根据百度百科的定义,网络爬虫,又称为网页蜘蛛,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。
人们如今的生活,大都离不开网络,发一条微信,电子支付买一杯奶茶,刷一条微博,等等,都依赖于网络的便携性。但是,互联网茁壮成长的同时,海量的信息每天也会以指数级增长的方式充斥到网络环境中,那么如何快速高效地找到我们需要的信息,成为了很关键的功能,于是搜索引擎诞生了。搜索引擎替我们把很多网络信息做了筛选,当我们查询某项内容时,搜索引擎可以计算出一个排名,来展现查询相关的内容。那么面对海量的信息,搜索引擎就是利用爬虫对数据进行了整合和筛选操作,为人们在网络海洋中快速挖掘有用的信息提供了便利。
既然搜索引擎这么好用了,那么我们为什么还要写爬虫?是因为有时我们有更加个性化的搜索需求,比如我们希望获取猫眼电影中排名前一百名的电影的评论内容,并根据评论做情感分析。面对这个需求,搜索引擎的作用就比较局限了。那么要实现这个功能,第一步的获取出这些相关信息就需要我们动手写爬虫了。
很多语言都可以写爬虫,包括python,java、c++等。而Python本身是开源的,很多大佬为Python的功能扩展写了很多成熟的工具,也就是网络上常说的xx库,我们可以利用这些工具快速实现我们的需求,比较好入门。
另外,需要强调的是,网络上并不是什么东西都可以爬,针对这个问题,我国有着一套完备的法律。爬了不该爬的内容,比如大量个人信息,那可以快速实现“从入门到入狱”。
网页一般由三部分组成,分别是 HTML(超文本标记语言)、CSS(层叠样式表)和 JS(活动脚本语言)。
我们每次请求数据,服务器都会把由这三部分组成的内容发送过来,再经浏览器编译,就出现了我们看到的界面。实际上爬虫获取信息也是相似的流程,向服务器请求数据,请求到的数据存储到内存中,然后解析出我们想要的信息。
每个浏览器关于查看网页源码有着不同的操作,以谷歌浏览器为例,是在页面中点击鼠标右键,再选择“检查”,在出现的框中选择元素(Elements),我们使用爬虫查询的内容也就包含在这些元素中。
比如,我们可以找到百度首页内热搜的第一条数据信息。(鼠标指向某一行,相应的内容就会以“蓝框”的形式在界面中标记出来)
比如我就要爬我在CSDN的主页信息(红框部分)
- 分析页面
第一步,分析页面,找到这些数据在哪。
打开元素,当鼠标停留在下图这一行时,界面上的这一部分内容被蓝框选中,表示数据就在这个div内
接着往下找,可以找到一个列表,包含了四个元素,分别对应了界面上的四条数据。
打开其中一个,我们就找到了这个数据。(其它数据同理)
- 导包
既然使用python,我们就要利用python成熟的工具,这个示例需要用到三个包。
requests翻译为“请求”,这个库就是帮助我们向服务器中请求数据的工具;BeautifulSoup是解析工具,它可以解析网页数据,可以快速提取出所需要的信息,如今BeautifulSoup已经被包含在bs4库中,直接下载bs4库即可;lxml是python的一个解析库,和BeautifulSoup配合使用,能够快速解析出页面信息。
导入包(lxml不需要导入)
import requests
from bs4 import BeautifulSoup
- 设置url和身份标识
设置要访问的url
url = 'https://blog.csdn.net/cun_king' # 待访问的url地址
设置user-agent,user-agent是身份标识,这里用来模拟是真人的请求操作。
那么为什么需要模拟真人操作呢?首先给出一个结论,网站是不喜欢爬虫的,所以一般网站都会设置一定的反爬机制。很多爬虫向服务器请求数据,或者爬虫要请求很多信息时,会给服务器造成很大压力,严重时可能导致服务器宕机,那么,针对爬虫就会产生对应的反爬机制,比如识别user-agent就是一个初级的反爬机制,当访问者没有携带user-agent时,网站就会默认访问者是爬虫,从而可以拒绝提供信息反馈。
怎么找user-agent?选择网络(如下图),然后刷新界面信息
随便选择一个文件,再选择“标头”,展示的内容是根据http协议用来请求数据所携带的头部,user-agent就包含在里面
user-agent在标头的最下方
将user-agent复制出来,在程序中写成一个字典的形式
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30'}
- 请求数据并解析
strhtml = requests.get(url, headers=headers) # Get方式获取网页数据
soup = BeautifulSoup(strhtml.text, 'lxml') # 将请求到的数据解析为lxml格式
info = soup.select() # 筛选数据,这里需要加一个参数
注意!soup.select()包含了一个重要参数,这个参数就是筛选数据的条件。
