python基礎(chǔ)之爬蟲入門
前言
python基礎(chǔ)爬蟲主要針對(duì)一些反爬機(jī)制較為簡單的網(wǎng)站，是對(duì)爬蟲整個(gè)過程的了解與爬蟲策略的熟練過程。
爬蟲分為四個(gè)步驟：請(qǐng)求，解析數(shù)據(jù)，提取數(shù)據(jù)，存儲(chǔ)數(shù)據(jù)。本文也會(huì)從這四個(gè)角度介紹基礎(chǔ)爬蟲的案例。
一、簡單靜態(tài)網(wǎng)頁的爬取
我們要爬取的是一個(gè)壁紙網(wǎng)站的所有壁紙
http://www.netbian.com/dongman/
1.1 選取爬蟲策略——縮略圖
首先打開開發(fā)者模式，觀察網(wǎng)頁結(jié)構(gòu)，找到每一張圖對(duì)應(yīng)的的圖片標(biāo)簽，可以發(fā)現(xiàn)我們只要獲取到標(biāo)黃的img標(biāo)簽并向它發(fā)送請(qǐng)求就可以得到壁紙的預(yù)覽圖了。
隨后注意到網(wǎng)站不止一頁，打開前3頁的網(wǎng)站觀察url有沒有規(guī)律
http://www.netbian.com/dongman/index.htm#第一頁 http://www.netbian.com/dongman/index_2.htm#第二頁 http://www.netbian.com/dongman/index_3.htm#第三頁
我們發(fā)現(xiàn)除了第一頁其他頁數(shù)的url都是有著固定規(guī)律的，所以先構(gòu)建一個(gè)含有所有頁數(shù)url的列表
url_start = 'http://www.netbian.com/dongman/'
url_list=['http://www.netbian.com/dongman/index.htm']
if not os.path.exists('./exercise'):
os.mkdir('./exercise')
for i in range(2,133):
url = url_start+'index_'+str(i)+'.htm'
url_list.append(url)
至此我們的基本爬蟲策略就確定了。
網(wǎng)頁請(qǐng)求
for url in url_list:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
response = requests.get(url=url,headers=headers).text
解析數(shù)據(jù)
在這里我們選用etree解析數(shù)據(jù)
tree = etree.HTML(response)
提取數(shù)據(jù)
在這里我們選用xpath提取數(shù)據(jù)
leaf = tree.xpath('//div[@class="list"]//ul/li/a/img/@src')
for l in leaf:
print(l)
h = requests.get(url=l, headers=headers).content
存儲(chǔ)數(shù)據(jù)
i = 'exercise/' + l.split('/')[-1]
with open(i, 'wb') as fp:
fp.write(h)
完整代碼
import requests
from lxml import etree
import os
url_start = 'http://www.netbian.com/dongman/'
url_list=['http://www.netbian.com/dongman/index.htm']
#http://www.netbian.com/dongman/index_2.htm
if not os.path.exists('./exercise'):
os.mkdir('./exercise')
for i in range(2,133):
url = url_start+'index_'+str(i)+'.htm'
url_list.append(url)
print(url_list)
for url in url_list:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
response = requests.get(url=url,headers=headers).text
tree = etree.HTML(response)
leaf = tree.xpath('//div[@class="list"]//ul/li/a/img/@src')
for l in leaf:
print(l)
h = requests.get(url=l, headers=headers).content
i = 'exercise/' + l.split('/')[-1]
with open(i, 'wb') as fp:
fp.write(h)
1.2 選取爬蟲策略——高清大圖
在剛剛的爬蟲中我們爬取到的只是壁紙的縮略圖，要想爬到高清版本，就需要我們更改策略。重新打開開發(fā)者工具進(jìn)行觀察，發(fā)現(xiàn)在原先爬取的img標(biāo)簽之上還有一個(gè)href標(biāo)簽，打開之后就會(huì)跳轉(zhuǎn)高清大圖。
那么此時(shí)我們的爬取策略就變成了提取這個(gè)href標(biāo)簽的內(nèi)容，向這個(gè)標(biāo)簽中的網(wǎng)站發(fā)送請(qǐng)求，隨后在該網(wǎng)站中找到img標(biāo)簽進(jìn)行再一次請(qǐng)求。
我們用到了正則表達(dá)式來提取href標(biāo)簽的內(nèi)容。正則表達(dá)式是比xpath語法更簡便的一種數(shù)據(jù)提取方法，具體有關(guān)語法可查看以下文檔
for url in url_list:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
response = requests.get(url=url,headers=headers).text
leaf = re.findall("desk/\d*.htm",response,re.S)
