Python爬虫基础 _曾佳豪
什么是爬虫？Python爬虫架构
爬虫 ：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。
Python 爬虫 架构 主要由 五个部分 组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。
- 调度器： 相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
- URL管理器： 包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
- 网页下载器： 通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
- 网页解析器： 将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
- 应用程序： 就是从网页中提取的有用数据组成的一个应用。
工作原理:
一、爬虫入门程序
import urllib.request import urllib.error
url = " http://www.baidu.com " # 访问网址 responsel = urllib.request.urlopen(url) # 获取并打印响应的状态码 print (responsel.getcode()) print (responsel.read())
二、爬虫程序添加data、header，然后post请求
1.添加data
import urllib from urllib import request # 定义参数（字典类型） value = { " username " : " 18173554582 " , " password " : " ********* " } # 参数编码 data = urllib.parse.urlencode(value).encode(encoding= ' UTF8 ' ) # 定义url url = " http://passport.csdn.net/login?code=applets " # 构造request req = request.Request(url,data) # 打开网页 response = request.urlopen(req) # 打印网页内容 print (response.read())
2.添加header
import urllib.request
url = " http://www.taobao.com " req = urllib.request.Request(url) # 添加请求头 req.add_header( " user-agent " , " Mozilla/5.0 " ) # 打开网址 response2 = urllib.request.urlopen(req) # 打印状态码 print (response2.getcode()) print (response2.read())
3.post请求
import requests # 导入网络请求模块requests import json # 导入json模块 # 字典类型的表单参数 data = { ' 1 ' : ' 能力是有限的，而努力是无限的。 ' , ' 2 ' : ' 星光不问赶路人，时光不负有心人。 ' } # 发送网络请求 response = requests.post( ' http://httpbin.org/post ' , data= data)
response_dict = json.loads(response.text) # 将响应数据转换为字典类型 print (response_dict) # 打印转换后的响应数据
三、爬虫程序添加cookie
from urllib import request from http import cookiejar # 定义cookie cookies = cookiejar.CookieJar() # 定义一个cookie处理器 hander = request.HTTPCookieProcessor(cookies) # 定义下载器cookie处理器作为参数传进去 openner = request.build_opener(hander) # 下载页面 response = openner.open( " https://baidu.com " ) for itrm in cookies: print ( " name: " + itrm.name) print ( " value: " +itrm.value+ " \n " )
四、正则表达式
1.基础语法
import re # 定义正则规则=模式，r表示‘原生字符’ # pattern1 = re.compile(r'hello') # 匹配字符，match函数会从第一个字符开始匹配 result1 = re.match(pattern1, " hello hello " ) if result1: print (result1) print (result1.group()) print (result1.span()) # -------点'.'表示任意字符（换行\n除外） pattern2 = re.compile(r ' ab.d ' )
result2 = re.match(pattern2, " abcd " ) print (result2)
2.re.match与re.search的区别：
re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。
3.正则表达式中特殊符号、字符串的含义：
