自从大一开始就想在博客专门建立一个分类,深度总结一下爬虫技术相关的东西,但是一直拖到现在。大二马上要结束了,准备从暑假开始认真总结,每一篇文章都争取带一个小案例。给学弟们作参考用~

0x01 requests模块

(第一篇)爬虫技术专栏之requests模块与BeautifulSoup模块

requests是一个作为Python构建的优雅而简单的HTTP库。目前它使用了Apache2 Licensed许可证,requests在Python一些基本库上进行了高度封装。中文文档:http://docs.python-requests.org/zh_CN/latest/

0x001 安装

pip install requests

0x002 常用方法

  • requests.get(url, params=None, **kwargs)
# 发送一个get请求到服务器端
# url接收一个URL地址
# parmas接收一个字典对象
# 返回一个请求对象
  • requests.options(url, **kwargs)
# 发送一个options请求到服务器端
# url接收一个URL地址
  • requests.head(url, **kwargs)
# 发送一个head请求到服务器端
# url接收一个URL地址
  • requests.post(url, data=None, json=None, **kwargs)
# 发送一个post请求到服务器端
# url接收一个URL地址
# data接收一个字典、字节或者是一个文件对象
# json接收一个json数据
  • requests.put(url, data=None, **kwargs)
# 发送一个put请求到服务器端
# url接收一个URL地址
# data接收一个字典、字节或者是一个文件对象
  • requests.patch(url, data=None, **kwargs)
# 发送一个patch请求到服务器端
# url接收一个URL地址
# data接收一个字典、字节或者是文件对象
  • requests.delete(url, **kwargs)
# 发送一个delete请求到服务器端
# url接收一个URL地址
  • requests.request(method, url, **kwargs)
# 发送一个请求
# method指定请求的方法
# url接收一个URL地址
# params接收一个字典、字节或者是文件对象
# data接收一个使用元组构成的列表[(key, value)]或者是字典、字节或者是文件对象
# json接收一个json数据
# headers接收一个字典,用于构成请求头
# cookies接收一个cookie对象
# files接收一个文件对象
# auth接收一个元组,用来身份认证
# timeout接收一个浮点数或者是元组
# allow_redirects接收一个布尔值,默认是True,是否开启重定向
# proxies 接收代理的url
# verify 是否启用安全认证
# stream 是否使用数据流的方式传输文件
# cert 使用证书文件,如果是pem文件,则(xxx.pem),如果是crt文件和key文件,则('xxx.crt', 'xxx.key')

0x003 requests.api源码

# -*- coding: utf-8 -*-

"""
requests.api

This module implements the Requests API.

:copyright: (c) 2012 by Kenneth Reitz.
:license: Apache2, see LICENSE for more details.
"""

from . import sessions

def request(method, url, **kwargs):
    """Constructs and sends a :class:`Request <Request>`.

    :param method: method for the new :class:`Request` object.
    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary, list of tuples or bytes to send
        in the body of the :class:`Request`.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) A JSON serializable Python object to send in the body of the :class:`Request`.
    :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.
    :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.
    :param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': file-tuple}``) for multipart encoding upload.
        ``file-tuple`` can be a 2-tuple ``('filename', fileobj)``, 3-tuple ``('filename', fileobj, 'content_type')``
        or a 4-tuple ``('filename', fileobj, 'content_type', custom_headers)``, where ``'content-type'`` is a string
        defining the content type of the given file and ``custom_headers`` a dict-like object containing additional headers
        to add for the file.
    :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.
    :param timeout: (optional) How many seconds to wait for the server to send data
        before giving up, as a float, or a :ref:`(connect timeout, read
        timeout) <timeouts>` tuple.
    :type timeout: float or tuple
    :param allow_redirects: (optional) Boolean. Enable/disable GET/OPTIONS/POST/PUT/PATCH/DELETE/HEAD redirection. Defaults to ``True``.
    :type allow_redirects: bool
    :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.
    :param verify: (optional) Either a boolean, in which case it controls whether we verify
            the server's TLS certificate, or a string, in which case it must be a path
            to a CA bundle to use. Defaults to ``True``.
    :param stream: (optional) if ``False``, the response content will be immediately downloaded.
    :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response

    Usage::

      >>> import requests
      >>> req = requests.request('GET', 'https://httpbin.org/get')
      <Response [200]>
    """

    # By using the 'with' statement we are sure the session is closed, thus we
    # avoid leaving sockets open which can trigger a ResourceWarning in some
    # cases, and look like a memory leak in others.
    with sessions.Session() as session:
        return session.request(method=method, url=url, **kwargs)

def get(url, params=None, **kwargs):
    r"""Sends a GET request.

