Python入门爬虫精要

 

Python爬虫主要分为三大板块：抓取数据，分析数据，存储数据。

 

简单来说，爬虫要做就是通过指定的url，直接返回用户所需数据，无需人工一步步操作浏览器获取。

 

1.抓取数据

一般来说，访问网站url给我们返回两种格式数据，html和json。

 

1) 无参

抓取数据的大多数属于get请求，我们可以直接从网站所在服务器获取数据。在python自带模块中，主要有urllib及urllib2，requests等。

这里以requests为例。

Requests：
  import requests
  response = requests.get(url)
  content = requests.get(url).content
  content = requests.get(url).json()
  print "response headers:", response.headers
  print "content:", content

2)带参

此外，还有一种是以带参的形式抓取数据，参数一般附在url结尾，首个参数以"?"连接，后续参与以"&"连接。

data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data为dict，json
  import requests
  response = requests.get(url=url, params=data)

 

2.登录情况处理

1) post表单登录

先向服务器发送表单数据，服务器再将返回的cookie存入本地。

data = {'data1':'XXXXX', 'data2':'XXXXX'}
Requests：data为dict，json
  import requests
  response = requests.post(url=url, data=data)

 

2) 使用cookie登陆

使用cookie登录，服务器会认为你是一个已登录用户，会返回一个已登录的内容。需要验证码的情况，我们可以考虑此方式解决。

import requests      
requests_session = requests.session() 
response = requests_session.post(url=url_login, data=data)

 

3.反爬虫机制处理

我们知道，现在很多网站都做了反爬虫机制处理。

相信我们都遇到，当我们爬取某个网站的时候，第一次爬取可以，第二次可以，第三次就报失败了，会提示IP限制或者访问过于频繁报错等。

针对于这种情况，我们有几种方法解决。

 

1) 使用代理

主要是用于"限制IP"地址情况，同样也可以解决频繁访问需要验证码的问题。

我们可以维护一个代理IP池，网上可以查到很多免费的代理IP，我们可以选择我们所需要的。

proxies = {'http':'http://XX.XX.XX.XX:XXXX'}
Requests：
  import requests
  response = requests.get(url=url, proxies=proxies)

2)时间限制

解决频繁访问导致访问受限问题。遇到这种情况很简单，我们需要放缓两次点击之间的频率即可，加入sleep函数即可。

import time
time.sleep(1)

3） 伪装成浏览器访问

当我们看到一些爬虫代码的时候，会发现get请求会有headers头，这是在伪装浏览器访问的反盗链。

 

一些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。

 

有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。

headers = {'User-Agent':'XXXXX'} # 伪装成浏览器访问，适用于拒绝爬虫的网站
headers = {'Referer':'XXXXX'}
headers = {'User-Agent':'XXXXX', 'Referer':'XXXXX'}
Requests：
  response = requests.get(url=url, headers=headers)

4) 断线重连

 

可以参考两种方法。

def multi_session(session, *arg):
  retryTimes = 20
  while retryTimes>0:
    try:
      return session.post(*arg)
    except:
      retryTimes -= 1
   
   或
   
  def multi_open(opener, *arg):
    retryTimes = 20
    while retryTimes>0:
      try:
        return opener.open(*arg)
      except:
        retryTimes -= 1

这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。

 

4.多线程爬取

当我们爬取或者数据量过大，可以考虑使用多线程。这里介绍一种，当然还有其他方式实现。

 

import multiprocessing as mp

def func():
  pass

p = mp.Pool()
p.map_async(func)
# 关闭pool，使其不在接受新的（主进程）任务
p.close()
# 主进程阻塞后，让子进程继续运行完成，子进程运行完后，再把主进程全部关掉。
p.join()

 

5.分析

一般获取的服务器返回数据主要有两种，html和json。

html格式数据，可以采用BeautifulSoup，lxml，正则表达式等处理

json格式数据，可以采用Python列表，json，正则表达式等方式处理

 

此外，我们可以采用numpy， pandas，matplotlib，pyecharts等模块包做相应的数据分析，可视化展示等。

 

6. 存储

数据抓取，分析处理完后，一般我们还需要把数据存储下来，常见的方式有存入数据库，excel表格的。根据自己需要选择合适的方式，把数据处理成合适的方式入库。

 

最后想了解更多，欢迎关注我

 

标签：get,Python,爬虫,url,session,精要,requests,data,headers
来源： https://www.cnblogs.com/wmzhong/p/14553846.html