Python爬虫基础 _曾佳豪

什么是爬虫？Python爬虫架构 

爬虫：一段自动抓取互联网信息的程序，从互联网上抓取对于我们有价值的信息。

Python 爬虫架构主要由五个部分组成，分别是调度器、URL管理器、网页下载器、网页解析器、应用程序（爬取的有价值数据）。

• 调度器：相当于一台电脑的CPU，主要负责调度URL管理器、下载器、解析器之间的协调工作。
• URL管理器：包括待爬取的URL地址和已爬取的URL地址，防止重复抓取URL和循环抓取URL，实现URL管理器主要用三种方式，通过内存、数据库、缓存数据库来实现。
• 网页下载器：通过传入一个URL地址来下载网页，将网页转换成一个字符串，网页下载器有urllib2（Python官方基础模块）包括需要登录、代理、和cookie，requests(第三方包)
• 网页解析器：将一个网页字符串进行解析，可以按照我们的要求来提取出我们有用的信息，也可以根据DOM树的解析方式来解析。网页解析器有正则表达式（直观，将网页转成字符串通过模糊匹配的方式来提取有价值的信息，当文档比较复杂的时候，该方法提取数据的时候就会非常的困难）、html.parser（Python自带的）、beautifulsoup（第三方插件，可以使用Python自带的html.parser进行解析，也可以使用lxml进行解析，相对于其他几种来说要强大一些）、lxml（第三方插件，可以解析 xml 和 HTML），html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
• 应用程序：就是从网页中提取的有用数据组成的一个应用。

工作原理:

 一、爬虫入门程序

import urllib.request
import urllib.error

url = "http://www.baidu.com"
# 访问网址
responsel = urllib.request.urlopen(url)

# 获取并打印响应的状态码
print(responsel.getcode())

print(responsel.read())

 

二、爬虫程序添加data、header，然后post请求

1.添加data

import urllib
from urllib import request

#定义参数（字典类型）
value = {"username":"18173554582","password":"*********"}
#参数编码
data = urllib.parse.urlencode(value).encode(encoding='UTF8')
#定义url
url = "http://passport.csdn.net/login?code=applets"

#构造request
req = request.Request(url,data)
#打开网页
response = request.urlopen(req)
#打印网页内容
print(response.read())

2.添加header

import urllib.request

url = "http://www.taobao.com"

req = urllib.request.Request(url)
# 添加请求头
req.add_header("user-agent","Mozilla/5.0")
# 打开网址
response2 = urllib.request.urlopen(req)
# 打印状态码
print(response2.getcode())

print(response2.read())

3.post请求

import requests  # 导入网络请求模块requests
import json  # 导入json模块

# 字典类型的表单参数
data = {
    '1': '能力是有限的，而努力是无限的。',
    '2': '星光不问赶路人，时光不负有心人。'
}
#发送网络请求
response = requests.post('http://httpbin.org/post', data=data)
response_dict = json.loads(response.text)#将响应数据转换为字典类型
print(response_dict)#打印转换后的响应数据

 

三、爬虫程序添加cookie

 

from urllib import request
from http import cookiejar

#定义cookie
cookies = cookiejar.CookieJar()
# 定义一个cookie处理器
hander = request.HTTPCookieProcessor(cookies)

# 定义下载器cookie处理器作为参数传进去
openner = request.build_opener(hander)
# 下载页面
response = openner.open("https://baidu.com")
for itrm in cookies:
    print("name:"+itrm.name)
    print("value:"+itrm.value+"\n")

 

四、正则表达式

1.基础语法

 

import re

#定义正则规则=模式，r表示‘原生字符’
# pattern1 = re.compile(r'hello')
#匹配字符，match函数会从第一个字符开始匹配
result1 = re.match(pattern1,"hello hello")
if result1:
     print(result1)
     print(result1.group())
     print(result1.span())

#-------点'.'表示任意字符（换行\n除外）
pattern2 = re.compile(r'ab.d')
result2 = re.match(pattern2,"abcd")
print(result2)

 

2.re.match与re.search的区别：

re.match只匹配字符串的开始，如果字符串开始不符合正则表达式，则匹配失败，函数返回None；而re.search匹配整个字符串，直到找到一个匹配。

3.正则表达式中特殊符号、字符串的含义：