数据解析,懒加载,代理ip
在前面的requests流程中,还缺少了一步重要的流程,就是在持久化存储之前需要进行制定的数据解析.因为在大多数情况下,我们都会使用聚焦爬虫,也就是爬取页面中的指定部分数据值,而不是整个页面的数据.
所以,数据爬取的流程应该是 :
1). 指定url
2). 基于requests模块发起请求
3). 获取响应中的数据
4). 数据解析
5). 进行持久化存储
一 . 正则解析
1 . 常用正则表达式回顾 :
#单字符： . : 除换行以外所有字符 [] ： [aoe] [a-w] 匹配集合中任意一个字符 \d ： 数字 [0-9] \D : 非数字 \w ： 数字、字母、下划线、中文 \W : 非\w \s ： 所有的空白字符包,括空格、制表符、换页符等等。等价于 [ \f\n\r\t\v]。 \S : 非空白 # 数量修饰： * : 任意多次 >=0 + : 至少1次 >=1 ? : 可有可无 0次或者1次 {m} ： 固定m次 hello{3,} {m,} ： 至少m次 {m,n} ： m-n次 #边界： $ : 以某某结尾 ^ : 以某某开头 #分组： (ab) 贪婪模式 ： .* 非贪婪（惰性）模式 ： .*? re.I : 忽略大小写 re.M ： 多行匹配 re.S ： 单行匹配 re.sub(正则表达式, 替换内容, 字符串)
2 . 回顾练习 :
import re #提取出python key="javapythonc++php" re.findall('python',key)[0] ##################################################################### #提取出hello world key="<html><h1>hello world<h1></html>" re.findall('<h1>(.*)<h1>',key)[0] ##################################################################### #提取170 string = '我喜欢身高为170的女孩' re.findall('\d+',string) ##################################################################### #提取出http://和https:// key='http://www.baidu.com and https://boob.com' re.findall('https?://',key) ##################################################################### #提取出hello key='lalala<hTml>hello</HtMl>hahah' #输出<hTml>hello</HtMl> re.findall('<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>',key) ##################################################################### #提取出hit. key='bobo@hit.edu.com'#想要匹配到hit. re.findall('h.*?\.',key) ##################################################################### #匹配sas和saas key='saas and sas and saaas' re.findall('sa{1,2}s',key) ##################################################################### #匹配出i开头的行 string = '''fall in love with you i love you very much i love she i love her''' re.findall('^.*',string,re.M) ##################################################################### #匹配全部行 string1 = """<div>静夜思 窗前明月光 疑是地上霜 举头望明月 低头思故乡 </div>""" re.findall('.*',string1,re.S)
3 . 使用正则爬取'糗事百科指定的页面图片',并保持到指定文件中
import requests import re import urllib # 保存文件的 , 相当于 with open import os url = 'https://www.qiushibaike.com/pic/page/%d/?s=5170552' # page = 1 headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' } # 创建文件夹(如果没有就创建) if not os.path.exists('./qiutu'): os.mkdir('./qiutu') # 指定起始页码和结束页码 start_page = int(input('enter a start pageNum:')) end_page = int(input('enter a end pageNum:')) # 循环解析并下载指定页码的图片数据 for page in range(start_page,end_page+1): # 第几页 new_url = format(url%page) # 获取页面源代码 page_text = requests.get(url=new_url,headers=headers).text #正则解析图片的标签 img_url_list = re.findall('<div class="thumb">.*?<img src="(.*?)" alt=.*?</div>',page_text,re.S) # 循环下载该页码的图片数据 for url in img_url_list: url = 'https:'+url imgName = url.split('/')[-1] imgPath = 'qiutu/'+imgName # 可以直接写入文件夹中 urllib.request.urlretrieve(url=url,filename=imgPath) #print(imgPath,'下载成功!') print('over!!!')
