python进行爬虫

 

 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？

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/shixisheng/p/9496849.html