    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary, list of tuples or bytes to send
        in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('get', url, params=params, **kwargs)

def options(url, **kwargs):
    r"""Sends an OPTIONS request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('options', url, **kwargs)

def head(url, **kwargs):
    r"""Sends a HEAD request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', False)
    return request('head', url, **kwargs)

def post(url, data=None, json=None, **kwargs):
    r"""Sends a POST request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('post', url, data=data, json=json, **kwargs)

def put(url, data=None, **kwargs):
    r"""Sends a PUT request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('put', url, data=data, **kwargs)

def patch(url, data=None, **kwargs):
    r"""Sends a PATCH request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('patch', url, data=data, **kwargs)

def delete(url, **kwargs):
    r"""Sends a DELETE request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('delete', url, **kwargs)

0x02 BeautifulSoup模块

(第一篇)爬虫技术专栏之requests模块与BeautifulSoup模块

Beautiful Soup是一个用于从HTML和XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间。中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

0x001安装

  • Debain或Ubuntu
apt-get install Python-bs4
  • easy_install和pip安装,兼容Python2.x和Python3.x
easy_install beautifulsoup4
pip install beautifulsoup4
  • 源码安装
下载地址:https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/
首先解压下载的源码压缩包,进入源码目录,执行:python setup.py install
  • 安装解析器lxml和html5lib
apt-get install Python-lxml
easy_install lxml
pip install lxml
apt-get install Python-html5lib
easy_install html5lib
pip install html5lib
解析器 使用方法 优点 缺点
Python标准库 BeautifulSoup(markup, "html.parser") Python的内置标准库,执行速度适中, 文档容错能力强 Python 2.7.3 or 3.2.2)前的版本中文档容错能力差
lxml HTML 解析器 BeautifulSoup(markup, "lxml") 速度快,文档容错能力强 需要安装C语言库
lxml XML 解析器 BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") 速度快,唯一支持XML的解析器 需要安装C语言库
html5lib BeautifulSoup(markup, "html5lib") 最好的容错性,以浏览器的方式解析文档,生成HTML5格式的文档 速度慢,不依赖外部扩展

从上表可知,推荐使用lxml解析器效率更高,但是xml或html文档的格式不正确的话返回的结果可能不正确。

from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))  # 直接打开本地html文件
soup = BeautifulSoup("<html>data</html>")  #传入html文本

0x002 常用对象介绍

Beautiful Soup将HTML或XML文件转换为树形结构,每个节点都是Python对象。总共可以分为四种:

  • 标签对象

    1. Tag对象与原生的HTML或XML对象相同。tag = soup.b
    2. Name是Tag的名字。tag.name
    3. Attrs, Tag的属性是个列表,可以使用tag[‘class’]的方式操作属性,也可以使用tag.attrs来操作属性。
  • 可遍历的字符串NavigableString对象

    1. 由于字符串包含在了Tag内,所以Beautiful Soup用 NavigableString 类来包装tag中的字符串。
    2. tag.string:它的类型是BS的字符串,可以通过unicode()方法将其转换为Unicode字符串。unicode_string = unicode(tag.string)
    3. BS的Tag中包含的字符串不可以被编辑,但是可以通过replace_with()方法被替换成为其他的字符串。
  • BeautifulSoup对象

    1. 该对象表示的全部的内容。其soup.name属性的值是:u'[document]'
  • 注释及特殊字符串Comment对象

    1. Comment 对象是一个特殊类型的 NavigableString 对象

      markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
      soup = BeautifulSoup(markup)
      comment = soup.b.string
      type(comment)
      # <class 'bs4.element.Comment'>
      print(soup.b.prettify())   # 输出成为了特殊的格式
      # <b>
      #  <!--Hey, buddy. Want to buy a used parser?-->
      # </b>
    2. Beautiful Soup定义的其他类型可能会出现在XML文档中,CData、ProcessingInstruction、Declaration、Doctype,这些类型与Comment类似,都是NavigableString的子类,只是添加了一些特殊的方法。