for l in leaf:
url = "http://www.netbian.com/"+str(l)
h = requests.get(url=url, headers=headers).text
leaf_ =re.findall('<div class="pic">.*?(http://img.netbian.com/file/\d*/\d*/\w*.jpg)',h,re.S)
這樣輸出的leaf_就是我們要找的高清大圖的img標(biāo)簽，此時(shí)我們只需要再次發(fā)送請(qǐng)求隨后再保存數(shù)據(jù)就可以了。
存儲(chǔ)數(shù)據(jù)
for l_ in leaf_:
print(l_)
h = requests.get(url=l_, headers=headers).content
i = 'exercise/' + l_.split('/')[-1]
with open(i, 'wb') as fp:
fp.write(h)
完整代碼
import requests
import os
import re
url_start = 'http://www.netbian.com/dongman/'
url_list=['http://www.netbian.com/dongman/index.htm']
if not os.path.exists('./exercise'):
os.mkdir('./exercise')
for i in range(2,133):
url = url_start+'index_'+str(i)+'.htm'
url_list.append(url)
print(url_list)
for url in url_list:
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
response = requests.get(url=url,headers=headers).text
leaf = re.findall("desk/\d*.htm",response,re.S)
for l in leaf:
url = "http://www.netbian.com/"+str(l)
h = requests.get(url=url, headers=headers).text
leaf_ =re.findall('<div class="pic">.*?(http://img.netbian.com/file/\d*/\d*/\w*.jpg)',h,re.S)
for l_ in leaf_:
print(l_)
h = requests.get(url=l_, headers=headers).content
i = 'exercise/' + l_.split('/')[-1]
with open(i, 'wb') as fp:
fp.write(h)
二、動(dòng)態(tài)加載網(wǎng)站的爬取
我們要爬取的是另一個(gè)壁紙網(wǎng)站的所有壁紙
https://sucai.gaoding.com/topic/9080?
2.1 選取爬蟲策略——selenium
首先打開開發(fā)者模式，觀察網(wǎng)頁結(jié)構(gòu)，此時(shí)我們會(huì)發(fā)現(xiàn)一頁上的所有壁紙并不是全部都加載出來了的，也就是說隨著我們下拉滾動(dòng)條，內(nèi)容會(huì)不斷實(shí)時(shí)加載出來，查看網(wǎng)頁元素時(shí)也能看到lazy-image這個(gè)代表動(dòng)態(tài)加載的標(biāo)簽。
由于是動(dòng)態(tài)加載，因此不能用之前的直接發(fā)送請(qǐng)求的辦法來爬取數(shù)據(jù)了，面對(duì)這種情況我們就需要模擬瀏覽器發(fā)送一個(gè)請(qǐng)求，并且下拉頁面，來實(shí)現(xiàn)爬取一個(gè)實(shí)時(shí)加載網(wǎng)頁的目的。
觀察完網(wǎng)頁結(jié)構(gòu)之后我們又來觀察頁數(shù)，這次就不多說了，想必大家也能發(fā)現(xiàn)規(guī)律
url_list=[]
for i in range(1,4):
url = 'https://sucai.gaoding.com/topic/9080?p={}'.format(i)
url_list.append(url)
網(wǎng)頁請(qǐng)求
在這里我們用到了selenium這個(gè)自動(dòng)化測試框架
for url in url_list:
driver = webdriver.Chrome()
driver.get(url)
driver.maximize_window()
time.sleep(2)
i=0
while i<10:#下拉滾動(dòng)條加載頁面
i+=1
driver.execute_script("window.scrollBy(0,500)")
driver.implicitly_wait(5)#顯式等待
解析提取數(shù)據(jù)
items = driver.find_elements_by_xpath("http://*[@class='gdd-lazy-image__img gdd-lazy-image__img--loaded']")
for item in items:
href = item.get_attribute('src')
print(href)
至于數(shù)據(jù)的存儲(chǔ)只需要再請(qǐng)求我們爬下來的href標(biāo)簽的網(wǎng)站就可以了。
完整代碼
from selenium import webdriver
import time
import os
if not os.path.exists('./exercise'):
os.mkdir('./exercise')
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.75 Safari/537.36'
}
url_list=[]
url_f_list=[]
for i in range(1,4):
