爬虫不过如此（python的Re 、Requests、BeautifulSoup 详细篇）

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

爬虫的本质就是一段自动抓取互联网信息的程序，从网络获取感兴趣的信息，抓取对于我们有价值的信息，爬虫技术是大数据和云计算的基础。

爬虫的实现可认为是模拟浏览器与服务器数据交互，伪造HTTP请求。

 

使用总览

网页爬取库：

1、urllib模块的urllib.request       

#基本被取代

 

2、requests 第三方库               

#中小型爬虫开发

#官网：http://www.python-requests.org/en/master/

 

3、Scrapy 框架                         

#大型爬虫开发

 

内容解析库：

1、BeautifulSoup库

#提取HTML和XML里的数据   

#官网https://www.crummy.com/software/BeautifulSoup/bs4/doc/

 

2、re模块

#正则表达式，处理字符串

 

查看网站爬虫协议

url/robots.txt

 

requests库基本使用

安装： 

sudo pip3 install requests

使用介绍：

import requests #导入库


#get请求数据
res=requests.get("http://www.baudu.com")#get请求URL
# res=requests.get("http://www.baidu.com",params={"w1":"ww11","w2":"ww22"})#get带参数请求
print(res.url)#获取到访问的URL



#post请求数据
res=requests.post("http://www.baudu.com")#post请求URL
# res=requests.post("http://www.baidu.com",data={"w1":"ww11","w2":"ww22"})#post带参数请求

#post上传文件
#filex={"img":open('dongdd/web.py','rb')}#文件表单
#filex={"img":("evil.jpg",open('dongdd/1.jpg','rb'))}#指定文件名更改为evil.jpg
filex={"img":("veil.txt","人的一切痛苦，\r\n本质上是对自己无能的愤怒!\r\n wowo")}#以文件保存字符串
res=requests.post(urlx,files=filex)



#cookies
#cookie在请求页第一次设置后是不能马上用下列函数拿到值的，必须是请求前存在

print(res.cookies)#打印所有cookie
print(res.cookies["us"])#获取单个cookie

#携带自定义cookie，可做当次页面cookie比较验证
coo={"cc1":"ccc01","cc2":"ccco2"}
res=ss.post("http://192.168.43.21:8080/login.php",cookies=coo)

#自动携带网站上的cookie，访问页面，上面代码设置cookie的不可被自动携带，必须每次手动
ss=requests.Session()
res=ss.post("http://192.168.43.21:8080/login.php")
res=ss.post("http://192.168.43.21:8080/cancel.php")#可做页面1中cookie验证



#超时
#默认为一直请求URL，处于停止状态，所以必须要设置超时
res=requests.post("http://192.168.43.121:8080/login.php",timeout=0.2)#连接时间为：0.2s
#设置连接超时和读超时：timeout=(3.05, 27) #第一个为规定连接时间，第二个为规定读取时间
#永远等待相应：timeout=None


#修改或添加请求头，请求头的必要参数可修改
headx={'User-Agent': 'wwwwwwwww', 'Connection': 'xxxxxxx', 'tt': '--------'} 
res=requests.get("http://193.112.87.66/wx/file.php",headers=headx) 
print(res.request.headers)#获取请求头

#其他相关参数
print(res.status_code)#获取访问状态码，200（系统常量：requests.codes.ok）为成功
print(res.raise_for_status())#请求错误时可以打印错误（4XX客户端错误或5XX服务器错误响应）
print(res.encoding)#查看编码
res.encoding="utf-8"#更改编码 另外值：ISO-8859-1
print(res.headers)#以字典形式打印相应头，HTTP标头名称不区分大小写
print(res.headers["date"])#print(res.headers.get("DAte"))打印出相应头时间信息
print(res.text)#打印网页源码

#json数据解析：
jsontt1=res.json()#得到json数据
print(jsontt1.keys())#输出所有json可键名
print(jsontt1["key11"])#获取单个键的数据

#二进制格式数据：res.content
#获取一张网络图片并存储实现：
res=requests.get("http://193.112.87.88/wx/img/0.jpg",timeout=5)#访问得到图片数据
f=open("ww.jpg","wb")#以二进制方式打开文件
f.write(res.content)#写入二进制数据
f.close()#必须关闭文件

