title: Python网络爬虫与信息提取 date: 2020-12-10 01:00:23 tags: Python categories: 学习笔记

写在前面不知道写啥其实说实话

[TOC]

网络爬虫之规则

安装requests库

cmd 命令行打开

输入pip3 install requests，等待即可

简单测试，爬一下bkjw

import requests

r = requests.get("http://172.16.13.22/")
print(r.status_code)
r.encoding = 'utf-8'
print(r.text)

200

<script type="text/javascript">
    if (location.href.toLowerCase().lastIndexOf('maindesktop', 0) > 0)
        top.location.href = "/";
</script>    
<link rel="stylesheet" type="text/css" href="/extjs/resources/css/ext-all-gray.css" />
    <!--引入自定义CSS-->
    <link href="/Content/css/iconCss.css" rel="stylesheet" type="text/css" />
    <link href="/extjs/Desktop/css/desktop.css" rel="stylesheet" type="text/css" />
    <link rel="stylesheet" type="text/css" href="/Content/style.css" />
    <script type="text/javascript" src="/extjs/ext-all.js"></script>
    <script type="text/javascript" src="/extjs/locale/ext-lang-zh_CN.js"></script>
    <script src="/extjs/Extensions/CustomValidate.js" type="text/javascript"></script>
    <script src="/extjs/Extensions/Util.js?v=0.1" type="text/javascript"></script>
    <script src="/extjs/Desktop/login.js?v=0.1" type="text/javascript"></script>

requests库7个主要方法

方法	说明
requests.request()	构造一个请求，支撑以下各方法的基础方法
requests.post()	向网页提交post请求
requests.head()	获取网页头信息
requests.put()	向网页提交put请求
requests.patch()	向网页提交局部修改请求
requests.delete()	向网页提交删除请求
requests.get()	向网页提交get请求

requests库其实只有一个方法——request()方法，其他六种方法都是对request()方法的封装

requests库异常处理

异常	说明
requests.ConnectionError	网络连接错误异常，如DNS查询失败、拒绝连接
requests.HTTPError	HTTP错误异常
requests.URLRequired	URL缺失
requests.TooManyRedirects	超过最大重定向次数，产生重定向异常
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，产生超时异常

response对象的常用属性和方法

dir()一个response对象可以看到它的属性和方法

['__attrs__', '__bool__', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__enter__', '__eq__', '__exit__', '__format__', '__ge__', '__getattribute__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__nonzero__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__setstate__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_content', '_content_consumed', '_next', 'apparent_encoding', 'close', 'connection', 'content', 'cookies', 'elapsed', 'encoding', 'headers', 'history', 'is_permanent_redirect', 'is_redirect', 'iter_content', 'iter_lines', 'json', 'links', 'next', 'ok', 'raise_for_status', 'raw', 'reason', 'request', 'status_code', 'text', 'url']

常用的属性

属性	说明
r.headers	HTTP响应头
r.status_code	HTTP请求的返回状态，200表示连接成功，404表示失败
r.text	HTTP响应内容的字符串形式，即url对应的页面内容
r.encoding	从HTTP header中猜测的响应内容编码方式
r.apparent_encoding	从内容中分析出的响应内容编码方式（备选编码方式）
r.content	HTTP响应内容的二进制形式
r.ok	HTTP请求成功没，返回True或False

r.encoding：如果 header 中不存在 charset，则认为编码为ISO-8859-1，不太准确

r.apparent_encoding：备选编码，从网页的内容分析编码方式，一般准确

常用 r.encodint = r.apparent_encoding

通用代码框架

# -*- coding: utf-8 -*-
"""
@Time : 2020/12/10
@Author : C1everF0x
@File : demo.py
@Description : 
"""
import requests

def getHTMLText(url):
    try:
        r = requests.get(url,timeout=30)
        r.raise_for_status()    #判断异常

        r.encoding = r.apparent_encoding
        return r.text
    except:
        return "产生异常"
if __name__== "__main__":
    url = "https://search.bilibili.com/all?keyword=%E5%AE%AB%E6%9C%AC%E7%8B%97%E9%9B%A8"
    print(getHTMLText(url))

Requests库方法详解

重中之重：`requests.request()`

原型：requests.request(method,url,**kwargs)

method：对应http协议中的七种请求方法
url：请求的链接
**kwargs：控制访问的参数，共13个

`requests.get()`

原型：requests.get(url,params=None,**kwargs)

url：请求的链接
params：url中的额外参数，字典或字节流格式，可选
**kwargs：控制访问的参数

# 传参方法一，直接在url里面拼接
url = ”https://search.bilibili.com/all?keyword=宫本狗雨“
r = requests.get(url)
print(r.url)
# 传参方法二，将参数保存为字典，传给 params
url = "https://search.bilibili.com"
params = {
    "all?keyword":"宫本狗雨"
}
r = requests.get(url.params=params)
print(r.url)

