爬虫01 /jupyter、爬虫概述、requests基本使用

爬虫02 /jupyter、爬虫概述、requests基本使用

目录

• 爬虫02 /jupyter、爬虫概述、requests基本使用
  • 1. jupyter的基本使用
  • 2. 爬虫概述
  • 3. requests模块的基本使用
  • 总结：

1. jupyter的基本使用

• 什么是anaconda

  • 是一个基于数据分析+机器学习的集成环境。

• 什么是jupyter（超级终端）

  • 是anaconda中的一个基于浏览器可视化的编码工具

• 在指定目录下启动终端：录入jupyter notebook指令开启指定的服务。

• cell的两种模式:cell必须要经过执行才可看到效果

  • MarkDown：编写笔记。兼容markdown的语法和html标签

  • Code：编写代码。

• 快捷键

  • 插入cell：a,b

  • 删除cell：x

  • 执行cell：shift+enter

  • tab:自动补全

  • 切换cell的模式：y，m

  • 打开帮助文档：shift+tab

  • 在cell和输出结果间切换 : Esc + O

2. 爬虫概述

• 什么是爬虫

  • 就是通过编写程序模拟浏览器上网，让其去互联网中抓取数据的过程。

• 爬虫的分类：

  • 通用爬虫：爬取一整张页面源码数据。
  • 聚焦爬虫：爬取页面中局部的数据。一定是在通用爬虫的基础上实现。
    • 数据解析
  • 增量式爬虫：用来监测网站数据更新的情况。以便于爬取最新更新出来的数据！

• 爬虫合法性探究：

  • 爬虫的风险体现：
    • 爬虫干扰了被访问网站的正常运营；
    • 爬虫抓取了受到法律保护的特定类型的数据或信息。
  • 如何规避风险：
    • 严格遵守网站设置的robots协议；
    • 在规避反爬虫措施的同时，需要优化自己的代码，避免干扰被访问网站的正常运行；
    • 在使用、传播抓取到的信息时，应审查所抓取的内容，如发现属于用户的个人信息、隐私或者他人的商业秘密的，应及时停止并删除。

• 反爬机制

  • robots协议：存在于服务器端的一个纯文本的协议；域名后加/robots.txt即可查看该网站robots协议
    • User-Agent:就是请求载体的身份标识。
    • 特点：防君子不放小人

• 反反爬策略

• http的头信息

  • User-Agent
  • Connection：'close'/'keep-alive'
  • content-type

3. requests模块的基本使用

• 基于网络请求的模块。

• 环境的安装：pip install requests

• 作用：模拟浏览器发起请求

• 分析requests的编码流程：

  • 1.指定url
  • 2.发起了请求
  • 3.获取响应数据
  • 4.持久化存储

• 参数动态化

  • 设置一个字典，键值就是请求携带的请求参数，需要作用到data/params

• 动态加载数据

  • ajax，js

• 需求：爬取搜狗首页的页面源码数据

  import requests
  # 1.指定url
  url = 'https://www.sogou.com/'
  
  # 2.发起请求,get的返回值是一个响应对象
  response = requests.get(url)
  
  # 3.获取响应数据,text属性返回的是字符串形式的响应数据
  page_text = response.text
  
  # 4.持久化存储
  with open('./sogou.html','w',encoding='utf-8') as fp:
      fp.write(page_text)
  

• 需求：简易的网页采集器

  url = 'https://www.sogou.com/web?query=人民币'
  response = requests.get(url)
  page_text = response.text
  with open('./人民币.html','w',encoding='utf-8') as fp:
      fp.write(page_text)
  

  • 上述代码出现的问题：

    • 出现了乱码
    • 数据的量级不够

  • 处理乱码

    url = 'https://www.sogou.com/web?query=人民币'
    response = requests.get(url)
    # 修改响应数据的编码格式
    response.encoding = 'utf-8'
    page_text = response.text
    with open('./人民币.html','w',encoding='utf-8') as fp:
        fp.write(page_text)
    

  • 处理数据量级的问题：

    • 遇到了对应的反爬机制
    • 反爬机制：UA检测
    • 反反爬策略：UA伪装
    • UA伪装的实现：
      • 1.定义一个字典
      • 2.在字典中进行相关请求头信息的伪装
      • 3.将该字典作用到get方法的headers参数中即可
    • UA检测被作用到了大量的网站中，因此日后，爬虫程序编写中一定要直接加上UA的操作

    url = 'https://www.sogou.com/web?query=人民币'
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    response = requests.get(url,headers=headers)  # UA伪装
    