url = 'https://sucai.gaoding.com/topic/9080?p={}'.format(i)
url_list.append(url)
for url in url_list:
driver = webdriver.Chrome()
driver.get(url)
driver.maximize_window()
time.sleep(2)
i=0
while i<10:
i+=1
driver.execute_script("window.scrollBy(0,500)")
driver.implicitly_wait(5)#顯式等待
items = driver.find_elements_by_xpath("http://*[@class='gdd-lazy-image__img gdd-lazy-image__img--loaded']")
for item in items:
href = item.get_attribute('src')
print(href)
2.2 選取爬蟲策略——api
眾所周知，api接口是個(gè)好東西，如果找到了它，我們就無需擔(dān)心動(dòng)態(tài)加載，請(qǐng)求api返回給我們的是json格式的字典，里面或許有我們需要的東西也說不定。那么我們重新打開開發(fā)者工具搜索一番吧！
從Element切換到Network我們可以發(fā)現(xiàn)這里多了好多奇怪的東西，但是打開preview好像沒有我們能用到的。
這個(gè)時(shí)候別灰心，切換下頁面，等第二頁加載出來的時(shí)候最后又多出來了一個(gè)xhr文件，點(diǎn)開preview我們驚喜的發(fā)現(xiàn)，這個(gè)里面有每一張圖id的信息！
搜尋一圈發(fā)現(xiàn)字典里有效的只有id這個(gè)值，那么id對(duì)于我們的圖片爬取有什么意義呢？通常情況下網(wǎng)址+id就可以定位到具體的圖片，于是我點(diǎn)進(jìn)去一張壁紙，驚喜的發(fā)現(xiàn)跟我想的一樣！
最后又到了我們老生常談的頁數(shù)環(huán)節(jié)，在看到這個(gè)api的request url之后大家有沒有觀察到它其中帶著page_num=2&page_size=100這兩個(gè)看著很像頁碼的參數(shù)呢？我們?cè)偻戮涂吹搅藚?shù)中也正好有這兩個(gè)值！也就是說我們只需要更改page_num=2就可以實(shí)現(xiàn)翻頁了！
url='https://api-sucai.gaoding.com/api/csc-api/topics/9080/modules/18928/templets?'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
params_list=[]
for i in range(1,4):
parms ={
'page_num': i,
'page_size': 100
}
params_list.append(parms)
解析提取數(shù)據(jù)
for param in params_list:
response = requests.get(url=url,params=param,headers=headers).json()
for i in range(100):
try:
dict =response[i]
id = dict['id']
url_f = 'https://sucai.gaoding.com/material/'+str(id)
url_f_list.append(url_f)
except:
pass
存儲(chǔ)數(shù)據(jù)
for l in url_f_list:
print(l)
h = requests.get(url=l, headers=headers).content
i = 'exercise/' + l.split('/')[-1]
with open(i, 'wb') as fp:
fp.write(h)
完整代碼
import os
import requests
if not os.path.exists('./exercise'):
os.mkdir('./exercise')
url='https://api-sucai.gaoding.com/api/csc-api/topics/9080/modules/18928/templets?'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
params_list=[]
url_f_list=[]
for i in range(1,4):
parms ={
'page_num': i,
'page_size': 100
}
params_list.append(parms)
for param in params_list:
response = requests.get(url=url,params=param,headers=headers).json()
for i in range(100):
try:
dict =response[i]
id = dict['id']
url_f = 'https://sucai.gaoding.com/material/'+str(id)
url_f_list.append(url_f)
except:
pass
for l in url_f_list:
print(l)
#h = requests.get(url=l, headers=headers).content
#i = 'exercise/' + l.split('/')[-1]
#with open(i, 'wb') as fp:
# fp.write(h)
三、selenium模擬登錄
我們要爬取的網(wǎng)站總是免不了登錄這一關(guān)鍵環(huán)節(jié)，因此模擬登錄也是一大爬蟲基礎(chǔ)。
我們要模擬登錄的網(wǎng)站如下
https://www.icourse163.org/course/BIT-268001
選取爬蟲策略
既然我們是用selenium模擬登陸，首先肯定要明確我們要模擬的具體內(nèi)容，歸納起來就是
點(diǎn)擊 登錄|注冊(cè)
點(diǎn)擊 其他登陸方式
