一、爬蟲的步驟

1、需求分析（人做）

2、尋找網站（人）
3、下載網站的回傳內容（requests）
4、通過回傳的資訊找到需要爬取的資料內容(正則運算式-re,xpath-lxml)
5、存盤找到的資料內容(mysql)

二、requests

import requests
url = 'http://www.baidu.com/'
response = requests.get(url)
print(response)

回傳當前url的html資訊，（其他url還可能獲取圖片等）
Response[200],Response是一個類，這個類重寫了__str__方法（）
回傳值，如果一個url能正常回傳html內容，回傳值就是200

處理亂碼的方式
1.查看編碼方式：右鍵檢查—>找到head—>charset就是編碼方式
2.通過response指定編碼方式

response.encoding = 'utf-8'
print(response.text)
print('=' * 30)
print(response.content)

三、http協議

1.協議：即雙方遵守的語言，相當于語言，相同的語言能夠相互理解

2.HTTP協議

方法：GET POST

GET：通過URLl獲取網站的資訊，不改變網站的狀態（不改變服務器的任何內容）

POST：通過URL向網站傳輸資訊，改變網站的狀態（POST比GET多from/body資訊)

import requests

form = {
    'kw':'同'
}
url = 'https://fanyi.baidu.com/sug'
response = requests.post(url, data =https://www.cnblogs.com/liuyebai/archive/2022/11/04/ form)
print(response.text)

HEAD:跟GET類似，但只有head資訊s
OPTIONS:PUT通常指定了資源的存放位置
PUT:跟POST類似，但通常指定了資源的存放位置
DELET:洗掉某個資源

3.HTTP協議的傳輸

Request —URL + request headers(請求頭資訊)
Response —HTML ++ responce headers(回傳頭資訊)

General
Request URL: https://www.baidu.com/
Request Method: GET requests的獲取方法
Status Code: 200 OK 回傳值
Remote Address: 14.215.177.39:443 服務器名稱
Referrer Policy: no-referrer-when-downgrade

4.請求頭資訊中重要的三個資訊

a)User-Agent —身份是什么
b)Referer —跳轉網頁是什么（即現在的網頁是從哪個網頁來的）
c)cookie —本地存盤資訊的—與服務器的session一一對應
添加的順序：a—>b—>c如果能夠獲取，不再添加
如果加上都不行，把headers全部復制下來

import requests

url = 'https://www.xicidaili.com/nn/'

添加請求頭資訊,字典的方式寫入

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36'
}
response = requests.get(url, headers = headers)

with open('xicidaili.txt', 'wb') as f:
    f.write(response.content)

5.url的組成

1.協議部分，常見的有"http:", “ftp:”
2.域名部分，如"www.baidu.com",也可以用IP地址代替
3.埠部分，跟在域名后面的是埠，域名和埠用":“作為分隔符，埠不是必須的，如果省略埠，采用默認埠，常見的埠"8080”
4.虛擬目錄部分：從域名（埠）后面第一個“\”到最后一個“\”為止，是虛擬目錄部分
5.檔案名部分：從最后一個"“到”?“為止，或者從最后一個”“到”#“為止，或者從最后一個”“到最后
6.引數部分：從”?“開始到”#“為止之間的部分為引數部分，也叫搜索部分，查詢部分，引數與引數之間用”&“作為分位符
7.錨部分：從”#"開始到最后，都是錨部分，他的作用是跳轉到本頁面的子目錄下，不加載新的頁面

6.Ajax：異步加載，即url不變，經行操作后頁面發生變化，去看network里的XHR

7.json

import requests
import json

form = {
    'kw':'同'
}
url = 'https://fanyi.baidu.com/sug'
response = requests.post(url, data = https://www.cnblogs.com/liuyebai/archive/2022/11/04/form)

# json是一個包，函式loads的作用是輸入一個字串，輸出這個json字串的python型別資料

json_dict = json.loads(response.text)
print(response.text)
print("=" * 30)
print(json_dict)
translated = json_dict['data'][0]['v']
print("翻譯后的內容是：", translated)

8.去重

1、set的實作方式
通過hash函式和hash表實作的，（分而治之的思想）如10000 % 20把這些數分為20類
2、位圖
比如存100000個不重復的數字，0-1000000之間，int形，一個int要占32bit,位圖即給10000位，數字0存在寫入1，不存在寫入0，以此類推
3、布隆過濾器
對于很多url,用hash函式對每個URL分組，對應一個數字，再根據這些數字做位圖

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/527807.html

標籤：其他

上一篇：Elasticsearch Analyzer 內置分詞器