爬虫 - Python技术站

一、爬虫介绍

1.名字解释

爬虫：spider，网络蜘蛛

2.本质原理

现在的所有软件原理：大部分都是基于http请求发送和获取请求
- pc端的网页
- 移动端的app
模拟发送http请求，从别人的服务端获取数据
怎么绕开反扒：不同程序的反扒措施不一样，比较复杂，具体情况具体分析

3.爬虫原理

发送http请求【requests,selenium】
》》》第三方服务端
》》》服务端响应的数据解析出想要的数据【selenium，b64】
》》》入库（文件、数据库、Excel、Redis、MongoDB等等）
scrapy：专业的爬虫框架

4.爬虫是否合法

爬虫其实算是擦边的行为，遵守规则的爬，不会违法。(在这里忠告各位玩家，一定要做遵纪守法的好公民，牢饭不香，缝纫机不好踩。)
那么爬虫的规则是什么呢？>>> 爬虫协议
爬虫协议：每个网站的根路径下都有robots.txt，这个文件规定了：该网站能爬的和不能爬的数据

5.百度其实就是个大爬虫

在百度的搜索框中输入搜索内容，回车后返回的数据，是百度数据库中的数据
而百度，其实在一刻不停的在互联网中爬取各个页面，链接地址>>>爬到的数据保存到自己的数据库
点击之后，跳转到真正的地址上去
核心：搜索，在海量数据中搜索出想要的数据
SEO：免费的搜索，排名靠前
- 也叫：搜索引擎优化、关键词自然排名。
- 通过对站内和站外的优化来提高搜索引擎对网站的友好度，并提高网站的排名
SEM：花钱买关键字
- 也叫：搜索引擎营销
- 除了对网站做优化以外，也可以用便捷的途径来更快的让客户找到你的网站，这种便捷的方式就是通过付费的手段。

二、requests模块发送get请求

1.requests模块

模拟发送http请求的模块
不仅爬虫用它，后期调用第三方接口，也会用到它
可以做长链接短链接的转换

2.下载requests模块

pip3 install requests
本质是封装了内置模块urlib3

import requests

res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005866.html')
print(res.text)  # 响应体中的文本内容
print(res.__dict__.keys())
'''
dict_keys([
    '_content', '_content_consumed', '_next', 'status_code', 
    'headers', 'raw', 'url', 'encoding','history', 
    'reason', 'cookies', 'elapsed', 
    'request', 'connection'
	])
'''

三、get请求携带参数

1.地址栏中拼接

res=requests.get('https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3')
print(res.text)

2.使用params参数携带

res = requests.get('https://www.baidu.com/s', params={
    'wd': '美女',
    'name': 'lqz'
})
print(res.text)

四、url编码和解码

‘美女’被编码后 >>> E7%BE%8E%E5%A5%B3

from urllib import parse

res = parse.quote('美女')
print(res)  # E7%BE%8E%E5%A5%B3
res = parse.unquote('%E7%BE%8E%E5%A5%B3')
print(res)  # 美女

五、携带请求头

1.前提

http请求，有请求头，有些网站就是通过请求头来做反扒

2.情况：爬取某个网站，不能正常返回 >>> 说明请求模拟的不像

User-Agent：
- 客户端类型：浏览器，手机端浏览器，爬虫类型，程序，scrapy。一般伪造成浏览器。
referer：上次访问的地址
- Referer：https://www.lagou.com/gongsi/
- 如果要登录，模拟向登录接口发送请求
  - 正常操作：必须在登录页面上才能干这事
  - 如果没有携带referer，网站就会认为你是恶意的，拒绝掉
- 图片防盗链
cookie：认证后的cookie，就相当于登录了

header

# header={
#     # 客户端类型
#     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'
# }
# res=requests.get('https://dig.chouti.com/',headers=header)
# print(res.text

六、携带cookie

# 4 请求中携带cookie#
## 方式一：直接带在请求头中
#模拟点赞
# data={
#     'linkId':'36996038'
# }
# header={
#     # 客户端类型
#     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
#     #携带cookie
#     'Cookie':'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiI3MzAyZDQ5Yy1mMmUwLTRkZGItOTZlZi1hZGFmZTkwMDBhMTEiLCJleHBpcmUiOiIxNjYxNjU0MjYwNDk4In0.4Y4LLlAEWzBuPRK2_z7mBqz4Tw5h1WeqibvkBG6GM3I; __snaker__id=ozS67xizRqJGq819; YD00000980905869%3AWM_TID=M%2BzgJgGYDW5FVFVAVQbFGXQ654xCRHj8; _9755xjdesxxd_=32; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1666756750,1669172745; gdxidpyhxdE=W7WrUDABQTf1nd8a6mtt5TQ1fz0brhRweB%5CEJfQeiU61%5C1WnXIUkZH%2FrE4GnKkGDX767Jhco%2B7xUMCiiSlj4h%2BRqcaNohAkeHsmj3GCp2%2Fcj4HmXsMVPPGClgf5AbhAiztHgnbAz1Xt%5CIW9DMZ6nLg9QSBQbbeJSBiUGK1RxzomMYSU5%3A1669174630494; YD00000980905869%3AWM_NI=OP403nvDkmWQPgvYedeJvYJTN18%2FWgzQ2wM3g3aA3Xov4UKwq1bx3njEg2pVCcbCfP9dl1RnAZm5b9KL2cYY9eA0DkeJo1zfCWViwVZUm303JyNdJVAEOJ1%2FH%2BJFZxYgMVI%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6ee92bb45a398f8d1b34ab5a88bb7c54e839b8aacc1528bb8ad89d45cb48ae1aac22af0fea7c3b92a8d90fcd1b266b69ca58ed65b94b9babae870a796babac9608eeff8d0d66dba8ffe98d039a5edafa2b254adaafcb6ca7db3efae99b266aa9ba9d3f35e81bdaea4e55cfbbca4d2d1668386a3d6e1338994fe84dc53fbbb8fd1c761a796a1d2f96e81899a8af65e9a8ba3d4b3398aa78285c95e839b81abb4258cf586a7d9749bb983b7cc37e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNjcxNzY1NzQ3NjczIn0.50e-ROweqV0uSd3-Og9L7eY5sAemPZOK_hRhmAzsQUk; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1669173865'
# }
# res=requests.post('https://dig.chouti.com/link/vote',data=data,headers=header)
# print(res.text)