點(diǎn)擊 手機(jī)號(hào)登錄
輸入賬號(hào)
輸入密碼
點(diǎn)擊 登錄
在明確該干些什么之后我們就打開開發(fā)者模式觀察一下這個(gè)登錄框吧。
不看不知道，一看嚇一跳，原來這里有一個(gè)iframe框架，這就意味著如果我們不做任何處理就查找元素的話可能會(huì)什么都查找不到。這就相當(dāng)于在王家找李家的東西一樣，我們首先需要切換到當(dāng)前iframe
driver.switch_to.frame(driver.find_element_by_xpath('//*[@id="j-ursContainer-1"]/iframe'))
經(jīng)過這一操作之后我們就可以正常按部就班的進(jìn)行模擬登陸了！
完整代碼
from selenium import webdriver
import time
url = 'https://www.icourse163.org/course/BIT-268001'
driver = webdriver.Chrome()
driver.get(url)
driver.maximize_window()
#time.sleep(2)
driver.find_element_by_xpath('//div[@class="unlogin"]/a').click()
driver.find_element_by_class_name('ux-login-set-scan-code_ft_back').click()
driver.find_element_by_xpath('//ul[@class="ux-tabs-underline_hd"]/li[2]').click()
driver.switch_to.frame(driver.find_element_by_xpath('//*[@id="j-ursContainer-1"]/iframe'))
driver.implicitly_wait(2)#給登錄框一些加載的時(shí)間
driver.find_element_by_css_selector('input[type="tel"]').send_keys('15201359153')
driver.find_element_by_css_selector('input[class="j-inputtext dlemail"]').send_keys('Asdasd123')
driver.implicitly_wait(2)#如果不等待的話可能密碼還沒輸入結(jié)束就點(diǎn)按登錄鍵了
driver.find_element_by_id('submitBtn').click()
到此這篇關(guān)于python基礎(chǔ)之爬蟲入門的文章就介紹到這了,更多相關(guān)python入門爬蟲內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
解決django model修改添加字段報(bào)錯(cuò)的問題
今天小編就為大家分享一篇解決django model修改添加字段報(bào)錯(cuò)的問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-11-11
解決python錯(cuò)誤提示:TypeError: expected string or&nb
這篇文章主要介紹了解決python錯(cuò)誤提示:TypeError: expected string or bytes-lik問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-01-01
這篇文章主要介紹了python的深淺拷貝以及fromkeys的用法，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-03-03
程序能一次寫完并正常運(yùn)行的概率很小,基本不超過1%,總會(huì)有各種各樣的bug需要修正,有的bug很簡單,看看錯(cuò)誤信息就知道,有的bug很復(fù)雜,因此,需要一整套調(diào)試程序的手段來修復(fù)bug,所以本文給大家介紹了Python代碼調(diào)試的方法集錦,需要的朋友可以參考下2025-03-03
詳解centos7+django+python3+mysql+阿里云部署項(xiàng)目全流程
這篇文章主要介紹了詳解centos7+django+python3+mysql+阿里云部署項(xiàng)目全流程，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-11-11
python實(shí)現(xiàn)圖片變亮或者變暗的方法
這篇文章主要介紹了python實(shí)現(xiàn)圖片變亮或者變暗的方法,涉及Python中Image模塊操作圖片的相關(guān)技巧,需要的朋友可以參考下2015-06-06
這篇文章主要為大家詳細(xì)介紹了python監(jiān)控進(jìn)程腳本，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-04-04
Python?PyCharm無法打開終端命令行最終解決方案(實(shí)測成功)
這篇文章主要介紹了在使用PyCharm?2024版本時(shí)遇到的無法打開終端的問題,文中提供了兩種解決方案,大家可以根據(jù)自己的需求選擇對(duì)應(yīng)的解決方法,需要的朋友可以參考下2024-12-12
這篇文章主要介紹了Python挑選文件夾里寬大于300圖片的方法,實(shí)例分析了Python中PIL庫的使用技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-03-03
使用Pytorch+PyG實(shí)現(xiàn)MLP的詳細(xì)過程
圖神經(jīng)網(wǎng)絡(luò)是最近 AI 領(lǐng)域最熱門的方向之一,下面這篇文章主要給大家介紹了關(guān)于使用Pytorch+PyG實(shí)現(xiàn)MLP的詳細(xì)過程,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2023-03-03