一、准备
1、数据库安装配置
(1)mongodb、redis、mysql
2、python多版本共存配置
(1)环境变量
- python 安装后,为了保证系统能够找到相应的命令,就是在命令行能够直接调用python 等命令,需要设置环境变量;
(2)多版本配置
- 多版本python 安装配置环境变量后,python 和 pip 等命令存在重名问题,直接调用和变量中的配置顺序有关,解决方法是,直接复制重命名,pip可能需要新建一个 py 文件;
3、爬虫常用库的安装
(1)安装命令:pip install requests;
(2)常用库
- 请求:urllib、re(内置)、requests
- 渲染:selenium(ChromeDriver)、phantomjs
- 解析:lxml、beautifulSoup、pyquery
- 存储:pymysql、pymongo
- 分布式:redis、flask
- 其他:django、jupyter
二、爬虫原理
1、流程
(1)发起请求
- 很多网站要求带 header,其中最主要的是 UA 和 cookie;
(2)接受响应
- 响应内容可能是 html、xml、json和二进制数据等;
(3)解析内容
- 通过正则、xpath、bs4、pyquery 等获取有效的数据;
(4)保存数据
- 文本可以直接保存文件,还可以存到数据库(关系和非关系),还可以存二进制文件;
三、urllib详解
1、综述
- 常用的有三个模块:request(发送请求)、error(错误处理)、parse(解析html)
2、请求-request
(1)request对象
- request.Request(url=url,data=data,headers=headers,method='POST')
- request.add_header('.....')
(2)代理:需要通过一个handler和openner来处理
3、响应-response
(1) 响应头和状态码
- reponse.status、response.getHeader
(2) 响应体
- response.read().decode('utf-8')
(3)cookie:需要通过一个handler和openner来处理
4、异常处理-error
(1)作用:保证程序的正常运行;
(2)常用的:URLerror--父类、HTTPerror
5、URL解析-parse
(1)url的组成:协议、域名、路径、参数、锚点(用于指定网络资源中的片断,以 # 为标志)
(2)常用方法:urlparse(分割)、urlunparse(组合)、urljoin(后面替换前面)、urlencode
(3)urlencode():将字典转化为 get 请求的参数
from urllib.parse import urlencode
base_url='https://www.baidu.com?'
dict1={
'name':'kaka',
'password':'ab123'
}
print (base_url+urlencode(dict1))
四、request库详解
1、GET请求
(1)带参数的get请求
import requests
dict2={
'name':'kaka',
'password':'ab123'
}
resp = requests.get('https://httpbin.org/get',params=dict2)
print (resp.text)
(2)json解析
import requests
import json
resp = requests.get('https://httpbin.org/get')
print (resp.json())
print(json.loads(resp.text))
(3)获取二进制数据
import requests
resp = requests.get('https://ss0.bdstatic.com/5aV1bjqh_Q23odCf/static/superman/img/logo/logo_white_fe6da1ec.png')
with open('e:\\1.png','wb') as f:
f.write(resp.content)
f.close()
(4)添加headers
- 某些网站需要验证请求头的信息
import requests
requests.get('.........',headers=headers)
2、POST请求
- 方法类似get请求的方法,请求体用一个字典封装(data)
requests.post('',data=data,headers=headers)
3、高级操作
(1)文件上传
import requests
file={
'12.png':open('e:\\1.png','rb')
}
resp=requests.post('https://httpbin.org/post',files=file)
print(resp.text)
(2)获取cookie
import requests
resp=requests.get('https://www.baidu.com')
for k,v in resp.cookies.items():
print('key='+k+' value='+v)
(3)登录状态保持
- response.cookies
import requests
se = requests.Session()
resp=se.get('https://httpbin.org/cookies/set/name/kaka')
resp2 = se.get('https://httpbin.org/cookies')
print(resp2.text)
(4)证书验证:get('.....',verify=false)
(5)代理设置:get('.....',proxys=proxys)
(6)超时设置:get('.....',timeout=1)
(7)认证设置:get('.....',auth=('kaka','123'))
(8)异常处理:保证程序的正常运行