`requests.post()`

原型：requests.post(url,data=None,json=None,**kwargs)

url：请求的链接
data：请求的内容，可以是字典，字节序列或文件
json：JSON 格式数据，也是请求的内容
**kwargs：控制访问的参数

# 传参方法一：直接post字典
url = “https://www.baidu.com”
payload = {"key":"valus"}
r = requests.post('url',data = payload)
printf(r.text)

# 传参方法二：data = 字符串
url = “https://www.baidu.com”
r = requests.post('url',data = ‘ABCDEFG’)
printf(r.text)

data 等于一个字典的时候，用户传输的数据会被编码到 form 表单当中

而 data 直接等于一个字符串的时候，用户传输的数据会被编码到 data 里面

13个访问控制参数

`**kwargs`：控制访问的参数

params：字典或者字节序列，作为参数增加到 url 中
data：字典、字节序列或文件对象，作为 request 的内容
json： JSON 格式的数据，作为 request的内容
headers：字典，HTTP定制头
cookies：字典或者 cookiejar，作为 request中的 cookie
auth：元组，支持HTTP认证功能
files：字典类型，传输文件
timeout：设定超时时间，秒为单位，超时返回异常
proxies：字典类型，设定访问代理服务器的 ip 地址，可以增加登陆认证
allow_redirects：True/False，默认为True，重定向开关
stream：True/False，默认为True，获取内容立即下载开关
verify：True/False，默认为True，认证 SSL 证书开关
cert：本地 SSL 证书路径

爬虫规则

爬网页	爬网站、系列网站	爬全网
小规模	中规模	大规模
爬取速度不敏感	爬取速度敏感	爬取速度关键
Requests库	Scrapy库	定制库

不要乱爬，乱爬容易出事，不然哪天就进去了

Robots协议

网站告知爬虫哪些页面可以爬，哪些不能爬，遵不遵守看个人
如果网站根目录下没有robots.txt，则表示该网站所有东西都可以爬
类人行为可不参考Robots协议，因为其不会对服务器产生很大的影响，，但是获取的东西不能用于商业用途

网络爬虫之提取

BeautifulSoup库

一般引用 bs4 库中的BeautifulSoup类就够了

from bs4 import BeautifulSoup
soup = BeautifulSoup("<p>python</p>","html.parser")

Python网络爬虫与信息提取

基本元素

标签树就是汤，BeautifulSoup类就是将一个标签树变成一个变量，用类里面的方法来熬汤（解析标签树）

基本元素	解释
`Tag`	标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
`Name`	标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name
`Attributes`	标签的属性，字典形式组织，格式：<tag>.attrs
`NavigableString`	标签内非属性字符串，<>…</>中字符串，格式：<tag>string
`Comment`	标签内字符串的注释部分，一种特殊的Comment类型

如何判断解析出来的字符串是注释还是非属性字符串？

用type来判断，BeautifulSoup类中这两个的类型不一样

Python网络爬虫与信息提取

解析器

一共支持四种解析器
其中xml和lxml需要额外安装lxml库，html5lib需要额外安装html5lib库

解析器	使用方法	依赖
`bs4`的HTML解析器	BeautifulSoup(mk,'html.parser')	安装bs4库
`lxml`的HTML解析器	BeautifulSoup(mk,'lxml')	pip install lxml
`xml`的XML解析器	BeautifulSoup(mk,'xml')	pip install lxml
`html5lib`的解析器	BeautifulSoup(mk,'html5lib')	pip install html5lib

基于bs4库的HTML的内容遍历方法

Python网络爬虫与信息提取

上行遍历

属性	说明
`.parent`	节点的父亲标签
`.parents`	节点先辈标签的迭代类型，用于循环遍历先辈节点

for parent in soup.a.parents:
    if parent is None:
        print(parent)
    else:
        print(parent.name)

p
body
html
[document]

下行遍历

属性	说明
`.contents`	子节点的列表，将<tag>的所有儿子节点存入列表
`.children`	子节点的迭代类型，与`.contents`类似，用于循环遍历儿子节点
`.descendants`	子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

for child in soup.body.children:
    print(child)



<p class="title"><b>The demo python introduces several python courses.</b></p>


<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>



for child in soup.body.descendants:
    print(child)



<p class="title"><b>The demo python introduces several python courses.</b></p>
<b>The demo python introduces several python courses.</b>
The demo python introduces several python courses.


