码迷,mamicode.com
首页 > 其他好文 > 详细

理解爬虫原理

时间:2019-04-02 10:48:15      阅读:202      评论:0      收藏:0      [点我收藏+]

标签:content   body   百度一下   三方   mysql   结果   二进制   sel   query   

1. 简单说明爬虫原理

爬虫:请求网站并提取数据的自动化程序

百科:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

2. 理解爬虫开发过程

1).简要说明浏览器工作原理;

方式1:浏览器提交请求--->下载网页代码--->解析成页面

方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2;

 技术图片

1、发起请求

使用http库向目标站点发起请求,即发送一个Request

Request包含:请求头、请求体等 

Request模块缺陷:不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应,则会得到一个Response

Response包含:html,json,图片,视频等

3、解析内容

解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等

解析json数据:json模块

解析二进制数据:以wb的方式写入文件 

4、保存数据

数据库(MySQL,Mongdb、Redis)

文件

2).使用 requests 库抓取网站数据;

requests.get(url) 获取校园新闻首页html代码

import requests
from bs4 import BeautifulSoup
 
url=http://news.gzcc.cn/html/2019/tongzhigonggao_0321/11036.html
response=requests.get(url) #获取网页html
 
response.encoding=utf-8
print(response.text)

结果:

技术图片

3).了解网页

写一个简单的html文件,包含多个标签,类,id

<html>
<head>
<meta charset="utf-8">
<body>
<h1 id="title">标题</h1>
<p class="time">发布时间:2019年</p>
<a href="http://www.runoob.com">点击百度一下,你就知道</a>    <br>
 <label for="inputname" class="col-sm-2 control-label ">姓名</label>
 <input type="text" class="form-control" id="inputname"value="huang"  >  
</body>
</head>
</html>

4).使用 Beautiful Soup 解析网页;

通过BeautifulSoup(html_sample,‘html.parser‘)把上述html文件解析成DOM Tree

select(选择器)定位数据

找出含有特定标签的html元素

找出含有特定类名的html元素

找出含有特定id名的html元素

 

import requests
from bs4 import BeautifulSoup
url = http://news.gzcc.cn/html/2019/xibusudi_0329/11097.html
news = requests.get(url)
news.encoding = utf-8
newSoup = BeautifulSoup(news.text,html.parser)
#找出含有特定标签的html元素
newSpan = newSoup.select(span);
print(找出含有span标签的html元素:)
print(newSpan);
#找出含有特定类名的html元素
newInfo = newSoup.select(.show-info);
print(找出class=show-info的html元素:);
print(newInfo);
#找出含有特定id名的html元素
newContent = newSoup.select(#content)[0].text;
print(找出id=content的html元素:);
print(newContent);

技术图片

3.提取一篇校园新闻的标题、发布时间、发布单位、作者、点击次数、内容等信息

如url = ‘http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html

要求发布时间为datetime类型,点击次数为数值型,其它是字符串类型。

import requestsrequests
import bs4
from bs4 import BeautifulSoup
bs4#获取特定网站数据
url="http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0320/11029.html‘"
res=requests.get(url)
type(res)
res.encoding="utf-8"
soup1=BeautifulSoup(res.text,html.parser)
#得到新闻标题
soup1.select(title)#得到新闻的发布时间和单位
soup1.select(.show-info)#遍历for news in soup1.select(‘li‘):if len(news.select(‘.news-list-title‘))>0:t=news.select(‘.news-list-title‘)[0].texta=news.select(‘a‘)[0][‘href‘]d=news.select(‘.news-list-info‘)[0].textprint(t)

 

理解爬虫原理

标签:content   body   百度一下   三方   mysql   结果   二进制   sel   query   

原文地址:https://www.cnblogs.com/Tily/p/10640934.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!