使用python进行网络爬虫

非结构画数据 转为 结构化数据。需要借助ETL（数据抽取，转换，存储）进行。

非结构化数据蕴含着丰富的价值。需要借助ETL进行转换成结构化数据，才能变成有价值的数据。比如下边的网页，信息是非结构化的，我们需要把他们转为结构化的数据，才会变成有价值的信息。

再例如搜索引擎，就是利用网络爬虫技术，去各个网站爬虫数据，然后做成索引，然后供我们查找。为什么今天的爬虫技术这么热呢？因为我们需要的数据好多都不在自己的数据库上，所以只能通过网络爬虫的技术去网络上爬取。

一 网络爬虫架构

一般网络爬虫架构如下：

首先我们要有一个网页链接器，然后去网站的服务器进行请求，然后服务器给我们反应。我们可以又键鼠标，然后选择检查

然后选择Network选项，然后点击左上角的刷新按钮，发现左下角有67个请求。

这些功能原本是给网页开发人员使用的，但network也可以给我们轻松使用，分析得到什么样的请求，得到了什么回应。

我们点击左上角的漏斗行的按钮，发现得到很多信息。

XHR：网站回应的内容

JS：和网页互动

CSS：网站的化妆品，呈现颜色等

Img：图片

Media：多媒体资料，如视频

Font：文字

Doc：网页资料

WS：是websocket

Manifest：宣告

Other：其他

我们的新闻内容一般就是放在了Doc里边了，点击Doc按钮，选择第一个页面的Response。

通过比较我们的网站内容和html，发现很像，那么这些资料很有可能就是我们需要的资料。

二 网络爬虫背后的秘密

如何观察一个网页，然后把有用的内容抓取下来？

首先我们可以用开发人员工具，右键选择检查，然后选择Doc，在选择第一个链接。

为什么可以在Doc里边找到呢？因为每一个网站都需要被搜索引擎爬虫到的需求，百分之九十的都会在Doc里边找到。如何判断这个链接就是我们需要抓取的内容呢？我们可以通过比较html内容和网页内容来判断。

我们选择Headers内容：

什么是get方法呢？

我们可以把get方法想象成一个明信片，我们通过get方法来访问服务器，当服务器收到我们的get之后，知道了我们的来意，就可以把相应的回应返回给我们。

通过pip安装套件：

　　pip insatll requests

　　pip install BeautifulSoup4

三 编写第一个网络爬虫

使用Request进行操作，（不实用Urllib2，因为它用起来非常的麻烦）。

回到新浪页面，既然可以用get得到这个页面，那么就用这个网址进行获取这个页面。

import requests

res=requests.get('https://news.sina.cn/gn/?from=wap')

print(res)

import requests

res=requests.get('https://news.sina.cn/gn/?from=wap')

print(res.text)

乱码是因为解码的问题，python误认为是其他的编码方式，

可以用encoding查看编码形式

import requests

res=requests.get('https://news.sina.cn/gn/?from=wap')

print(res.encoding)

修改代码如下：

import requests

res=requests.get('https://news.sina.cn/gn/?from=wap')

res.encoding='utf-8'

print(res.text)

此时不会再乱码了

但是现在的信息依然存在html中，如何把这些信息转成结构化信息呢？

我们可以使用DOM的方法，即Document Object Model,这是一组API，可以用来和网页元素进行互动，

我们可以看到这么一棵树，最上边是html，然后下边是body。

# import requests

#

# res=requests.get('https://news.sina.cn/gn/?from=wap')

# res.encoding='utf-8'

# print(res.text)

from bs4 import BeautifulSoup

html_samp=" \

<html> \

    <body> \

        <h1 id='title'>hello world</h1> \

        <a href='#' class ='link'>this is link1</a> \

        <a href='# link2' class='link'>this is link2</a> \

    </body> \

</html>"

soup=BeautifulSoup(html_samp)

print(soup.text)