## 方式二：通过cookie参数：因为cookie很特殊，一般都需要携带，模块把cookie单独抽取成一个参数，是字典类型，以后可以通过参数传入
data={
    'linkId':'36996038'
}
header={
    # 客户端类型
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}
res=requests.post('https://dig.chouti.com/link/vote',data=data,headers=header,cookies={'key':'value'})
print(res.text)

# 部署项目出现的可能的问题
	-路径问题：ngxin，uwsgi。。。
    -数据库用户名密码问题
    -前端发送ajax请求问题
    -浏览器中访问一下banner接口
    	-nginx 8080    
        -安全组 80  8080 3306
        -转到uwsgi的8888，视图类
        
    -虚拟环境真实环境都要装uwsgi
    -启动uwsgi是在虚拟环境中启动的

七、发送post请求

###6 发送post请求
# data = {
#     'username': '616564099@qq.com',
#     'password': 'lqz123',
#     'captcha': 'cccc',
#     'remember': 1,
#     'ref': 'http://www.aa7a.cn/',
#     'act': 'act_login'
# }
# res = requests.post('http://www.aa7a.cn/user.php', data=data)
# print(res.text)
# print(res.cookies)  # 响应头中得cookie，如果正常登录，这个cookie 就是登录后的cookie  RequestsCookieJar：当成字典
#
# # 访问首页，携带cookie，
# # res2 = requests.get('http://www.aa7a.cn/', cookies=res.cookies)
# res2 = requests.get('http://www.aa7a.cn/')
# print('616564099@qq.com' in res2.text)


## 6.2 post请求携带数据 data={} ,json={}   drf后端，打印 request.data
# data=字典是使用默认编码格式：urlencoded
# json=字典是使用json 编码格式
# res = requests.post('http://www.aa7a.cn/user.php', json={})


## 6.4 request.session的使用：当request使用，但是它能自动维护cookie
# session=requests.session()
# data = {
#     'username': '616564099@qq.com',
#     'password': 'lqz123',
#     'captcha': 'cccc',
#     'remember': 1,
#     'ref': 'http://www.aa7a.cn/',
#     'act': 'act_login'
# }
# res = session.post('http://www.aa7a.cn/user.php', data=data)
# res2 = session.get('http://www.aa7a.cn/')
# print('616564099@qq.com' in res2.text)

八、响应Response

# Response对象，有很多属性和方法
	-text
    -cookies

import requests

header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}
respone = requests.get('https://www.jianshu.com', params={'name': 'lqz', 'age': 19},headers=header)
# respone属性
print(respone.text)  # 响应体的文本内容
print(respone.content)  # 响应体的二进制内容
print(respone.status_code)  # 响应状态码
print(respone.headers)  # 响应头
print(respone.cookies)  # 响应cookie
print(respone.cookies.get_dict())  # cookieJar对象，获得到真正的字段
print(respone.cookies.items())  # 获得cookie的所有key和value值
print(respone.url)  # 请求地址
print(respone.history)  # 访问这个地址，可能会重定向，放了它冲定向的地址
print(respone.encoding)  # 页面编码

九、获取二进制数据

###8 获取二进制数据 ：图片，视频
#
# res = requests.get(
#     'https://upload.jianshu.io/admin_banners/web_images/5067/5c739c1fd87cbe1352a16f575d2df32a43bea438.jpg')
# with open('美女.jpg', 'wb') as f:
#     f.write(res.content)

# 一段一段写

res=requests.get('https://vd3.bdstatic.com/mda-mk21ctb1n2ke6m6m/sc/cae_h264/1635901956459502309/mda-mk21ctb1n2ke6m6m.mp4')
with open('美女.mp4', 'wb') as f:
    for line in res.iter_content():
        f.write(line)

十、解析json

# 前后分离后，后端给的数据，都是json格式，

# 解析json格式

res = requests.get(
    'https://api.map.baidu.com/place/v2/search?ak=6E823f587c95f0148c19993539b99295&region=%E4%B8%8A%E6%B5%B7&query=%E8%82%AF%E5%BE%B7%E5%9F%BA&output=json')
print(res.text)
print(type(res.text))
print(res.json()['results'][0]['name'])
print(type(res.json()))

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：爬虫 - Python技术站