百木园-与人分享,
就是让自己快乐。

python 爬虫详细步骤

一、爬虫的步骤

1、 需求分析(人做)

2、寻找网站(人)
3、下载网站的返回内容(requests)
4、通过返回的信息找到需要爬取的数据内容(正则表达式-re,xpath-lxml)
5、存储找到的数据内容(mysql)

 

二、requests

import requests
url = \'http://www.baidu.com/\'
response = requests.get(url)
print(response)

返回当前url的html信息,(其他url还可能获取图片等)
Response[200],Response是一个类,这个类重写了__str__方法()
返回值,如果一个url能正常返回html内容,返回值就是200

处理乱码的方式
1.查看编码方式:右键检查—>找到head—>charset就是编码方式
2.通过response指定编码方式

response.encoding = \'utf-8\'
print(response.text)
print(\'=\' * 30)
print(response.content)

三、http协议

1.协议:即双方遵守的语言,相当于语言,相同的语言能够相互理解

2.HTTP协议

方法:GET POST

GET:通过URLl获取网站的信息,不改变网站的状态(不改变服务器的任何内容)

POST:通过URL向网站传输信息,改变网站的状态(POST比GET多from/body信息)

import requests

form = {
    \'kw\':\'\'
}
url = \'https://fanyi.baidu.com/sug\'
response = requests.post(url, data = form)
print(response.text)

HEAD:跟GET类似,但只有head信息s
OPTIONS:PUT通常指定了资源的存放位置
PUT:跟POST类似,但通常指定了资源的存放位置
DELET:删除某个资源

3.HTTP协议的传输

Request —URL + request headers(请求头信息)
Response —HTML ++ responce headers(返回头信息)

General
Request URL: https://www.baidu.com/
Request Method: GET requests的获取方法
Status Code: 200 OK 返回值
Remote Address: 14.215.177.39:443 服务器名称
Referrer Policy: no-referrer-when-downgrade

4.请求头信息中重要的三个信息

a)User-Agent —身份是什么
b)Referer —跳转网页是什么(即现在的网页是从哪个网页来的)
c)cookie —本地存储信息的—与服务器的session一 一对应
添加的顺序:a—>b—>c如果能够获取,不再添加
如果加上都不行,把headers全部复制下来

import requests

url = \'https://www.xicidaili.com/nn/\'

添加请求头信息,字典的方式写入

headers = {
    \'User-Agent\':\'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36\'
}
response = requests.get(url, headers = headers)

with open(\'xicidaili.txt\', \'wb\') as f:
    f.write(response.content)

 

5.url的组成

1.协议部分,常见的有\"http:\", “ftp:”
2.域名部分,如\"www.baidu.com\",也可以用IP地址代替
3.端口部分,跟在域名后面的是端口,域名和端口用\":“作为分隔符,端口不是必须的,如果省略端口,采用默认端口,常见的端口\"8080”
4.虚拟目录部分:从域名(端口)后面第一个“\\”到最后一个“\\”为止,是虚拟目录部分
5.文件名部分:从最后一个\"“到”?“为止,或者从最后一个”“到”#“为止,或者从最后一个”“到最后
6.参数部分:从”?“开始到”#“为止之间的部分为参数部分,也叫搜索部分,查询部分。参数与参数之间用”&“作为分位符
7.锚部分:从”#\"开始到最后,都是锚部分,他的作用是跳转到本页面的子目录下,不加载新的页面

6.Ajax:异步加载,即url不变,经行操作后页面发生变化,去看network里的XHR

7.json

import requests
import json

form = {
    \'kw\':\'\'
}
url = \'https://fanyi.baidu.com/sug\'
response = requests.post(url, data = form)

# json是一个包,函数loads的作用是输入一个字符串,输出这个json字符串的python类型数据

json_dict = json.loads(response.text)
print(response.text)
print(\"=\" * 30)
print(json_dict)
translated = json_dict[\'data\'][0][\'v\']
print(\"翻译后的内容是:\", translated)

8.去重

 

1、set的实现方式
通过hash函数和hash表实现的,(分而治之的思想)如10000 % 20把这些数分为20类
2、位图
比如存100000个不重复的数字,0-1000000之间,int形,一个int要占32bit,位图即给10000位,数字0存在写入1,不存在写入0,以此类推
3、布隆过滤器
对于很多url,用hash函数对每个URL分组,对应一个数字,再根据这些数字做位图

 



来源:https://www.cnblogs.com/liuyebai/p/16857929.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » python 爬虫详细步骤

相关推荐

  • 暂无文章