二 . Xpath 解析
1 . 测试页面数据 :
<html lang="en"> <head> <meta charset="UTF-8" /> <title>测试bs4</title> </head> <body> <div> <p>百里守约</p> </div> <div class="song"> <p>李清照</p> <p>王安石</p> <p>苏轼</p> <p>柳宗元</p> <a href="http://www.song.com/" title="赵匡胤" target="_self"> <span>this is span</span> 宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱</a> <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a> <img src="http://www.baidu.com/meinv.jpg" alt="" /> </div> <div class="tang"> <ul> <li><a href="http://www.baidu.com" title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li> <li><a href="http://www.163.com" title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li> <li><a href="http://www.126.com" alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li> <li><a href="http://www.sina.com" class="du">杜甫</a></li> <li><a href="http://www.dudu.com" class="du">杜牧</a></li> <li><b>杜小月</b></li> <li><i>度蜜月</i></li> <li><a href="http://www.haha.com" id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li> </ul> </div> </body> </html>
2 . 常用的xpath表达式 :
#属性定位： #找到class属性值为song的div标签 //div[@class="song"] #层级&索引定位： #找到class属性值为tang的div的直系子标签ul下的第二个子标签li下的#直系子标签a //div[@class="tang"]/ul/li[2]/a #逻辑运算： #找到href属性值为空且class属性值为du的a标签 //a[@href="" and @class="du"] #模糊匹配： //div[contains(@class, "ng")] //div[starts-with(@class, "ta")] #取文本： # / 表示获取某个标签下的文本内容 # // 表示获取某个标签下的文本内容和所有子标签下的文本内容 //div[@class="song"]/p[1]/text() //div[@class="tang"]//text() #取属性： //div[@class="tang"]//li[2]/a/@href
3 . 代码中使用xpath表达式进行数据解析 :
#1.下载： pip install lxml 2#.导包： from lxml import etree #3.将html文档或者xml文档转换成一个etree对象，然后调用对象中的方法查找指定的节点 #3.1 本地文件：tree = etree.parse(文件名) tree.xpath("xpath表达式") #3.2 网络数据：tree = etree.HTML(网页内容字符串) tree.xpath("xpath表达式")
安装xpath插件在浏览器对xpath表达式进行验证 : 可以直接在插件中执行 xpath表达式
将xpath插件拖动到谷歌浏览器的扩展程序中(更多工具->扩展程序),安装成功
插件下载 ---> xpath插件.zip
启动和关闭插件 : Ctrl + shift + x
5 . 案例演示
● 爬取 '好段子'网站中的内容和标题
from lxml import etree import requests url='http://www.haoduanzi.com/category-10_2.html' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36', } url_content=requests.get(url,headers=headers).text #使用xpath对url_conten进行解析 #使用xpath解析从网络上获取的数据 tree=etree.HTML(url_content) #解析获取当页所有段子的标题 title_list=tree.xpath('//div[@class="log cate10 auth1"]/h3/a/text()') ele_div_list=tree.xpath('//div[@class="log cate10 auth1"]') text_list=[] #最终会存储12个段子的文本内容 for ele in ele_div_list: #段子的文本内容（是存放在list列表中） text_list=ele.xpath('./div[@class="cont"]//text()') #list列表中的文本内容全部提取到一个字符串中 text_str=str(text_list) #字符串形式的文本内容防止到all_text列表中 text_list.append(text_str) print(title_list) print(text_list)
● 爬取 煎蛋网 中图片数据 : (图片地址加密的) *********
import requests from lxml import etree from fake_useragent import UserAgent import base64 import urllib.request url = 'http://jandan.net/ooxx' ua = UserAgent(verify_ssl=False,use_cache_server=False).random headers = { 'User-Agent':ua } page_text = requests.get(url=url,headers=headers).text #查看页面源码：发现所有图片的src值都是一样的。 #简单观察会发现每张图片加载都是通过jandan_load_img(this)这个js函数实现的。 #在该函数后面还有一个class值为img-hash的标签，里面存储的是一组hash值，该值就是加密后的img地址 #加密就是通过js函数实现的，所以分析js函数，获知加密方式，然后进行解密。 #通过抓包工具抓取起始url的数据包，在数据包中全局搜索js函数名（jandan_load_img），然后分析该函数实现加密的方式。 #在该js函数中发现有一个方法调用，该方法就是加密方式，对该方法进行搜索 #搜索到的方法中会发现base64和md5等字样，md5是不可逆的所以优先考虑使用base64解密 #print(page_text) tree = etree.HTML(page_text)
#在抓包工具的数据包响应对象对应的页面中进行xpath的编写，而不是在浏览器页面中。 #获取了加密的图片url数据 imgCode_list = tree.xpath('//span[@class="img-hash"]/text()') imgUrl_list = [] for url in imgCode_list: #base64.b64decode(url)为byte类型，需要转成str img_url = 'http:'+base64.b64decode(url).decode() imgUrl_list.append(img_url) for url in imgUrl_list: filePath = url.split('/')[-1] urllib.request.urlretrieve(url=url,filename=filePath) print(filePath+'下载成功')
● 解析58二手房的相关数据