运行得到：

输出了内容，但是有一个警告，因为我们没有指定一个剖析器，此时程序会给我们一个默认的。我们也可以指定一个剖析器，避免这个警告。

改写语句：

soup=BeautifulSoup(html_samp,'html.parser')

我们要抓取的内容也许是在特殊的标签之中，那么如何从特殊的标签和节点之中找到我们需要的数据呢？

我们可以用select方法，把含有特定标签的数据取出来

from bs4 import BeautifulSoup

html_samp=" \

<html> \

    <body> \

        <h1 id='title'>hello world</h1> \

        <a href='#' class ='link'>this is link1</a> \

        <a href='# link2' class='link'>this is link2</a> \

    </body> \

</html>"

soup=BeautifulSoup(html_samp,'html.parser')

header=soup.select('h1')

#因为soup中可能会有很多的h1标签，所以上边的header是一个list，所以header[0]表示第一个h1标签

print(header[0])

输出为：

如果要输出其中的内容的画，可以用header[0].text得到其中的内容。

css是网页化妆品，当我们取用里边的词，当里边的id为title时，必须要加上‘#’，才可以存取，如果为class的话，必须要加上‘.’才可以存取。

from bs4 import BeautifulSoup

html_samp=" \

<html> \

    <body> \

        <h1 id='title'>hello world</h1> \

        <a href='#' class ='link'>this is link1</a> \

        <a href='# link2' class='link'>this is link2</a> \

    </body> \

</html>"

soup=BeautifulSoup(html_samp,'html.parser')

#为title的要加上'#'

alink=soup.select('#title')

print(alink)

#为class的，要加上'.'

for link in soup.select('.link'):

    print(link)

最后，还有一个需求，在网页的链接上，我们会用a tag去联系到不同的网页，a tag里边有一个特殊的属性href，使用href才可以联系到其他的网页。

from bs4 import BeautifulSoup

html_samp=" \

<html> \

    <body> \

        <h1 id='title'>hello world</h1> \

        <a href='#' class ='link'>this is link1</a> \

        <a href='# link2' class='link'>this is link2</a> \

    </body> \

</html>"

soup=BeautifulSoup(html_samp,'html.parser')

alinks=soup.select('a')

for link in alinks:

    print(link)

    #之所以我们会用link['href']这样的写法，是因为其中的存取是使用了字典的形式

    print(link['href'])

四 抓取新浪新闻内容

我们已经知道，1.使用requests.get取得页面内容；使用beautifulsoup4把内容剖析出来。

那我们应该怎么对新浪新闻的标题，时间，链接等取出来呢？

python进行爬虫的更多相关文章

  1. Python简单爬虫入门三

    我们继续研究BeautifulSoup分类打印输出 Python简单爬虫入门一 Python简单爬虫入门二 前两部主要讲述我们如何用BeautifulSoup怎去抓取网页信息以及获取相应的图片标题等信 ...

  2. Ubuntu下配置python完成爬虫任务（笔记一）

    Ubuntu下配置python完成爬虫任务(笔记一) 目标: 作为一个.NET汪,是时候去学习一下Linux下的操作了.为此选择了python来边学习Linux,边学python,熟能生巧嘛. 前期目 ...

  3. Python简单爬虫入门二

    接着上一次爬虫我们继续研究BeautifulSoup Python简单爬虫入门一 上一次我们爬虫我们已经成功的爬下了网页的源代码,那么这一次我们将继续来写怎么抓去具体想要的元素 首先回顾以下我们Bea ...

  4. [Python] 网络爬虫和正则表达式学习总结

    以前在学校做科研都是直接利用网上共享的一些数据,就像我们经常说的dataset.beachmark等等.但是,对于实际的工业需求来说,爬取网络的数据是必须的并且是首要的.最近在国内一家互联网公司实习, ...

