首页 > 编程语言> 文章详细

Python入门爬虫精要

2021-03-18 10:03:01 阅读：237 来源： 互联网

标签：get Python 爬虫 url session 精要 requests data headers

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

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

Python入门爬虫精要