Python爬虫基础知识讲解

Python爬虫主要是为了方便学习新语言和学习资料的爬取

 

1 了解robots.txt

1.1 基础理解

robots.txt是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容，一般域名后加/robots.txt，就可以获取
当一个搜索机器人（有的叫搜索蜘蛛）访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，那么搜索机器人就沿着链接抓取
另外，robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。
robots.txt写作语法
首先，我们来看一个robots.txt范例：https://fanyi.youdao.com/robots.txt
访问以上具体地址，我们可以看到robots.txt的具体内容如下

User-agent: Mediapartners-Google
Disallow:

User-agent: *
Allow: /fufei
Allow: /rengong
Allow: /web2/index.html
Allow: /about.html
Allow: /fanyiapi
Allow: /openapi
Disallow: /app
Disallow: /?

以上文本表达的意思是允许所有的搜索机器人访问fanyi.youdao.com站点下的所有文件
具体语法分析：User-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人；Disallow:后面为不允许访问的文件目录

1.2 使用robots.txt

robots.txt自身是一个文本文件。它必须位于域名的根目录中并被命名为robots.txt。位于子目录中的 robots.txt 文件无效，因为漫游器只在域名的根目录中查找此文件。例如，http://www.example.com/robots.txt 是有效位置，http://www.example.com/mysite/robots.txt 则不是有效位置

2 Cookie

由于http/https协议特性是无状态特性，因此需要服务器在客户端写入cookie，可以让服务器知道此请求是在什么样的状态下发生

2.1 两种cookie处理方式

cookie简言之就是让服务器记录客户端的相关状态信息，有两种方式：

• 手动处理
  通过抓包工具获取cookie值，然后将该值封装到headers中

headers={
        'cookie':"...."
    }
在发起请求时把cookie封装进去

• 自动处理
  自动处理时，要明白cookie的值来自服务器端，在模拟登陆post后，服务器端创建并返回给客户端
  主要是通过session会话对象来操作cookie，session作用：可以进行请求的发送；如果请求过程中产生了cookie会自动被存储或携带在该session对象中
  创建session对象：session=requests.Session()，使用session对象进行模拟登陆post请求发送（cookie会被存储在session中）
  发送session请求：session.post()在发送时session对象对要请求的页面对应get请求进行发送（携带了cookie）

3 常用爬虫方法

用python爬取数据解析原理：

• 标签定位
• 提取标签、标签属性中存储的数据值

3.1 bs4

3.1.1 基础介绍

bs4进行网页数据解析
bs4解析原理：

• 通过实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中
• 通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取

环境安装：

pip install bs4
pip install lxml

3.1.2 bs4使用

3.1.2.1 获取解析对象

如何实例化BeautifulSoup对象：
导包from bs4 import BeautifulSoup
对象的实例化，有两种，本地和远程：

1. 将本地的html文档中的数据加载到该对象中

fp = open('./test.html','r',encoding='utf-8')
soup=BeautifulSoup(fp,'lxml') #指定lxml解析方式

2. 将互联网上获取的页面源码加载到该对象中

page_text = response.text
soup=BeautifulSoup(page_text,'lxml')

3.1.2.2 使用bs4解析

使用bs4提供的用于数据解析的方法和属性：

• soup.tagName：返回的是文档中第一次出现的tagName对应的标签，比如soup.a获取第一次出现的a标签信息

• soup.find()：
  在使用find('tagName')效果是等同于soup.tagName；
  进行属性定位，soup.find(‘div’,class_(或id或attr)='song')：示例就是定位带有class='song'的div标签，class_必须有下划线是为了规避python关键字
  还可以是其他比如：soup.find(‘div’,id='song')：定位id是song的div标签
  soup.find(‘div’,attr='song')：定位attr是song的div标签