  5. python简易爬虫来实现自动图片下载

    菜鸟新人刚刚入住博客园,先发个之前写的简易爬虫的实现吧,水平有限请轻喷. 估计利用python实现爬虫的程序网上已经有太多了,不过新人用来练手学习python确实是个不错的选择.本人借鉴网上的部分实现 ...

  6. GJM : Python简单爬虫入门（二） [转载]

    感谢您的阅读.喜欢的.有用的就请大哥大嫂们高抬贵手"推荐一下"吧!你的精神支持是博主强大的写作动力以及转载收藏动力.欢迎转载! 版权声明:本文原创发表于 [请点击连接前往] ,未经 ...

  7. Python分布式爬虫原理

    转载 permike 原文 Python分布式爬虫原理 首先,我们先来看看,如果是人正常的行为,是如何获取网页内容的. (1)打开浏览器,输入URL,打开源网页 (2)选取我们想要的内容,包括标题,作 ...

  8. Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱（转）

    原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开 ...

  9. 关于Python网络爬虫实战笔记③

    Python网络爬虫实战笔记③如何下载韩寒博客文章 Python网络爬虫实战笔记③如何下载韩寒博客文章 target:下载全部的文章 1. 博客列表页面规则 也就是, http://blog.sina ...

  10. 关于Python网络爬虫实战笔记①

    python网络爬虫项目实战笔记①如何下载韩寒的博客文章 python网络爬虫项目实战笔记①如何下载韩寒的博客文章 1. 打开韩寒博客列表页面 http://blog.sina.com.cn/s/ar ...

随机推荐

  1. echarts.js应用之map

    最近项目中用到了echarts.js中的map,我画了一个简版的案例,如下所示: 效果图: 主要代码如下: <!DOCTYPE html> <html lang="en&q ...

  2. 关于 java jdk 环境变量的配置

    最近在学习java , 关于java 环境变量的配置,我想总结一下自己在这方面的经验,可供大家参考: 右键单击“我的电脑” --->"属性” ---> "高级属性设置& ...

  3. TestLink 的使用详解

    二.初始配置(设置用户.产品) 1. 用户设置 在TestLink系统中,每个用户都可以维护自己的私有信息.admin可以创建用户,但不能看到其它用户的密码.在用户信息中,需要设置Email地址,如果 ...

  4. （二）apache atlas配置和运行

    上一篇文章,我们已经构建出了altas的安装包,所以我们继续使用安装包配置和运行atlas 首先解压atlas压缩包,授予bin目录下的执行权限 1.默认启动atlas cd atlas/bin/ p ...

  5. python if all

    #encoding:utf-8 s=['1','9']sta='56789'# if all(t not in sta for t in s):#     print staif all(t not ...

  6. 32.纯 CSS 创作六边形按钮特效

    原文地址:https://segmentfault.com/a/1190000015020964 感想:简简单单的动画特效,位置,动画. HTML代码: <nav> <ul> ...

  7. ADO.net 增删改查

    ADO.net 一.定义:编程开发语言与数据库连接的一门语言技术 二.链接: 在vs中操作数据库需在开头进行链接 链接内容:using System.Data.SqlClient 三.引用数据库: 四 ...

  8. Mybatis八（ mybatis工作原理分析）

    MyBatis的主要成员 Configuration        MyBatis所有的配置信息都保存在Configuration对象之中,配置文件中的大部分配置都会存储到该类中 SqlSession ...

  9. JavaScript实现图片裁剪预览效果~（第一个小玩具）

    感觉开始学习的前一个月真的太不珍惜慕课网的资源了  上面蛮多小玩意真的蛮适合我这样刚入门JavaScript的同学加深使用理解 大概收藏了百来门或大或小的课程  有一个感觉就是学这个真的比光是看书看概 ...

  10. GIFDecoder源码分析

    源码见:ddxxll2008/gifdecoder_java run() public void run(){ if(in != null){ readStream(); }else if(gifDa ...