爬虫 | 基本步骤和解析网页的几种方法

1.爬虫 | 基本步骤和解析网页的几种方法2024-06-05

2.爬虫 | xpath + lxml 库解析爬取网页2024-06-11 3.爬虫 | 处理cookie的基本方法——session2024-06-12 4.爬虫 | 防盗链和代理2024-06-12 5.爬虫 | 多线程、多进程、协程2024-06-13

爬虫的步骤可以简单的概括为：

获取网页并拿到HttpResponse对象，一般都是urllib库或者requests库

    # 设置要爬取的网页，以及headers伪装浏览器（最基本防反扒手段）
    url = 'https://example.com'
    headers = {
"User-Agent":"里面的内容在浏览器--network--选择一个html查看Headers -- requests headers -- User-Agent"
}

    # urllib
    import urllib.request
    response = urllib.request.urlopen(url = url, headers = headers)
    response.read()  #>>>> 读取网页内容

    # requests
    import requests
    response = requests.get(url = url, headers = headers)
    response.encoding = 'utf-8' # >>> 指定字符集
    page = response.text  #>>>> 读取网页内容

解析网页（正则、bs4、xpath）

网页有两种渲染情况，一种是服务器渲染，就比如电影天堂那种，呈现出来的整个页面的数据都是后端一起发来的。另一种是客户端渲染，比如一些动态加载，下滑才读取数据的那种，这种就是第一次请求后服务器发来的是html骨干框架，要向下继续加载继续请求后，服务器才会进一步发送数据，然后浏览器/客户端这边再把数据填入html框架中。所以对于第二种爬取数据时，第一次请求里的信息有时候是没用的，重点在后面的请求

"""正则表达式"""

# 先用compile预加载自定义的正则表达式（这样速度快点）
 entity_regex = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)</span>'
                                  r'.*?<br>(?P<year>.*?)&nbsp'
                                  r'.*?<span class="rating_num" property="v:average">(?P<score>.*?)</span>'
                                  r'.*?<span>(?P<number>\d+)人评价</span>', flags=re.S)
# 这里必须加re.S，这是为了匹配回车字符。.是匹配除回车之外的所有字符，*表示0及无数次，？表示惰性
        
        # 用迭代器获取，还可以写作re.finditer(entity_regex, page_content)
        entity_iter = entity_regex.finditer(page_content)

# 从迭代器中将各组数据单独提取，则是group，如果直接提取字典，则是groupdict
        for entity in entity_iter:
        # print(entity.group('name'))
        # print(entity.group('year').strip())  # 因为年份前面有空格，所以用strip
        # # print(type(name.group('year').strip()))  # 用.*？匹配到的数字，格式是str字符串
        # print(entity.group('score'))
        # print(entity.group('number'))
        # # print(type(name.group('number')))  # 用\d+匹配到的数字，格式依旧是str字符串，因为正则匹配到的内容都用str返回

            dic = entity.groupdict()
            dic['year'] = dic['year'].strip()  # 单独处理一下year的空白



"""Beautiful Soup"""

# 1.1. 解析主页面源代码
soup = BeautifulSoup(page, 'html.parser')
href_list = soup.find('div', class_ = 'TypeList').find_all('a', class_ = 'TypeBigPics')

# 1.2 提取子页面链接
for href in href_list:
    sub_url = href.get('href')

    # 2. 获得子页面源代码
    sub_html = requests.get(url = sub_url, headers = headers)
    sub_html.encoding = 'utf-8'
    sub_page = sub_html.text

    # 我发现网页有两种图片，一个是gif，一个是jpg，它们的各自子页面格式有所不同

    # 2.1 解析gif子页面，拿到高清图片路径， 由于发现直接用get很难找到一个直接定位的属性，所以用正则了
    regex_pic = re.compile(r"""<img alt=".*?" src="(?P<pic_src>.*?)" /></a></p>""", flags=re.S)
    pic_iter = re.finditer(regex_pic, sub_page)
    for pic in pic_iter:
        pic_src = pic.group('pic_src')
        # print(f"内容是：{pic_src}")

比较re、beautiful soup、xpath

# 正则表达式（re）：
擅长从文本中查找和匹配符合特定模式的字符串。如果你需要查找的是简单的文本模式，例如电话号码、邮箱地址等，那么正则表达式会是一个很好的选择。
# BeautifulSoup：
擅长解析HTML和XML文档，并将它们转化为Python可以理解和操作的树形结构（DOM树）。如果你需要定位或提取HTML文档中的标签、属性或文本内容，BeautifulSoup会是一个强大的工具。它支持多种选择器，如标签名、CSS类名、ID等。
# XPath：
同样擅长解析HTML和XML文档，但更侧重于通过路径表达式来定位和提取文档中的元素。XPath提供了非常丰富的路径选择语言，可以精确地指定要查找的元素位置。它常用于处理结构复杂或具有特定模式的文档。XPath经常与lxml库结合使用，因为lxml提供了对XPath表达式的良好支持。

保存（csv）

  最好是一开始就设置好储存文件路径等，如果不想用with open，那就直接用open+close
"""这里最需要注意的就是处理with open 和 for循环的关系，否则一不留神就容易导致dic的值或者文件被反复覆盖，只剩下最后一点数据"""
  
  # 用with open
    with open('top250.csv', 'w', encoding='utf-8') as f:  # 1) 创建一个文档
      csv_writer = csv.writer(f)                          # 2) 创建一个可写对象
      csv_writer.writerow(dic.values())                   # 3）写入

  # 用open + close
      f = open('top250.csv', 'w', encoding='utf-8')       # 1) 创建一个文档
      csv_writer = csv.writer(f)                          # 2) 创建一个可写对象
      csv_writer.writerow(dic.values())                   # 3）写入
      f.close()                                           # 4) 关闭文件

关闭响应

   response.close() 
'''别忘了！'''
# 但实际上对于单个的requests.get请求，通常不需要手动关闭连接，因为requests库会自动为你处理。但在某些特殊情况下，你可能需要手动关闭连接或使用with语句和requests.Session()来管理连接的打开和关闭。