# 58二手房信息 import requests from lxml import etree url = 'https://bj.58.com/ershoufang/sub/l16/s2242/?utm_source=market&spm=u-2d2yxv86y3v43nkddh1.bdpcpz_bt&PGTID=0d30000c-0000-1139-b00c-643d0d315a04&ClickID=1' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } page_text = requests.get(url,headers=headers).text tree = etree.HTML(page_text) li_list = tree.xpath('//ul[@class="house-list-wrap"]/li') for li in li_list: title = li.xpath('./div[2]/h2[1]/a/text()')[0]
● 下载彼岸网中图片数据 : 中文乱码问题
import os import urllib url = 'http://pic.netbian.com/4kmeinv/' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } response = requests.get(url,headers=headers) # print(response.encoding) # ISO-8859-1 # response.encoding = 'utg-8' if not os.path.exists('./imgs'): os.mkdir('./imgs') page_text = response.text tree = etree.HTML(page_text) li_list = tree.xpath('//div[@class="slist"]/ul/li') for li in li_list: img_name = li.xpath('./a/b/text()')[0] # 处理中文乱码 img_name = img_name.encode('ISO-8859-1').decode('gbk') img_url = 'http://pic.netbian.com' + li.xpath('./a/img/@src')[0] img_path = './imgs/' + img_name + '.jpg' urllib.request.urlretrieve(url=img_url,filename=img_path)
● 下载站长素材中的简历模板数据
import requests from lxml import etree import random import os headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } if not os.path.exists('./jianli'): os.mkdir('./jianli') for i in range(1,4): if i == 1: url = 'http://sc.chinaz.com/jianli/free.html' else: url = 'http://sc.chinaz.com/jianli/free_%s.html' % (i) response = requests.get(url=url, headers=headers) response.encoding = 'utf8' res = response.text tree = etree.HTML(res) a_list = tree.xpath('//a[@class="title_wl"]') for a in a_list: name = a.xpath('./text()')[0] jl_url = a.xpath('./@href')[0] response = requests.get(url=jl_url, headers=headers) response.encoding = 'utf8' res1 = response.text tree = etree.HTML(res1) download_url_list = tree.xpath('//div[@class="clearfix mt20 downlist"]/ul/li/a/@href') download_url = random.choice(download_url_list) res3 = requests.get(url=download_url, headers=headers).content filepath = './jianli/' + name + '.rar' with open(filepath, 'wb') as f: f.write(res3) print(name, '下载完成！') print('over')
● 解析所有城市的名称
import requests from lxml import etree url = 'https://www.aqistudy.cn/historydata/' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } res = requests.get(url=url, headers=headers).text tree = etree.HTML(res) city_list = tree.xpath('//div[@class="bottom"]/ul/li/a/text() | //div[@class="bottom"]/ul/div[2]/li/a/text()') # 可以用逻辑运算符，这里 | 表示或的关系 city = ''.join(city_list)
三 . bs4 (Beautiful Soup) 解析
环境安装 :
#- 需要将pip源设置为国内源，阿里源、豆瓣源、网易源等 # - windows #（1）打开文件资源管理器(文件夹地址栏中) #（2）地址栏上面输入 %appdata% #（3）在这里面新建一个文件夹 pip #（4）在pip文件夹里面新建一个文件叫做 pip.ini ,内容写如下即可 [global] timeout = 6000 index-url = https://mirrors.aliyun.com/pypi/simple/ trusted-host = mirrors.aliyun.com # - linux （1）cd ~ （2）mkdir ~/.pip （3）vi ~/.pip/pip.conf （4）编辑内容，和windows一模一样
#- 需要安装： 我们可以直接这样安装也可以 pip install bs4 # bs4在使用时候需要一个第三方库，把这个库也安装一下 pip install lxml
基础使用 :
使用流程： - 导包：from bs4 import BeautifulSoup - 使用方式：可以将一个html文档，转化为BeautifulSoup对象，然后通过对象的方法或者属性去查找指定的节点内容 （1）转化本地文件： - soup = BeautifulSoup(open('本地文件'), 'lxml') （2）转化网络文件： - soup = BeautifulSoup('字符串类型或者字节类型', 'lxml') （3）打印soup对象显示内容为html文件中的内容 基础巩固： （1）根据标签名查找 - soup.a 只能找到第一个符合要求的标签 （2）获取属性 - soup.a.attrs 获取a所有的属性和属性值，返回一个字典 - soup.a.attrs['href'] 获取href属性 - soup.a['href'] 也可简写为这种形式 （3）获取内容 - soup.a.string 获取直系标签内容 - soup.a.text - soup.a.get_text() 【注意】如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容 （4）find：找到第一个符合要求的标签 - soup.find('a') 找到第一个符合要求的 - soup.find('a', title="xxx") - soup.find('a', alt="xxx") - soup.find('a', class_="xxx") - soup.find('a', id="xxx") （5）find_all：找到所有符合要求的标签 - soup.find_all('a') - soup.find_all(['a','b']) 找到所有的a和b标签 - soup.find_all('a', limit=2) 限制前两个 （6）根据选择器选择指定的内容 select:soup.select('#feng') - 常见的选择器：标签选择器(a)、类选择器(.)、id选择器(#)、层级选择器 - 层级选择器：常用 div .dudu #lala .meme .xixi 下面好多级 div > p > a > .lala 只能是下面一级 【注意】select选择器返回永远是列表，需要通过下标提取指定的对象
