爬虫初体验

最新推荐文章于 2024-10-08 09:04:00 发布

Michelle0916

最新推荐文章于 2024-10-08 09:04:00 发布

阅读量1.6k

点赞数 17

文章标签：爬虫

本文链接：https://blog.youkuaiyun.com/Michelle0916/article/details/142431336

版权

网络爬虫

理论学习都是枯燥的，我们学习了初步的网络编程后，再来了解一下爬虫吧，网络爬虫可以极大增强趣味性。

什么是网络爬虫？

网络爬虫又称为网络机器人，按照我个人的理解，网络爬虫就是通过编程手段，实现自动化访问网页，提取网页中我们感兴趣的信息的一种程序。

为什么用Python写爬虫？

1.足够简单。Python作为一种脚本语言，语法简洁；
2.由于网站的网页可能会定期的更新发生结构性的变化，因此爬虫程序需要经常修改，Python灵活的语法能充分发挥优势；
3.Python爬虫相关库强大又使用简洁。

编写爬虫的基本步骤

1.明确目标
2.抓包分析(提取URL)
3.数据提取
4.数据持久化
5.数据分析

一些概念

什么是 URI、URL、URN？

URI (Uniform Resource Identifier) 统一资源标识符
URL (Uniform Resource Location) 统一资源定位符
URN (Uniform Resource Name) 统一资源名称
它们之间的关系如上图，大家主要关注的是URL，简单理解，URL就是网址。
第一个爬虫案例

爬虫需要实际演练，现在就让我们从一个最简单案例开始，我们爬一个妹子图网站，实现的功能就是使用Python代码全自动下载美女图片。

由于爬虫的实践性比较强，文末附本章录屏，请大家多多支持。

首先按照上述爬虫的编写步骤开始

 1. 明确目标
```
https://www.mzitu.com 就是我们选取的目标网站
```
2. 抓包分析

网络抓包有一些专业的工具，但对于我们网页爬虫来说，Chrome谷歌浏览器已经足够用了。

打开谷歌浏览器，按F12打开开发者模式，然后使用谷歌浏览器打开目标网站，选择Network选项卡

思路：
我们要使用Python脚本下载图片，首先要做的就是得到这些图片的URL链接，也就是网址，得到了图片网址后下载图片就是小意思了。

而我们使用谷歌浏览器开发者模式的目的，主要是两个

分析请求头，使用Python代码获取当前的网页的HTML源码
分析网页结构，寻找获取当前网页中图片地址的规律
先来实现第一个目标，获取网页源码

分析请求头
```
什么是请求头？
```
看到浏览器开发者模式的右边窗口，Request Headers下就是请求头的数据，它表示浏览器访问网站服务器时，携带的一些数据。我们爬虫的原理就是要伪装成浏览器去访问服务器，因此需要分析请求头，查看浏览器携带了什么特殊数据没有，浏览器携带了这些数据，我们爬虫也必须携带，否则不就露馅了吗，网站服务器很容易就发现我们不是浏览器在访问，它会拒绝为我们服务。

通常请求头中的user-agent字段是我们必须要关注的，它是表示当前浏览器内核信息的字段，简单说就是我们的浏览器是什么牌子的。关于请求头、字段这些都是HTTP协议中的内容，这里不深入讲解，要学会爬虫，必须学好HTTP协议，否则一切都是空中楼阁，这里推荐《图解HTTP》这本书，有趣又简单，在本公众号交流群中已上传该书电子版。

我们今天要做的案例，没有什么难度，请求头信息也没有什么特别之处，请求头的分析到此为止。

为了学习简单，我们先安装两个python中的爬虫神器———requests库和bs4库

打开命令行，输入以下指令安装
```
python -m pip install requests
python -m pip install Beautifulsoup4
```
编写以下代码
```
import requests


BASE_URL = "https://www.mzitu.com"

# 将之前分析得到的User-Agent信息复制出来，组装成一个如下字典
HEADERS = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0',
           "Referer": "https://www.mzitu.com"}
  
resp = requests.get(BASE_URL, headers=HEADERS)
print(resp.text)
```
运行代码，成功输出网页HTML源代码，则表示我们成功实现第一个目标，获取网页源码。

分析网页结构
鼠标右键选择网页中的一张图片，弹出菜单中选择【检查】

可以发现规律，所有图片都是HTML中的img标签，而图片的地址则是该标签中的data-original属性的值，换句话说，只要获取网页中的所有包含data-original属性的img标签，就能获取图片地址。

