《python3爬虫、数据清洗与可视化实战》第二章 简单的爬虫
2019-07-14 本文已影响0人
LZzzHe
2.1 关于爬虫的合法性
- 几乎每一个网站都有一个名为robots.txt的文档，用来判断是否有禁止访客获取的数据，以淘宝为例子，在浏览器访问 https://www.taobao.com/robots.txt，淘宝允许部分爬虫访问它的部分路径，而对于没有得到允许的用户则是全部禁止爬取，代码如下：
# 除前面指定的爬虫外，不允许其他爬虫爬取任何数据。
User-Agent: *
Disallow: /
2.2 认识网页结构
- 网页由HTML（超文本标记语言）、CSS（层叠样式表）、JScript（活动脚本语言）三部分组成。
2.3 使用GET方式抓取数据
- Ctrl+U 打开源码页面，Ctrl+F打开搜索框，确认好请求对象和方式后，在pycharm中输入以下代码。
import requests #导入requests包
url = 'http://www.cntour.cn/'
strhtml = requests.get(url) #GET方式，获取网页数据
print(strhtml.text) #表示网页源代码
2.4 使用POST抓取数据
- 以有道翻译为例，首先输入网址：http://fanyi.youdao.com/，按F12，进入开发者模式依次单击“Network”按钮和“XHR”按钮，找到翻译数据。
import requests
import json
def get_translate_data (word=None):
url='http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule '
Form_data = {'i': word,
'from': 'AUTO',
'to': 'AUTO',
'smartresult': 'dict',
'client': 'fanyideskweb',
'salt': '15629866146500',
'sign': '3980757ebe914c2d22649888361da473',
'ts': '1562986614650',
'doctype': 'json',
'version': '2.1',
'keyfrom': 'fanyi.web',
'action': 'FY_BY_REALTlME',
'typoResult':'false'}
response = requests.post(url,data = Form_data)
content = json.loads(response.text)
print(content['translateResult'][0][0]['tgt'])
if __name__ =='__main__':
get_translate_data ('我爱数据')
2.5 使用 Beautiful Soup 解析网页
- 首先安装BeautifuSoup4，然后还需要安装lxml库，如果不安装，就会使用python默认的解析器，安装完python第三方库之后，输入以下代码：
import requests
import pprint
from bs4 import BeautifulSoup
url = 'http://www.cntour.cn/'
strhtml = requests.get(url)
soup = BeautifulSoup(strhtml.text,'lxml') # 指定lxml解析器进行解析
data = soup.select('#main > div > div.mtop.firstMod.clearfix > div.leftBox > div:nth-child(2) > ul > li > a')
pprint.pprint(data)
- 在浏览器的开发者模式，对爬取内容的路径进行Copy selector，代码如下：
#main > div > div.mtop.firstMod.clearfix > div.leftBox > div:nth-child(2) > ul > li > a
2.6 数据清洗
- 首先明确要提取的数据是标题和链接，标题在<a>标签中，提取标签的正文用 get_text() 方法，提取href属性也用 get() 方法。
for item in data:
result={
'title':item.get_text(),
'link':item.get('href')
}
print(result)
- 正则表达式，提取链接中的数字ID，需要用到的正则符号如下：
\d #匹配数字
+ #匹配前一个字符1次或多次
- 在python中调用正则表达式时使用re库，这个库不用安装，可以直接调用，在pycharm中输入以下代码：
import re
for item in data:
result = {
'title':item.get_text(),
'link':item.get('href'),
'ID':re.findall('\d+',item.get('href'))
}
- 这里使用re库的finadall方法，第一个参数表示正则表达式，第二个参数表示要提取的文本。
2.6 爬虫攻防线
- 网站针对爬虫，会采取一些反爬策略，第一种方式就是通过检查链接的 useragent 来识别到底是浏览器访问，还是代码访问。
- 服务器识别浏览器访问的方法就是判断是否为Request headers 下的User-Agent，因此，我们只需要构造这个请求头的参数即可，以2.4为例，代码如下：
headers = {'User-Agent': 'Mozilla / 5.0(Windows NT 10.0; Win64; x64) AppleWebKit/537.36(KHTML, likeGecko) Chrome/70.0.3538.102 Safari/537.36'}
response = requests.post(url,data = Form_data,headers=headers)
- 除此之外，访问的频率过高，这个行为也不符合正常人类的行为，也会被封IP，这个问题有两个解决方案，第一就是增设延时，设3s抓取一次，代码如下：
import time
time.sleep(3)
- requests相应有proxies属性，为了提高效率，阔以从本质上解决问题，首先，构建自己的代理IP池，将其以字典的形式赋值给proxies，然后传输给requests，代码如下：
proxies = {
"http":"http://10.10.1.10:3128",
"https":"http://10.10.1.10:1080",
}
response = requests.get(url,proxies=proxies)