#从服务器获取原始套接字响应，您可以访问res.raw,必须设置：stream=True
#数据只能使用一次（类似文件指针）
res=requests.get("http://193.112.87.88/wx/file.php",stream=True)
res.raw.read(10)#读十个字节

#另一种方式获取网页源代码：
res=requests.get("http://193.112.87.88/wx/file.php",stream=True)
rxx=res.raw.read(1)#读取一个字节
f=open("www.txt","wb")
while rxx:#判断是否为空
    print(rxx)
    f.write(rxx)#写一个字节
    rxx = res.raw.read(1)#读下一个字节
f.close();#必须关闭文件

 

re库（正则表达式）基本使用

安装：

python3环境自带

 基本介绍：

1、正则表达式是独立的语言，正则语言是共通的，比如之前写的PHP正则里有很多共同性

2、匹配单元介绍

转义字符：如点代表所有字符，所以可用\.表示字符串的点

【.】、【\】、【?】、【^】、【$】、【*】、【+】、【}】、【{】、【[】、【]】、【|】、【（】、【)】 

特殊符号字符：

【\d】所有数字，相当于[0-9]

【\D】所有非数字,相当于[^0-9]

【\w】任意一个字(a-z、A-Z、0-9、下划线、中文字)

【\W】任意非字,相当于[^a-zA-Z0-9_中文字]

【.】(点)任意一个原子

【\s】所有空白(空格、tab键、换行),相当于[\r\t\n\f\v]

【\S】任意非空白

匹配任意一个： 

    [字符1字符2字符3]//也可为[a-zA-Z]区间//匹配任意一个

     注意：

【^】为取反，写在中括号内开头处，表示除了括号里的所有字符都可以

【^】表示普通字符，写在括号里除最前面的任意位置 

  括号里的字符需要转义，虽然有些不用转义 

3、 匹配单元的修饰补充

【*】修饰前面的单个原子可以出现任意次

【+】修饰前面的单个原子至少要出现1次

【？】修饰前面的单个原子只能出现0次或者1次

【{ n }】修饰前面的单个原子只能出现n次

【{a,b}】修饰前面的单个原子只能出现  [ a , b ]  次 //至少两次用{2,  }

【|】修饰两边字符串任意谁整体出现，/intelligent|diligent/

【^字符1】必须以字符1开始的行，r’^xceee’必须以xceee为开始，写在表达式最前面

【$字符2】必须以字符2结尾的行，/\Aaa.*wo$/必须以aa开始和wo为结束，.*表示任意

【\A和\Z】开始和结束，用法跟上相同 ，但不是以行为结束

【\b】单词边界(空格)，r’\bare\b’,匹配字符串“ware are xxx”匹配到are单词，

【\B】单词边界以外的部分

【（ ）】改变优先级，r’t(r|x)ol’，可匹配trol或者txol

以小变大：r’tel*’表示l可出现任意次=>r’t(el)*’表示el可出现任意次

用于取出：r’t(el)(.*)’如"xxwtelelllll"输出:[('el', 'elllll')]

 使用介绍：

import re #导入re模块

#整体匹配
str=r'To live is to live' #原字符串，r表示原始字符，如‘\n’并不会被解释为换行
zstr=re.findall("li",str); #查找所有，返回列表
print(zstr); #打印列表 输出：['li', 'li']

#用[ ]匹配其中一个
str=r'live and love' 
zstr=re.findall("l[io]ve",str); 
print(zstr); #输出：['live', 'love']




#方法：compile（），生成re对象
str=r'aawobbxxaatabbb' #原字符串
re_job=re.compile("a        a.*?b b",re.I|re.X)#创建re对象
zstr=re_job.findall(str); #使用re对象去查找
print(zstr); #打印列表,输出：['aawobb', 'aatabb']

#第二个参数值：
#【re.I】不区分大小写，r’teL’可匹配tel、Tel、TEL 等
#【re.M】换行后不示为同行，默认将\n换行示为以上一行为同一行，影响【^】【$】/^aa/使用有区别
#【re.S】修正表达式中【.】可匹配回车\n,如/a.*art/s匹配"I am \nsmart"
#【re.X】忽略正则表达式内容里所写的空白间隔，去掉空字符和# 后面的注释
#【re.U】根据Unicode字符集解析字符。这个标志影响 \w, \W, \b, \B