    # 修改响应数据的编码格式
    response.encoding = 'utf-8'
    
    page_text = response.text
    with open('./人民币.html','w',encoding='utf-8') as fp:
        fp.write(page_text)
    

  • 最终实现

    • 请求参数的动态化
    • 实现：
      • 1.定义一个字典
      • 2.字典中的键值就是url携带的参数
      • 3.将字典作用到get方法的params参数中

    url = 'https://www.sogou.com/web'
    
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    
    # 参数动态化
    wd = input('enter a key word:')
    param = {
        'query':wd
    }
    response = requests.get(url,headers=headers,params=param)   # UA伪装
    
    # 修改响应数据的编码格式
    response.encoding = 'utf-8'
    
    page_text = response.text
    fileName = wd+'.html'
    with open(fileName,'w',encoding='utf-8') as fp:
        fp.write(page_text)
    print(fileName,'爬取成功！！！')
    

• 需求：爬取豆瓣电影的详情数据

• 分析：

  • 更多的电影数据是通过将滚轮滑动到底部后发起了ajax请求请求到的电影数据

  • 对ajax请求的url进行捕获

  • 对ajax请求的url进行请求发送

    url = 'https://movie.douban.com/j/chart/top_list'
    fp = open('./movieData.txt','a+',encoding='utf-8')
    for i in range(0,10):
        param = {
            'type': '13',
            'interval_id': '100:90',
            'action': '',
            'start': str(i*20),
            'limit': '20',
        }
        response = requests.get(url=url,params=param,headers=headers)
        # json()将json串进行序列化
        movie_list = response.json()
        for dic in movie_list:
            name = dic['title']
            score = dic['score']
            fp.write(name+':'+score+'\n')
        print('第{}页数据爬取成功！'.format(i))
    fp.close()
    

• 需求：肯德基餐厅查询http://www.kfc.com.cn/kfccda/storelist/index.aspx

• 分析：

• 动态加载数据

• 动态加载数据

  • 概念：通过其他/另一个请求请求到的数据

  • 特性：可见非可得

  • 判定相关的页面数据是否为动态加载的数据？

    • 基于抓包工具定位到浏览器地址栏url对应的请求数据包，进行局部搜索：
      • 搜索到：这组被搜索的数据不是动态加载的，可以直接爬取
      • 没有搜到：这组数据是动态加载的，不可以直接爬取。

  • 如何捕获动态加载的数据？

    基于抓包工具进行全局搜索，最终可以定位到动态加载数据对应的数据包。

    import requests
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    data = {
        'cname': '',
        'pid': '',
        'keyword': '广州',
        'pageIndex': '1',
        'pageSize': '10',
    }
    url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
    response = requests.post(url=url,headers=headers,data=data)
    pos_data = response.json()
    pos_data
    

• 药监总局数据爬取，爬取的是每一家企业的详情数据

• 分析：

  • 打开了某一家企业的详情页面，看到了企业的详情数据

  • 判定改家企业的详情数据是否为动态加载的？

    • 进行局部搜索
      • 没有搜索到，说明数据是动态加载出来的
    • 捕获动态加载的数据？
      • 全局搜索，定位到了动态加载数据对应的数据包，提取出了url和请求参数

  • 成功的捕获到了一家企业对应的详情数据

  • 通过上述方式继续分析第二家企业，发现：

    • 每一家企业对应动态加载数据的url都一样：http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById，只要请求参数id的值不一样！说明id值标识的就是每一家企业的唯一标识。

  • 捕获每一家企业的id

    • 在首页中，通过抓包工具对企业名称进行搜索，对应的数据包中发现了企业名称和id
      • url：http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList

    # 获取企业id
    ids = []   # 存储所有企业的id
    url = 'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList'
    for page in range(1,6):
        data = {
            'on': 'true',
            'page': str(page),
            'pageSize': '15',
            'productName': '',
            'conditionType': '1',
            'applyname': '',
            'applysn': '',
        }
        company_datas_json = requests.post(url=url,headers=headers,data=data).json()
        for dic in company_datas_json['list']:
            _id = dic['ID']
            ids.append(_id)
    
    detail_url = 'http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById'
    for _id in ids:
        data = {
        'id':_id
        }
        company_json = requests.post(url=detail_url,headers=headers,data=data).json()
        print(company_json['epsName'],company_json['epsProductAddress'])
    

总结：

1. 很多网站都会设置UA反爬，一般爬取数据的时候都要加上UA伪造
2. requests模块post请求与get请求的区别：
   • 请求数据：post放在data的字典中，get放在params的字典中