回到“元素”,找到刚才“被访问量”对应的那条div,点击鼠标右键–>复制–>复制selector
这样会得到一个选择器,也就是select()的参数
info = = soup.select('#floor-user-profile_485 > div > div.user-profile-head > div.user-profile-head-info.user-profile-wrapper > div.user-profile-head-info-b > ul > li:nth-child(1) > div.user-profile-statistics-num')
筛选出来的info是一个迭代器,但是由于现在只获取到一条数据,因此可以直接输出看看
print("访问量:" + info[0].get_text())
可以发现已经获取到了目标信息,获取其它三条数据同理。
完整代码:
import requests
from bs4 import BeautifulSoup
url = 'https://blog.csdn.net/cun_king'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30'}
strhtml = requests.get(url, headers=headers) # Get方式获取网页数据
soup = BeautifulSoup(strhtml.text, 'lxml')
info = soup.select('#floor-user-profile_485 > div > div.user-profile-head > '
'div.user-profile-head-info.user-profile-wrapper > div.user-profile-head-info-b > ul > '
'li:nth-child(1) > div.user-profile-statistics-num')
print("访问量:" + info[0].get_text())
事实上,我们可以修改选择器,因为四条数据也是按列表形式排列的,所有我们可以一块获取,然后循环输出。
import requests # 导入requests包
from bs4 import BeautifulSoup
url = 'https://blog.csdn.net/cun_king'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
'Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30'}
strhtml = requests.get(url, headers=headers) # Get方式获取网页数据
# print(strhtml.text)
soup = BeautifulSoup(strhtml.text, 'lxml')
info = soup.select('#floor-user-profile_485 > div > div.user-profile-head > div.user-profile-head-info.user-profile-wrapper > div.user-profile-head-info-b > ul > li')
for item in info:
print(item.get_text())
以爬取百度图片为例。
这一部分我写在另一篇文章了,Python爬虫批量下载百度图片–点击跳转
爬虫还是比较好入门的,这得益于成熟的爬虫工具。
爬虫可以满足自己的个性化搜索需求,大家赶快动手试试吧。(
如果觉得文章还不错的话,留个赞再走吧,非常感谢!!!
文章浏览阅读1k次。通过使用ajax方法跨域请求是浏览器所不允许的,浏览器出于安全考虑是禁止的。警告信息如下:不过jQuery对跨域问题也有解决方案,使用jsonp的方式解决,方法如下:$.ajax({ async:false, url: 'http://www.mysite.com/demo.do', // 跨域URL ty..._nginx不停的xhr
文章浏览阅读2k次。关于在 Oracle 中配置 extproc 以访问 ST_Geometry,也就是我们所说的 使用空间SQL 的方法,官方文档链接如下。http://desktop.arcgis.com/zh-cn/arcmap/latest/manage-data/gdbs-in-oracle/configure-oracle-extproc.htm其实简单总结一下,主要就分为以下几个步骤。..._extproc