0x003 常用属性和方法

属性及方法名称 释义
soup.head 获取&lt;head&gt;&lt;/head&gt;
soup.title 获取&lt;title&gt;&lt;/title&gt;
soup.TagName 获取< TagName></ TagName>
soup.find_all(‘TagName’) 获取所有TagName的标签
tag.contents 将tag子节点以列表的方式输出
tag.children 返回一个tag子节点的可迭代生成器对象
tag.descendants 属性可以对所有tag的子孙节点进行递归循环
tag.string 获取tag中的字符串内容
tag.strings 循环获取tag中的字符串内容
tag.stripped_strings 功能类似于tag.strings,但是具有除去多余空白字符串的功能
tag.parent 获取父节点对象
tag.parents 获取父节点对象可迭代生成器对象
tag.next_sibling 获取下一个兄弟节点对象
tag.previous_sibling 获取上一个兄弟节点对象
tag.next_siblings 获取向下的所有兄弟节点的可迭代生成器对象
tag.previous_siblings 获取向上的所有兄弟节点的可迭代生成器对象
tag.next_element 指向解析过程中下一个被解析的对象
tag.previous_element 指向解析过程中上一个被解析的对象
tag.next_elements 指向解析过程中上面所有被解析对象的集合
tag.previous_elements 指向解析过程中下面被解析对象的集合
tag.find_all(‘TagName’) 查找所有与TagName匹配的节点
tag.find_all([‘TagName1’, ‘TagName2’]) 查找所有与列表中TagName相匹配的节点
tag.find_all(True) 返回所有可以匹配的值
tag.find_all(FuncName) 接收一个方法名称,如果这个方法返回True表示当前的元素匹配并且找到

0x004 官方示例

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)
tag.find_all(Key=’Value)                               # 搜索所有Key的值是Value的标签
soup.find_all(Key=re.compile("RegExp"), Key='Value')   # 结合正则表达式使用并且是或的逻辑关系
tag.find_all(text=’xxx’)                               # 使用text参数可以搜索文档中的字符串内容
tag.find_all(text=[‘xxx’, ‘xxx’, ])                    # text参数可以接受字符串、正则、列表和布尔值
tag.find_all(‘TagName’, limit=Number)                  # 返回Number个符合的标签
tag.find_all(‘TagName’, recursive=True/False)          # 是否只匹配直接子节点
tag.find( name , attrs , recursive , text , **kwargs ) # 直接返回一个结果,匹配不到时返回None,而find_all()返回空列表[]
# 类似的方法还有:
tag.find_parents()
tag.find_parent()
tag.find_next_siblings()
tag.find_next_sibling()
tag.find_previous_siblings()
tag.find_previous_sibling()
tag.find_all_next()
tag.find_next()
tag.find_all_previous()
tag.find_previous()
# Beautiful Soup支持大部分的CSS选择器,即tag.select():
tag.append(“Content”)                                 # 向标签中添加内容
tag.new_string()                                      # 创建新的字符串对象
tag.new_tag()                                         # 创建新的标签对象
tag.insert()                                          # 插入标签对象
tag.insert_before()                                   # 在tag标签之前插入新的标签对象
tag.insert_after()                                    # 在tag标签之后插入新的标签对象
tag. clear()                                          # 清除当前tag的内容
tag. extract()                                        # 将当前的tag从文档树中删除,并且返回该tag对象
tag. decompose()                                      # 从当前的文档树中移除,并且完全销毁该tag对象
tag. replace_with()                                   # 替换该tag对象
tag. wrap()                                           # 用传入的tag对象包装指定的tag对象
tag. unwrap()                                         # 取消使用上层tag对象的包装,并返回被移除的上层tag对象
tag. prettify()                                       # 将文档树格式化后使用Unicode编码输出
tag. get_text()                                       # 获取tag对象中的内容

0x005 自动登录GitHub

# -*- coding:utf8 -*-

import requests
from bs4 import BeautifulSoup

# 用户名和密码
username = 'xxx'
password = 'xxx'

# 请求头
header = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Connection': 'keep-alive',
    'Host': 'github.com',
    'Referer': "https://github.com/xvGe/xvGe.github.io",
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
}

# 登录
response = requests.request('get', 'https://github.com/login', headers=header)
soup = BeautifulSoup(response.text, features='lxml')

# 获取登录token
token = soup.find(name='input', attrs={'name': "authenticity_token"})['value']

# 获取cookie
cookie = response.cookies.get_dict()

# 提交的登录数据
formData = {
    'commit': 'Sign in',
    'utf8': '✓',
    'authenticity_token': token,
    'login': username,
    'password': password,

}

# 提交登录数据
response = requests.request('post', 'https://github.com/session', data=formData, cookies=cookie, headers=header)

response.close()