/qqCheckOnline?qqCode=3455306**')result = r.text#解析XML格式内容node = ET.XML(result)#获取内容if node.text =='Y':    print ('在线')else:    print ('离线')

 

五、爬虫分析之re模块

　　5.1 关于re模块的使用方法

http://www.cnblogs.com/lisenlin/articles/8797892.html#1

　　5.2 爬虫简单案例

import requestsimport refrom fake_useragent import UserAgentdef get_page(url):    ua = UserAgent()    headers = {        'User-Agent':ua.chrome,    }    response = requests.get(url, headers = headers)    try:        if response.status_code == 200:            res = response.text            return res        return None    except Exception as e:        print(e)def get_movie(html):    partten = '
     
      
       (.*?)
       
.*?
       
        (.*?)
        
.*?
        
         (.*?)
         
'    items = re.findall(partten, html, re.S)    #print((items))    return items    def write_file(items):    fileMovie = open('movie.txt', 'w', encoding='utf8')    try:        for movie in items:            fileMovie.write('电影排名：' + movie[0] + '\r\n')            fileMovie.write('电影主演：' + movie[1].strip() + '\r\n')            fileMovie.write('上映时间：' + movie[2] + '\r\n\r\n')        print('文件写入成功...')    finally:        fileMovie.close()        def main(url):    html = get_page(url)    items = get_movie(html)    write_file(items)    if __name__ == '__main__':    url = "http://maoyan.com/board/4"    main(url)