目录
爬虫是什么?;爬虫就是程序--->从互联网中,各个网站上,爬取数据[前提是:你能浏览的页面才能爬],做数据清洗,保存到数据库的过程。
爬虫本质:模拟方式发送http请求、然后获取数据、再做数据清洗、最后保存到数据库
本篇爬虫知识主要包括(不会一次性写完,分好几篇文章写完):
- 模拟发送http请求(requests模块、selenium)
- 反扒(封IP:IP代理、封账号:cookie池)
- 解析数据(bs4)
- 入库(保存到MySQL、Redis等数据库以及普通文件)
- 爬虫框架(scrapy)
一、requests模块
使用python为什么能发送http请求,原因是该模块封装了Python内置模块urllib(起之前用到的urllib,requests模块的api更加便捷,本质就是封装了urllib3)
安装模块
pip install requests
基本使用
import requests res = requests.get('网址') # 获取数据发送get请求 print(res.text) # text 参数可以打印出页面HTML代码
二、requests携带参数的方式
第一:直接在URL后面英文问号拼参数 res = requests.get('网址') 第二:使用params参数(其实最后效果跟第一种方式一样) res = requests.get('网址',params={'name':'mire','age':18})
三、get请求URL解码编码
import requests from urllib.parse import quote, unquote res = requests.get('网址', params={'name': '阿丽米热', 'age': 18}) print(res.url) # https://www.cnblogs.com/almira998/p/17208674.html?name=%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD&age=18 """ 我们平时在浏览器上搜关键字,有时候当前网址后面拼搜索关键字但是其已经url编码的具体样子如下 https://www.cnblogs.com/almira998/p/17208674.html?name=%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD&age=18 怎么样?是不是很眼熟啊,这就是url编码后的效果 """ ''' 那么我们可以研究下如编码和解码 首先要导入模块 from urllib.parse import quote, unquote quote:代表编码 unquote:代表解码 ''' # 演示一下编码和解码 res = quote('阿丽米热') print(res) # %E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD res1 = unquote('%E9%98%BF%E4%B8%BD%E7%B1%B3%E7%83%AD') print(res1) # 阿丽米热
四、post请求携带数据编码格式
import requests # data对应字典,这样写,编码方式是urlencoded requests.post(url='xxxxxxxx',data={'xxx':'yyy'}) # json对应字典,这样写,编码方式是json格式 requests.post(url='xxxxxxxx',json={'xxx':'yyy'}) # 终极方案,编码就是json格式 requests.post(url='', data={'':1,}, headers={ 'content-type':'application/json' })
四、get请求携带请求头
# (反爬虫措施之一) Connection: keep-alive # 该参数的作用保持链接状态,因为http协议本质是基于TCP协议的(无连接、无状态) Cookie: 很长的字符串删掉; # 带着cookie就可以信任为登录状态,请求比较容易成功 User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.3 # 表示客户端的类型 比如操作系统浏览器类型等等
import requests # 先用字典的形式包装好 headers = { 'Connection':'keep-alive', 'Cookie':'一堆字符串', 'User-Agent':'' } res = requests.get('网址', headers=headers) # headers=headers表明携带请求头 print(res.text)
五、post请求携带参数
# 发送post请求需要以下参数 """ 1、携带登录信息(用户名、密码、验证码) 2、携带cookie 3、携带请求头headers """
import requests data = { 'username': '', 'password': '', 'captcha': '3456', 'remember': 1, 'ref': '网址', 'act': 'act_login' } headers = { 'Connection':'keep-alive', 'Cookie':'一堆字符串', 'User-Agent':'' } res = requests.get('网址', data=data, headers=headers) print(res.text) """ 登录一般都是post请求,需要细带cookie 但是有些网站啊有双token认证 严重影响了爬虫的效率 使用requests.session就不用带cookie """ # 使用方法 session = requests.session() res = session.post('网址', data=data) res1 = session.get('网址') # 自动保持登录状态,自动携带cookie
六、requests.session的使用(可以不用带cookie)
import requests # 在data参数里需要携带用户名密码验证码等基本信息 data = { 'username': '3014885197@qq.com', 'password': 'almira10054X', 'referer': '网址' } # 发post请求,参数里面传data参数 session = requests.session() res = session.post('网址, data=data) print(res.text)
七、response对象
# Response相应对象的属性和方法 import requests headers = { 'User-Agent': '一些pc和浏览器配置信息' } respone=requests.get('网址',headers=headers) # respone属性 print(respone.text) # 响应体转成了字符串 print(respone.content) # 响应体的二进制内容 print(respone.status_code) # 响应状态码 print(respone.headers) # 响应头 print(respone.cookies) # cookie是在响应头,cookie很重要,它单独做成了一个属性 print(respone.cookies.get_dict()) # cookieJar对象---》转成字段 print(respone.cookies.items()) # cookie的键值对 print(respone.url) # 请求地址 print(respone.history) # 不用关注 print(respone.encoding) # 响应编码格式
八、爬取图片和视频(前提是没有做防盗链)
import requests url = '网址' res = requests.get(url) with open('狗.jpg', 'wb') as f: for line in res.iter_content(): f.write(line) url = '网址' res1 = requests.get(url) with open('视频.mp4', 'wb') as f: for line in res1.iter_content(): f.write(line)