使用bs4爬取诗词名句中的三国演义小说中的每一章的内容
import requests from bs4 import BeautifulSoup url = 'http://www.shicimingju.com/book/sanguoyanyi.html' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36' } #获取标题正文页数据 page_text = requests.get(url=url,headers=headers).text+ # 实例化 BeautifulSoup # 将页面源码数据加载里面 , 参数1=page_text , 参数2="lxml" 解析器 soup = BeautifulSoup(page_text,'lxml') #标签定位,返回的是一个列表,是标题 a_list = soup.select('.book-mulu > ul > li > a') #因为内容是要循环的,所有文件打开一次就可以 fp = open('sanguo.txt','w',encoding='utf-8') for a in a_list: # 获取a标签的直系标签的文本内容 title = a.string #补全标题内容的地址 detail_url = 'http://www.shicimingju.com'+a['href'] #进入标题的url才是标题对应的内容 detail_page_text = requests.get(url=detail_url,headers=headers).text soup = BeautifulSoup(detail_page_text,'lxml') content = soup.find('div',class_='chapter_content').text fp.write(title+'\n'+content) print(title,'下载完毕') print('over') fp.close()
import requests from bs4 import BeautifulSoup # 获取页面源文件 url = "https://www.23us.so/files/article/html/0/43/index.html" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36" } page_text = requests.get(url=url,headers=headers) #防止中文文字出现乱码 page_text.encoding = "utf8" page_text = page_text.text # 实例化 BeautifulSoup # 将页面源码数据加载里面 , 参数1=page_text , 参数2="lxml" 解析器 soup = BeautifulSoup(page_text,"lxml") # 标签定位,HTML的标签 # 先解析源码中标题所对的a标签 层级 .代表id # 返回一个列表 a_list = soup.select(".L > a") f1 = open('三寸人间2.text','w',encoding="utf8") # 遍历列表,获取a标签的本文和 href 值 # 获取章节目录 # a表示<a href="/10/10489/4535761.html">第一章 我要减肥！</a> # a.string 获取标签直系的文本内容,返回字符串 for a in a_list: title = a.string #补全域名 http://www.xbiquge.la + deatil_url detatil_url = a["href"] # 获取详情页的源码数据 detail_page_text = requests.get(url=detatil_url,headers=headers).content print('3333333333',detail_page_text) soup = BeautifulSoup(detail_page_text,"lxml") # 获取文本内容 ,div content = soup.find('dd',id='contents').text # 持久化存储 f1.write(title+'\n'+content) print(title,"下载ok") print("ok") f1.close()
四 . 图片的懒加载
示例网站 : http://sc.chinaz.com/tupian/hunsha.html
就是在打开网站之后图片并不是全部加载出来,而是在你的鼠标向下滑动的时候在加载(滑动一点加载一点)
import requests from lxml import etree import os import urllib if not os.path.exists('./tupian'): os.mkdir('./tupian') url = 'http://sc.chinaz.com/tupian/' headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36' } response = requests.get(url=url, headers=headers) response.encoding = 'utf8' res = response.text tree = etree.HTML(res) url_list = tree.xpath('//div[@id="container"]/div/div/a/img/@src2')
# img标签有伪属性src2，当图片滚动到视野内时变为 src for url in url_list: filepath = './tupian/' + url.rsplit('/',1)[-1] urllib.request.urlretrieve(url, filepath) print(filepath, '下载完成！') print('over')
五 . 代理ip
- 什么是代理
-
代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......
-
-
爬虫中为什么需要使用代理
-
一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。
-
-
代理的分类：
-
正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。
-
反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。
-
-
免费代理ip提供网站
-
http://www.goubanjia.com/
-
西祠代理
-
快代理
-
- 代理ip的匿名度分为三个等级:
高匿：服务器不知道你使用了代理，并无法获取你的真实IP;
普匿：服务器能知道你使用了代理，但是无法获取你的真实IP地址;
透明：服务器能知道你使用了代理，并能获取你的真实IP地址。
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests import random if __name__ == "__main__": #不同浏览器的UA header_list = [ # 遨游 {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"}, # 火狐 {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}, # 谷歌 { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} ] #不同的代理IP proxy_list = [ {"http": "112.115.57.20:3128"}, {'http': '121.41.171.223:3128'} ] #随机获取UA和代理IP header = random.choice(header_list) proxy = random.choice(proxy_list) url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip' #参数3：设置代理 response = requests.get(url=url,headers=header,proxies=proxy) response.encoding = 'utf-8' with open('daili.html', 'wb') as fp: fp.write(response.content) #切换成原来的IP requests.get(url, proxies={"http": ""})
六 . 总结 : 目前学过的反爬机制
- robots.txt
- UA
- 数据加密
- 懒加载
- 代理ip