要完成这个目标，就涉及到解析HTML源码，而我们刚刚安装的Beautifulsoup4库就是用来解析HTML源码的。

3.数据提取

import requests
# 导入BeautifulSoup
from bs4 import BeautifulSoup

# 目标网址
BASE_URL = "https://www.mzitu.com"

# 将之前分析得到的User-Agent信息复制出来，组装成一个如下字典
HEADERS = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0',
           "Referer": "https://www.mzitu.com"}
  
resp = requests.get(BASE_URL, headers=HEADERS)

# 创建BeautifulSoup对象，第一个参数传入网页源码，第二个指定解析器名字
bs = BeautifulSoup(resp.text, "html.parser")

# 提取网页中所有的包含data-original属性的img标签
for src in bs.select("img[data-original]"):
    # 获取每个img标签的data-original属性值，这个值就是图片地址
    print(src.attrs.get("data-original"))

运行以上代码，成功获取当前网页的所有图片地址

下载图片

由于我们只是一个简单爬虫，就不需要数据持久化和数据分析了，下面说一说得到了图片地址，如何自动下载图片

下载实际上也是一种数据访问，仍然使用requests库就可以了

# 定义一个下载函数，参数就是图片的地址
def download(url):
    resp = requests.get(url, headers=HEADERS)
    # 文件操作第一个参数是文件名，第二个参数是模式，这里wb是二进制写模式
    with open(url.split("/")[-1], "wb") as file:
        # 我们下载网页时使用resp.text，因为网页源码是字符串
        # 图片则是二进制数据，所有使用resp.content，将该数据写入一个二进制文件即可
        file.write(resp.content)

完整代码如下：

import requests
# 导入BeautifulSoup
from bs4 import BeautifulSoup

# 目标网址
BASE_URL = "https://www.mzitu.com"

# 将之前分析得到的User-Agent信息复制出来，组装成一个如下字典
HEADERS = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0',
           "Referer": "https://www.mzitu.com"}
           
# 定义一个下载函数，参数就是图片的地址
def download(url):
    resp = requests.get(url, headers=HEADERS)
    
    # 文件操作第一个参数是文件名，第二个参数是模式，这里wb是二进制写模式
    with open(url.split("/")[-1], "wb") as file:
        # 我们下载网页时使用resp.text，因为网页源码是字符串
        # 图片则是二进制数据，所有使用resp.content，将该数据写入一个二进制文件即可
        file.write(resp.content)
  
resp = requests.get(BASE_URL, headers=HEADERS)

# 创建BeautifulSoup对象，第一个参数传入网页源码，第二个指定解析器名字
bs = BeautifulSoup(resp.text, "html.parser")

# 提取网页中所有的包含data-original属性的img标签
for src in bs.select("img[data-original]"):
    # 获取每个img标签的data-original属性值，这个值就是图片地址
    pic_url = src.attrs.get("data-original")
    print(pic_url)
    download(pic_url)

运行代码，即可在脚本的当前目录下载妹子图。大家可能发现，该脚本只能下载当前网页第一页的图片，不能自动翻页下，关于翻页下载，见视频内容，是可以轻松做到想下几页就下几页。

视频地址：
链接：https://pan.baidu.com/s/1zZd1B3flM7zGjuiRGdDbFg
提取码：qzyq

最终代码

import requests
# 导入BeautifulSoup
from bs4 import BeautifulSoup

# 目标网址
BASE_URL = "https://www.mzitu.com/page/%d/"


# 将之前分析得到的User-Agent信息复制出来，组装成一个如下字典
HEADERS = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0',
           "Referer": "https://www.mzitu.com"}
           
# 定义一个下载函数，参数就是图片的地址
def download(url):
    resp = requests.get(url, headers=HEADERS)
    
    # 文件操作第一个参数是文件名，第二个参数是模式，这里wb是二进制写模式
    with open(url.split("/")[-1], "wb") as file:
        # 我们下载网页时使用resp.text，因为网页源码是字符串
        # 图片则是二进制数据，所有使用resp.content，将该数据写入一个二进制文件即可
        file.write(resp.content)
 
# 提取每张妹子图的URL
def get_img_url(url):
    resp = requests.get(url, headers=HEADERS)
    img_src = []
    if resp.status_code == 200:
        bs = BeautifulSoup(resp.text, "lxml")
        for src in bs.select("img[data-original]"):
            img_src.append(src.attrs.get("data-original"))
    else:
        print(resp.status_code)
    return img_src
    
# 生成网页每一页的URL，并开始爬取,参数为指定爬取多少页
def start(page):
    for i in range(1, page+1):
        url = BASE_URL % (i)
        imgs = get_img_url(url)
        for pic_url in imgs:
            download(pic_url)

start(3)

爬虫初体验

网络爬虫

第一个爬虫案例

1. 明确目标

2. 抓包分析

下载图片