• soup.find_all('tagName')：返回符合要求的所有标签（列表）

select用法：

• select('某种选择器（id,class,标签..选择器）')返回的是一个列表
• 层级选择器：参考jquyer层级选择器

获取标签之间文本数据
可以使用text或string或get_text()，主要区别：

• text或get_text()可以获取某一个标签中所有的文本内容
• string：只可以获取该标签下面直系的文本内容

获取标签中属性值：

• 使用python获取字典方法获取，比如：soup.a['href']就是获取<a>中的href值

3.1.2 使用例子

import os
import requests
from bs4 import BeautifulSoup


headers={
        'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"
    }
url="https://www.test.com/chaxun/zuozhe/77.html"


def getPoems():
    res= requests.get(url=url,headers=headers)
    res.encoding='UTF-8'
    page_text=res.text
    #在首页解析出章节
    soup = BeautifulSoup(page_text,'lxml')
    shici_list = soup.select(".shici_list_main > h3 > a")
    shici_name=[]
    for li in shici_list:
        data_url = "https://www.test.com"+li['href']
        # print(li.string+"======="+data_url)
        shici_name.append(li.string)
        detail_res = requests.get(url=data_url,headers=headers)
        detail_res.encoding='UTF-8'
        detail_page_text=detail_res.text
        detail_soup = BeautifulSoup(detail_page_text,'lxml')
        detail_content = detail_soup.find("div",class_="item_content").text
        # print(detail_content)
        with open("./shici.txt",'a+',encoding= 'utf8') as file:
            if shici_name.count(li.string)==1:
                file.write(li.string)
            file.write(detail_content+"\n")
            print(li.string+"下载完成!!!!")     
        

if __name__=="__main__":
    getPoems()

3.2 xpath

xpath解析：最常用且最便捷高效的一种解析方式

3.2.1 xpath基础介绍

xpath解析原理：

• 实例化一个etree的对象，且需要将被解析的页面源码数据加载到该对象中
• 调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获

环境安装：

pip install lxml

3.2.2 xpath使用

3.2.2.1 获取相关对象

先实例化一个etree对象，先导包：from lxml import etree

1. 将本地的html文档中的源码数据加载到etree对象中

tree=etree.parse(filepath)

2. 可以将从互联网上获取的源码数据加载到该对象中

page_text = response.text
tree=etree.HTML(page_text)

3.2.2.2 通过xpath解析

通过xpath表达式：tree.xpath(xpath表达式)：
xpath表达式：

• /：表示的是从根节点开始定位，表示的是一个层级
• //：表示的是多个层级，可以表示从任意位置开始定位
• 属性定位：tag[@attrName='attrValue']
  比如//div[@class='song']表示的是获取到任意位置class='song'的<div>标签
• 索引定位：//div[@class='song']/p[3]表示的是任意位置class='song'的<div>标签下面的第三个<p>标签，注意：索引定位是从1开始的
• 取文本：
  /text()：获取的是标签中直系文本内容
  //text()：标签中非直系的文本内容（所有的文本内容）
• 取属性：
  /@attrName：获取某个属性的值，比如：//img/@src获取任意的img标签的src值

3.2.3 使用例子

import requests
from lxml import etree
import re

headers={
        'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"
    }
url="https://www.test.com/chaxun/zuozhe/77.html"


def getPoemsByXpath():
    res= requests.get(url=url,headers=headers)
    res.encoding='UTF-8'
    page_text=res.text
    #在首页解析出章节
    tree = etree.HTML(page_text)
    shici_list = tree.xpath("//div[@class='shici_list_main']")
    shici_name_out=''
    for shici in shici_list:
        #此处使用相对路径
        shici_name=shici.xpath("h3/a/text()")[0]
        # print(shici_name)
        shici_text_list=shici.xpath("div//text()")
        # print(shici_text_list)
        
        with open("./shicibyxpath.txt",'a+',encoding= 'utf8') as file:
            if shici_name_out!=shici_name:
                file.write(shici_name+"\n")

            for text in shici_text_list:
                if "展开全文"==text or "收起"==text or re.match(r'^\s*$',text)!=None or re.match(r'^\n\s*$',text)!=None:
                    continue
                re_text=text.replace(' ','').replace('\n','')
                file.write(re_text+"\n")
        if shici_name_out!=shici_name:
            print(shici_name+"下载完成!!!!")        
        shici_name_out=shici_name
    
        

if __name__=="__main__":
    getPoemsByXpath()