文章浏览阅读1.5w次。linux下没有上面的两个函数,需要使用函数 mbstowcs和wcstombsmbstowcs将多字节编码转换为宽字节编码wcstombs将宽字节编码转换为多字节编码这两个函数,转换过程中受到系统编码类型的影响,需要通过设置来设定转换前和转换后的编码类型。通过函数setlocale进行系统编码的设置。linux下输入命名locale -a查看系统支持的编码_linux c++ gbk->utf8
文章浏览阅读750次。今天准备从生产库向测试库进行数据导入,结果在imp导入的时候遇到“ IMP-00009:导出文件异常结束” 错误,google一下,发现可能有如下原因导致imp的数据太大,没有写buffer和commit两个数据库字符集不同从低版本exp的dmp文件,向高版本imp导出的dmp文件出错传输dmp文件时,文件损坏解决办法:imp时指定..._imp-00009导出文件异常结束
文章浏览阅读143次。当下是一个大数据的时代,各个行业都离不开数据的支持。因此,网络爬虫就应运而生。网络爬虫当下最为火热的是Python,Python开发爬虫相对简单,而且功能库相当完善,力压众多开发语言。本次教程我们爬取前程无忧的招聘信息来分析Python程序员需要掌握那些编程技术。首先在谷歌浏览器打开前程无忧的首页,按F12打开浏览器的开发者工具。浏览器开发者工具是用于捕捉网站的请求信息,通过分析请求信息可以了解请..._初级python程序员能力要求
文章浏览阅读7.6k次,点赞2次,收藏6次。@Service标注的bean,类名:ABDemoService查看源码后发现,原来是经过一个特殊处理:当类的名字是以两个或以上的大写字母开头的话,bean的名字会与类名保持一致public class AnnotationBeanNameGenerator implements BeanNameGenerator { private static final String C..._@service beanname
文章浏览阅读6.9w次,点赞73次,收藏463次。1.前序创建#include<stdio.h>#include<string.h>#include<stdlib.h>#include<malloc.h>#include<iostream>#include<stack>#include<queue>using namespace std;typed_二叉树的建立
文章浏览阅读7.1k次。在Asp.net上使用Excel导出功能,如果文件名出现中文,便会以乱码视之。 解决方法: fileName = HttpUtility.UrlEncode(fileName, System.Text.Encoding.UTF8);_asp.net utf8 导出中文字符乱码
文章浏览阅读2.1k次,点赞4次,收藏23次。第一次实验 词法分析实验报告设计思想词法分析的主要任务是根据文法的词汇表以及对应约定的编码进行一定的识别,找出文件中所有的合法的单词,并给出一定的信息作为最后的结果,用于后续语法分析程序的使用;本实验针对 PL/0 语言 的文法、词汇表编写一个词法分析程序,对于每个单词根据词汇表输出: (单词种类, 单词的值) 二元对。词汇表:种别编码单词符号助记符0beginb..._对pl/0作以下修改扩充。增加单词
文章浏览阅读773次。我在使用adb.exe时遇到了麻烦.我想使用与bash相同的adb.exe shell提示符,所以我决定更改默认的bash二进制文件(当然二进制文件是交叉编译的,一切都很完美)更改bash二进制文件遵循以下顺序> adb remount> adb push bash / system / bin /> adb shell> cd / system / bin> chm..._adb shell mv 权限
文章浏览阅读6.8k次,点赞12次,收藏125次。1. 单目相机标定引言相机标定已经研究多年,标定的算法可以分为基于摄影测量的标定和自标定。其中,应用最为广泛的还是张正友标定法。这是一种简单灵活、高鲁棒性、低成本的相机标定算法。仅需要一台相机和一块平面标定板构建相机标定系统,在标定过程中,相机拍摄多个角度下(至少两个角度,推荐10~20个角度)的标定板图像(相机和标定板都可以移动),即可对相机的内外参数进行标定。下面介绍张氏标定法(以下也这么称呼)的原理。原理相机模型和单应矩阵相机标定,就是对相机的内外参数进行计算的过程,从而得到物体到图像的投影_相机-投影仪标定
文章浏览阅读2.2k次。文章目录Wayland 架构Wayland 渲染Wayland的 硬件支持简 述: 翻译一篇关于和 wayland 有关的技术文章, 其英文标题为Wayland Architecture .Wayland 架构若是想要更好的理解 Wayland 架构及其与 X (X11 or X Window System) 结构;一种很好的方法是将事件从输入设备就开始跟踪, 查看期间所有的屏幕上出现的变化。这就是我们现在对 X 的理解。 内核是从一个输入设备中获取一个事件,并通过 evdev 输入_wayland