<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
Basic Python
 and 
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
Advanced Python
.

平行遍历

属性	说明
`.next_sibling`	返回按照HTML文本顺序的下一个平行节点标签
`.previous_sibling`	返回按照HTML文本顺序的上一个平行节点标签
`.next_siblings`	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
`.previous_siblings`	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

soup.a

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

soup.a.next_sibling

' and '

soup.a.next_sibling.next_sibling

<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>

for sibling in soup.a.next_siblings: 
    print(sibling)

 and 
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
.

for sibling in soup.a.previous_siblings:
    print(sibling)

Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:

节点

结点不仅仅是尖括号 <> 的标签，还有一些字符内容，比如\n或标签中未被包裹的字符串，都是节点

美化与编码

prettify()方法用于美化标签内容排版，其实就是加\n来换行，让标签树显示更加美观
BeautifulSoup库对所有传入的HTML文档和字符串都解析成UTF-8编码，Python3 默认也是UTF-8编码，Python2 不是

信息组织与提取

网络爬虫之实战

Re 库入门

正则表达式语法

正则表达式语法由字符和操作符组成

操作符	说明	实例
`.`	表示任何单个字符	.* 表示任意字符
`[]`	字符集，对单个字符给出取值范围	[abc] 表示a、b、c，[a-z] 表示a到z单个字符
`[^]`	非字符集，对单个字符给出排除范围	[^abc] 表示非a、b、c的单个字符
`*`	前一个字符0次或无限次扩展	abc* 表示ab、abc、abcc、abccc等
`+`	前一个字符1次或无限次扩展	abc+ 表示abc、abcc、abccc等
`?`	前一个字符0次或1次扩展	abc? 表示ab、abc
`	`	左右表达式任意一个
`{m}`	扩展前一个字符m次	ab{2}c 表示abbc
`{m,n}`	扩展前一个字符m至n次（含n）	ab{1,2}c 表示abc、abbc
`^`	匹配字符串开头	^abc 表示abc且在一个字符串的开头
`$`	匹配字符串结尾	abc$ 表示abc且在一个字符串的结尾
`()`	分组标记，内部只能使用\| 操作符	(abc) 表示abc，(abc\|def)表示abc、def
`\d`	数字，等价于[0‐9]
`\w`	单词字符，等价于[A‐Za‐z0‐9_]

经典举例

re	说明
`^[A-Za-z]+$`	由26个字母组成的字符串
`^[A-Za-z0-9]+$`	由26个字母和数字组成的字符串
`^-?\d+$`	整数形式的字符串
`^[0-9][1-9][0-9]$`	正整数形式的字符串
`[1-9]\d{5}`	中国境内邮政编码，6位
`[\u4ee00-\u9fa5]`	匹配中文字符，用utf-8编码中中文字符的区间代替
`\d{3}-\d{8}	\d{4}-\d{7}`

非常经典的匹配 IP 地址的正则表达式

0-99：[1-9]?\d

100-199：1\d{2}

200-249：2[0-4]\d

250-255：25[0-5]

整合：(([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5]).){3}([1-9]?\d|1\d{2}|2[0-4]\d|25[0-5])

re 库基本使用

python 的标准库，不需要额外安装
raw string 原生字符串类型
- re 库采用原生字符串类型来表示正则表达式，形如 r'text'，用 string 类型也行，但是要用转义字符来转义反斜杠，会更麻烦
- 比如：r'[1-9]\d{5}' 、r'\d{3}-\d{8}|\d{4}-\d{7}'
- *raw string *是不包含转义符的字符串，转义符比如反斜杠\
re 库常用功能函数

函数	说明
`re.search()`	在一个字符串中搜索匹配正则表达式的第一个位置，返回 match 对象
`re.match()`	从一个字符串的开始位置起匹配正则表达式，返回 match 对象
`re.findall()`	搜索字符串，以列表类型返回全部能匹配到的子串
`re.split()`	将一个字符串按照正则表达式匹配结果进行分割，返回列表类型
`re.finditer()`	搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是 match 对象
`re.sub()`	在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串

re.search(pattern,string,flags=0)

在一个字符串中搜索匹配正则表达式的第一个位置，返回 match 对象

pattern：正则表达式的字符串或原生字符串表示
string：待匹配字符串

flags：正则表达式使用时的控制标记

常用标记	说明
`re.I re.IGNORECASE`	忽略正则表达式的大小写，[A-Z]能够匹配大小写
`re.M re.MULTILINE`	正则表达式中的^操作符能够将给定字符串的每行当作匹配开始
`re.S re.DOTALL`	正则表达式中的.操作符能够匹配所有字符，默认匹配是除换行以外的所有字符

