Python 【爬虫】

爬虫的工作原理

首先，爬虫可以模拟浏览器去向服务器发出请求；

其次，等服务器响应后，爬虫程序还可以代替浏览器帮我们解析数据；

接着，爬虫可以根据我们设定的规则批量提取相关数据，而不需要我们去手动提取；

最后，爬虫可以批量地把数据存储到本地

 

爬虫的步骤

 

 

 

第0步：获取数据。爬虫程序会根据我们提供的网址，向服务器发起请求，然后返回数据。

第1步：解析数据。爬虫程序会把服务器返回的数据解析成我们能读懂的格式。

第2步：提取数据。爬虫程序再从中提取出我们需要的数据。

第3步：储存数据。爬虫程序把这些有用的数据保存起来，便于你日后的使用和分析。

 

 

#######################################################################

mac pip3 install requests

win pip install requests

requests库可以帮我们下载网页源代码、文本、图片，甚至是音频

 

import requests

#引入requests库

res = requests.get('url')

#requests.get是在调用requests库中的get()方法，它向服务器发送了一个请求，括号里的参数是你需要的数据所在的网址，然后服务器对请求作出了响应。

#我们把这个响应返回的结果赋值在变量res上。

##############################################################

response对象的常用属性

 

 

response.status_code

print(变量.status_code)

用来检查请求是否正确响应，如果响应状态码为200，即代表请求成功

 

response.content

把response对象的内容以二进制数据的形式返回，适用于图片、音频、视频的下载

 

import requests

res = requests.get('https://res.pandateacher.com/2018-12-18-10-43-07.png')

#发出请求，并把返回的结果放在变量res中

pic=res.content

#把reponse对象的内容以二进制数据的形式返回

photo = open('ppt.jpg','wb')

#新建了一个文件ppt.jpg，这里的文件没加路径，它会被保存在程序运行的当前目录下。

#图片内容需要以二进制wb读写。你在学习open()函数时接触过它。

photo.write(pic)

#获取pic的二进制内容

photo.close()

#关闭文件

 

 

response.text

把response对象的内容以字符串的形式返回，适用于文字、网页源代码的下载

import requests

#引用requests库

res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/sanguo.md')

#下载《三国演义》第一回，我们得到一个对象，它被命名为res

novel=res.text

#把response对象的内容以字符串的形式返回

print(novel[:800])

#现在，可以打印小说了，但考虑到整章太长，只输出800字看看就好。在关于列表的知识那里，你学过[:800]的用法。

k = open('《三国演义》.txt', 'a+')

k.write(novel)

k.close()

 

 

response.encoding

#语法：res.encoding=''

import requests

#引用requests库

res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/sanguo.md')

#下载《三国演义》第一回，我们得到一个对象，它被命名为res

res.encoding='utf-8'

#定义reponse对象的编码为utf-8。

novel=res.text

#把response对象的内容以字符串的形式返回

print(novel[:800])

#打印小说的前800个字。

 

 

定义response对象的编码

遇上文本的乱码问题，才考虑用res.encoding

目标数据本身是什么编码是未知的。

用requests.get()发送请求后，我们会取得一个response对象，其中，requests库会对数据的编码类型做出自己的判断。

但是！这个判断有可能准确，也可能不准确。

 

如果它判断准确的话，我们打印出来的response.text的内容就是正常的、没有乱码的，那就用不到res.encoding；

如果判断不准确，就会出现一堆乱码，那我们就可以去查看目标数据的编码，然后再用res.encoding把编码定义成和目标数据一致的类型即可。

 

 

 ####################################################################

robots协议

“网络爬虫排除标准”（robots exclusion protocol），这个协议用来告诉爬虫，哪些页面是可以抓取的，哪些不可以。

 

#查看robots协议 网站的域名后加上/robots.txt

 

user-agent:  baiduspider #百度爬虫

allow:  /article #允许访问 /article.htm

allow:  /oshtml #允许访问 /oshtml.htm

allow:  /ershou #允许访问 /ershou.htm

allow: /$ #允许访问根目录，即淘宝主页

disallow:  /product/ #禁止访问/product/

disallow:  / #禁止访问除 allow 规定页面之外的其他所有页面

​

user-agent:  googlebot #谷歌爬虫

allow:  /article

allow:  /oshtml

allow:  /product #允许访问/product/

allow:  /spu

allow:  /dianpu

allow:  /oversea

allow:  /list

allow:  /ershou

allow: /$

disallow:  / #禁止访问除 allow 规定页面之外的其他所有页面

​

…… # 文件太长，省略了对其它爬虫的规定，想看全文的话，点击上面的链接

​

user-agent:  * #其他爬虫

disallow:  / #禁止访问所有页面

 

爬取时，先看看网站的robots协议是否允许你去爬取

限制好爬虫的速度