#方法：match（），正则字符串匹配开头
str=r'xxwtelelllll' #原字符串
zstr=re.match('xx',str); #使用re对象去查找
print(zstr); #输出对象：<re.Match object; span=(0, 2), match='xx'>，未匹配到则返回None
if(zstr):
    print("匹配成功")
else:
    print("匹配失败")

#方法：search（），正则字符串匹配任意一个位置
str=r'wtxxelelxxllll' #原字符串
zstr=re.search('xx',str); #使用re对象去查找
print(zstr); #输出对象：<re.Match object; span=(2, 4), match='xx'>，未匹配到则返回None
if(zstr):
    print("匹配成功")
else:
print("匹配失败")

#方法：sub（），正则法替换字符串内容
str=r'--x2x--xvx--' #原字符串
zstr=re.sub('x.*?x','Python',str); #使用re对象去查找
print(zstr);#输出：--Python--Python—
#将re.sub换成：re.subn()则输出次数：('--Python--Python--', 2)

#方法：split（），正则法拆分字符串内容
str=r'1+2-6/1|2^5' #原字符串
zstr=re.split(r'[\^\+\*\|\/\-]',str); #使用re对象去查找
print(zstr);#输出：['1', '2', '6', '1', '2', '5']

 

BeautifulSoup库基本使用

安装：

   sudo pip3 install beautifulsoup4

使用介绍：

from bs4 import BeautifulSoup#导入模块
import requests #网页访问库
res=requests.get("http://193.112.87.88/wx/file.php")
res.encoding="utf-8"

be=BeautifulSoup(res.text,"lxml")#得到BeautifulSoup对象，lxml为HTML解析器，如XML解析则要用xml
print(be.original_encoding)#输出编码
print(be.prettify())#以标准HTML格式输出网页源码

print(be.input)#获取到第一个input标签全部内容：<input name="img" type="file"/>
print(be.form.input)#获取到标签（form）下的子标签(input)
print(be.form.encode("latin-1"))#自定义编码输出
print(be.input.parent.parent)#获取input标签的父节点的父节点
print(be.input.previous_sibling)#上一个兄弟节点
print(be.input.next_sibling)#下一个兄弟节点
print(be.img)#获取到第一个img标签内容：<img src="img/0.jpg"/>
picture=be.img
print(picture.get('src'))#获取该属性值（优先考虑）：img/0.jpg
print(be.img["src"])#直接获取属性值

#获取到标签内容值
print(be.title) # <title>东小东页</title>
print(be.title.text) #东小东页
print(be.title.string) #东小东页

#函数find_all()和find()使用,参数使用是相同的
#参数值均可使用：字符串、列表、正则对象、True（任意值）

print(be.find_all(class_="yzm",limit=2))#limit为要返回的条数
print(be.find_all('input')) #查询所有标签名为input，存入到列表
be.find_all(id='link2')#通过id值查找
print(be.find_all(type=True))#type为true表示可以接收任意值
print(be.find_all(class_="yzm"))#通过class属性查找内容，注意class后面有下划线
print(be.find_all(src=re.compile(r"img/.*?jpg")))#通过src属性查找
print(be.find_all('img')[0]["src"])# img/0.jpg
#--------------------------------------------------
import re #使用正则表达式
for inx in be.find_all(re.compile(r"i")):#匹配带i字母的所有标签名
    print(inx.name)
#------------------------------------------------
for inx in be.find_all(["input","img"]):#列表传递多个需匹配标签名
   print(inx)
   print(inx.get("name"))#获取标签name属性值
#------------------------------------------------------

#找到第一个，且只找一个
print(be.find(type="file"))#通过属性查找
print(be.find("input"))#通过标签查找
print(be.find("input",type="password"))#通过标签加属性查找，可支持有：id、type等
print(be.find(text="东小东").parent)#通过text属性查找：<legend>东小东</legend>
#参数不支持name和data-*
print(be.find_all(attrs={"name":"yzm"}))#可用此方法解决


#扩展：
be=BeautifulSoup(open("www.txt","rb"))#直接读取文件内容

---