>>> import re
>>> match = re.search(r'[1-9]\d{5}', 'BIT100081')
>>> if match:
        print(match.group(0))

100081

re.match(pattern,string,flags=0)

==从一个字符串的开始位置起==匹配正则表达式，返回 match 对象
- pattern：正则表达式的字符串或原生字符串表示
- string：待匹配字符串
- flags：正则表达式使用时的控制标记

>>> match = re.match(r'[1-9]\d{5}', 'BIT 100081')>>> if match:    match.group(0)    #无输出>>> match.group(0)#直接调用报错，说明没有匹配到Traceback (most recent call last):  File "<pyshell#9>", line 1, in <module>    match.group(0)AttributeError: 'NoneType' object has no attribute 'group'>>> match = re.match(r'[1-9]\d{5}', '100081 BIT')>>> if match:    match.group(0)    '100081'

re.findall(pattern,string,flags=0)

搜索字符串，以列表类型返回全部能匹配的子串
- pattern：正则表达式的字符串或原生字符串表示
- string：待匹配字符串
- flags：正则表达式使用时的控制标记

>>> ls = re.findall(r'[1-9]\d{5}', 'BIT100081 TSU100084')>>> ls['100081', '100084']

re.split(pattern,string,maxsplit=0,flags=0)

将一个字符串按照正则表达式匹配结果进行分割，返回列表类型，也就是将匹配到的字符串去掉，剩下的存进列表返回
- pattern：正则表达式的字符串或原生字符串表示
- string：待匹配字符串
- maxsplit：最大分割数，剩余部分作为最后一个元素输出
- flags：正则表达式使用时的控制标记

>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084')
['BIT', ' TSU', '']
>>> re.split(r'[1-9]\d{5}', 'BIT100081 TSU100084', maxsplit=1)
['BIT', ' TSU100084']

re.finditer(pattern,string,flags=0)

搜索字符串，返回一个匹配结果的迭代类型，每个迭代元素是match对象
- pattern：正则表达式的字符串或原生字符串表示
- string：待匹配字符串
- flags：正则表达式使用时的控制标记

>>> for m in re.finditer(r'[1-9]\d{5}', 'BIT100081 TSU100084'):
    if m:
        print(m.group(0))

100081
100084

re.sub(pattern,repl, string,count=0,flags=0)

在一个字符串中替换所有匹配正则表达式的子串，返回替换后的字符串
- pattern：正则表达式的字符串或原生字符串表示
- repl：替换匹配字符串的字符串
- string：待匹配字符串
- count：匹配的最大替换次数
- flags：正则表达式使用时的控制标记

>>> re.sub(r'[1-9]\d{5}', ':zipcode', 'BIT100081 TSU100084')'BIT:zipcode TSU:zipcode'

两种用法

函数式用法：一次性操作

rst = re.search(r'[1-9]\d{5}','BIT 10091')
面向对象用法：将原生字符串编译成一个 re 类的对象，能够进行多次操作

pat = re.compile(r'[1-9]\d{5}')

rst = pat.search('BIT 10091')
re.compile(pattern,flags=0)
- 将正则表达式的字符串形式编译成正则表达式对象
- pattern：正则表达式的字符串或原生字符串表示
- flags：正则表达式使用时的控制标记

match 对象

match 对象的属性

属性	说明
`.string`	待匹配的文本
`.re`	匹配时使用的pattern对象（正则表达式）
`.pos`	正则表达式搜索文本的开始位置
`.endpos`	正则表达式搜索文本的结束位置

match 对象的方法

方法	说明
`.group(0)`	获得匹配后的字符串
`.start()`	匹配字符串在原始字符串的开始位置
`.end()`	匹配字符串在原始字符串的结束位置
`.span()`	返回(.strat(),.end())

re 库中贪婪匹配和最小匹配

re 库默认采用贪婪匹配，匹配最长的子串

>>> match = re.search(r'PY.*N', 'PYANBNCNDN') 
>>> match.group(0)
'PYANBNCNDN'

通过在操作符后添加 ? 可变成最小匹配

操作符	说明
`*?`	前一个字符0次或无限次扩展，最小匹配
`+?`	前一个字符1次或无限次扩展，最小匹配
`??`	前一个字符0次或1次扩展，最小匹配
`{m,n}?`	扩展前一个字符m至n次（含n），最小匹配