Python
我们使用Python2.7进行开发,注意配置好环境变量。
IDE
我们使用Pycharm进行开发,它和大名鼎鼎的Android Studio、IDEA同出一门——Jet Brains。
关于破解,很无耻的贴两个:
用户名:yueting3527 注册码:===== LICENSE BEGIN =====93347-12042010 00001FMHemWIs"6wozMZnat3IgXKXJ 2!nV2I6kSO48hgGLa9JNgjQ5oKz1Us FFR8k"nGzJHzjQT6IBG!1fbQZn9!Vi===== LICENSE END =====
用户名:yueting3527 注册码:===== LICENSE BEGIN =====93347-12042010 00001FMHemWIs"6wozMZnat3IgXKXJ 2!nV2I6kSO48hgGLa9JNgjQ5oKz1Us FFR8k"nGzJHzjQT6IBG!1fbQZn9!Vi===== LICENSE END =====Requests模块
Requests模块是一个用于替代Python URLLib2的一个第三方网络请求库。
安装
- Windows:pip install requests
- Linux & Mac:sudo pip install requests
但由于有些比较奇怪的原因,导致这个下载过程异常艰辛,所以我们经常需要使用这样一个网站来帮助我们下载:
http://www.lfd.uci.edu/~gohlke/pythonlibs/
这里面镜像收集了几乎所有的Python第三方库,我们搜索Requests,点击下载。
下载完毕后,更改后缀名为zip。并将解压出的Requests文件夹放到Python的Lib文件夹下。
通过Requests获取网页源代码
无反爬虫机制
直接使用Requests库的get方法获取网页源代码:
import requests html = requests.get('http://www.hujiang.com/') print(html.text)
在终端中,我们就可以看见生成的网页源代码了。
有反爬虫机制
但是,很多网站并不会轻松的让爬虫获取到网页信息,这时候,我们就需要通过修改Http头信息的方式来获取。
例如我们使用同样的代码去爬我的博客 http://blog.csdn.net/eclipsexys 在终端中,我们可以看见这样一段话:
<html><head><title>403 Forbiddentitle>head><body bgcolor="white"><center><h1>403 Forbiddenh1>center><hr><center>nginxcenter>body>html>
403,这时候,我们就需要修改下爬虫代码。
首先,我们在页面上点击右键选择审查元素,找到Network,刷新下, 选择任意一个元素,找到最后的User—Agent:
User-Agent:Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.155 Safari/537.36
这就是我们的Http请求头。现在我们修改代码:
import requests head = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36'} html = requests.get('http://blog.csdn.net/eclipsexys', headers = head) print(html.text.encode('utf-8'))
添加请求头,并设置下编码格式为UTF-8。(Windows下默认为GBK,请先修改coding为UTF-8)
ps: 在Python文件中,如果我们要输入中文,需要指定下文件的字符集:
# coding=utf-8
具体见 https://www.python.org/dev/peps/pep-0263/
我们再运行,现在就可以正常获取源代码了。
Requests正则搜索
直接get出来的内容,都是网页的所有源代码,这肯定不是我们需要的,所以,我们可以通过正则表达式来提取我们所需要的内容。
例如,我们想提取网页中的所有超链接,OK,我们来看如何实现:
re模块
首先我们需要引入re模块,re模块是正则表达式的模块,使用与web端的正则一样:
import requests import re head = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36'} html = requests.get('http://www.hujiang.com/', headers=head) html.encoding = "utf-8"href = re.findall('(.*?)
',html_post.text,re.S)for each in title: print each
XPathXPath,就是XML路径语言,我们在寻找一个元素时,如果使用正则表达式,可以这么说,我要找一个长头发、180cm的女人。那么如果要用XPath来表达,就是XX公司XX部门的前台。
lxml
在Python中使用XPath,我们需要使用第三方模块lxml,安装如同Requests。
获取HTML的XPath路径
打开Chrome的审核元素,我们找到任何一个元素,点击右键,选择copy XPath即可。
当然,我们也可以手写,它的基本语法如下:
- //定位根节点
- /往下层寻找
- 提取文本内容:/text()
- 提取属性内容: /@xxxx
比如我们选择这个地址:http://www.imooc.com/course/list?c=android&page=2
打开审核元素:
这样我们就非常方便的获得了元素的XPath,同时,我们也可以根据规则来手动修改。
爬取内容
使用XPath基本是如下三个步骤:
- from lxml import etree
- Selector = etree.HTML(HTML Source)
- Selector.xpath(XPath)
我们同样以前面的网址为例,我们抓取所选的那门课程的标题:
# coding=utf-8import requestsfrom lxml import etree html = requests.get("http://www.imooc.com/course/list?c=android&page=2") html.encoding = 'utf-8'selector = etree.HTML(html.text) content = selector.xpath('//*[@id="main"]/div/div/div[3]/div[1]/ul/li[1]/a/h5/span/text()')for each in content: print each
这样我们就获取了对应的内容, 搜索方法,其实跟我们通过地址来定位是一样的,中国-上海-浦东新区(内容唯一时,前面可跳过)-张江高科-沪江网-徐宜生
那么如果我们需要爬取所有的课程信息要怎么办呢?我们可以看见生成的XPath中,有一个li[1],它对应的是我们源代码中的那个列表,我们选择1是因为选择具体的一项,如果我们去掉这个1,返回的就是一个列表,就是我们要的所有元素,这里就不详细演示了。
XPath高级使用技巧
相同字符串开头、但属性不同
例如:
<div id="test-1">需要的内容1div> <div id="test-2">需要的内容2div> <div id="test-3">需要的内容3div>
我们需要提前所有内容,但是他们的属性都不同,我们先看下一个元素的XPath:
//*[@id="test-1"]/text()
可见,ID决定了元素,所以要取出这样的元素时,我们需要使用XPath的starts-with(@属性名称, 属性字符相同部分)方法:
//*[starts-with(@id,"test")]/text()
只需要将[]中的内容使用starts-with方法进行匹配就OK了。
嵌套标签
例如:
<div id=“class”>text1 <font color=red>text2font> text3div>
类似这种嵌套标签的,如果我们使用XPath获取第一级的text,那么只能获取text1和text3,如果要获取text2,我们就需要使用string(.)方法。
data = selector.xpath('//div[@id="class"]')[0]info = data.xpath('string(.)') content = info.replace('\n','').replace(' ','') print content
通过string(.),我们可以获取嵌套标签的text,相当于遍历子标签,获取text。
最后写本篇博客的目的在于后面要进行的一次抽奖活动,大家都知道,我的新书《Android群英传》已经正式上市了,为了报答各位的大力推荐,我准备在CSDN博客准备一次抽奖,这篇博客所讲的,自然是抽奖所需要的预备知识,欢迎大家预热~~~