Python自动化开发学习之如何实现爬虫-创新互联
这篇文章主要介绍Python自动化开发学习之如何实现爬虫，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
目前创新互联建站已为近千家的企业提供了网站建设、域名、网页空间、网站托管运营、企业网站设计、象山网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。讲师的博客：https://www.cnblogs.com/wupeiqi/articles/6283017.html
建立本地缓存
用下面的命令，就可以把一个页面爬取下来。不过再继续其他操作之前先把爬取的内容在本地建立缓存：
import requests
r = requests.get('http://www.autohome.com.cn/news') # 爬取页面
print(r.text) # 打印响应的内容下面会试很多的方法，还是要避免每次都去爬一次相同的页面。主要爬的太频繁，不知道会不会被封。所以爬取过一次之后，在本地建立缓存，之后的各种分析就不用再去爬一遍了。
要缓存的就是 r = requests.get('http://www.autohome.com.cn/news') 这个，也就是这里的r这个对象。不缓存的话，r是保存在内存中的，程序一旦退出就没有了。这里要做的就是对r这个对象进行序列化，把它保存为本地的文件。由于r是一个python对象，无法使用JSON序列化，这里可以用pickle，保存为一个二进制文件。
序列化与反序列化
首先是把对象序列化，保存为本地的二进制文件：
import pickle
with open('test.pk', 'wb') as f:
pickle.dump(r, f)只有再用的时候，就不需要再通过requests.get再去爬一遍了，直接从本地文件中取出内容反序列生成r对象：
import pickle
with open('test.pk', 'rb') as f:
r = pickle.load(f)封装个模块
然后，每次自己都要想一下之前有没有缓存过也很麻烦，所以在封装一下，自动判断有没有缓存过。如果没有就去爬网页，然后生成缓存。如果有就去缓存的文件里读。
创建一个文件夹“pk”专门存放缓存的文件。假设测试的python文件是 s1.py 那么就生成一个 pk/s1.pk 的缓存文件，只要判断是否存在该文件，就可以知道是否缓存过了：
import os
import pickle
import requests
def get_pk_name(path):
basedir = os.path.dirname(path)
fullname = os.path.basename(path)
name = os.path.splitext(fullname)[0]
pk_name = '%s/pk/%s.%s' % (basedir, name, 'pk')
return pk_name
pk_name = get_pk_name(__file__)
response = None
if os.path.exists(pk_name):
print("已经爬取过了，获取缓存的内容...")
with open(pk_name, 'rb') as f:
response = pickle.load(f)
# 只有在没有缓存过页面的时候才进行爬取
if not response:
print("开始爬取页面...")
response = requests.get('http://www.autohome.com.cn/news')
# 爬完之后记得保存，下次就不用再去爬取了
with open(pk_name, 'wb') as f:
pickle.dump(response, f)
# 从这里开始写真正的代码
print(response.text)Requests
中文官方文档：http://cn.python-requests.org/zh_CN/latest/user/quickstart.html
安装模块：
pip install requests
发送请求
r = requests.get('http://www.autohome.com.cn/news')读取响应内容
print(r.text)
文本编码
上面可能会有乱码，那就是编码不对，可以查看当前的编码，也可以改变它。默认的编码就是 'ISO-8859-1' ：
print(r.encoding) r.encoding = 'ISO-8859-1'
另外还可以自动获取页面的编码，解决乱码问题：
r.encoding = r.apparent_encoding print(r.text)
二进制响应内容
如果要自己找编码，应该也是在这里面找
print(r.content)
在下载的时候，就要用到二进制的响应内容了
响应状态码
print(r.status_code)
正常返回的状态码是200
Cookie
cookie_obj = r.cookies cookie_dict = r.cookies.get_dict()
r.cookies 是一个对象，这个对象的的行为和字典类似，也可以像对象那样使用。这里还可以用 get_dict() 方法转成原生的字典。
Beautiful Soup
中文官方文档：https://beautifulsoup.readthedocs.io/
安装模块：
pip install beautifulsoup4
这里继续对上面爬取到的内容进行分析，把爬取到的内容先把编码转正确了，然后这里要分析的是 r.text 文本的响应内容：
import requests
from bs4 import BeautifulSoup
r = requests.get('http://www.autohome.com.cn/news')
r.encoding = r.apparent_encoding
soup = BeautifulSoup(r.text, features='html.parser')features 参数是指定一个处理引擎，这里用的是默认的，效率一般，但是不用额外的安装。如果是生产环境，还有更高效的处理引擎。
这里最后拿到了一个 soup 对象，之后又一系列的方法，可以提取出各种内容。
查找方法
soup.find方法，可以找到第一个符合条件的对象。可以找标签，也可以找id等，还可以多条件组合使用：
soup.find("div")
soup.find(id="link3")
soup.find("div", id="link3")soup.find_all方法，和find的用法一样，实际上find方法的实现也是调用find_all方法。find_all方法会返回所有符合条件的对象，返回的对象是在一个列表里的。
打印对象和对象的文本
直接打印对象会打印整个html标签，如果只需要标签中的文本，可以通过对象的text属性：
soup = BeautifulSoup(r.text, features='html.parser')
target = soup.find('div', {'class': "article-bar"})
print(type(target), target, target.text)获取对象的所有属性
对象的attrs属性里是这个html标签的所有的属性：
target = soup.find(id='auto-channel-lazyload-article') print(target.attrs)
获取属性的值
用get方法可以通过属性的key获取到对应的value。下面2个方法都可以：
v1 = target.get('name')
v2 = target.attrs.get('value')
# get方法的源码
def get(self, key, default=None):
"""Returns the value of the 'key' attribute for the tag, or
the value given for 'default' if it doesn't have that
attribute."""
return self.attrs.get(key, default)实战
仅凭上面这点知识点就可以开始下面的实战了
爬取汽车之家新网咨询
下面是代码，找到了没一条新闻咨询的a连接的地址，以及标题，最后还把对应的图片下载到了本地（先建一个img文件夹）：
# check_cache.py
"""用来检查是否有本地缓存的小模块"""
import os
def get_pk_name(path):
basedir = os.path.dirname(path)
fullname = os.path.basename(path)
name = os.path.splitext(fullname)[0]
pk_name = '%s/pk/%s.%s' % (basedir, name, 'pk')
return pk_name
# s1.py
"""爬取汽车之家新网咨询"""
import os
import pickle
import requests
from bs4 import BeautifulSoup
from check_cache import get_pk_name
pk_name = get_pk_name(__file__)
response = None
if os.path.exists(pk_name):
print("已经爬取过了，获取缓存的内容...")
with open(pk_name, 'rb') as f:
response = pickle.load(f)
# 只有在没有缓存过页面的时候才进行爬取
if not response:
print("开始爬取页面...")
response = requests.get('http://www.autohome.com.cn/news')
# 爬完之后记得保存，下次就不用再去爬取了
with open(pk_name, 'wb') as f:
pickle.dump(response, f)
response.encoding = response.apparent_encoding # 获取页面的编码，解决乱码问题
# print(response.text)
soup = BeautifulSoup(response.text, features='html.parser')
target = soup.find(id='auto-channel-lazyload-article')
# print(target)
# obj = target.find('li')
# print(obj)
li_list = target.find_all('li')
# print(li_list)
for i in li_list:
a = i.find('a')
# print(a)
# print(a.attrs) # 有些li标签里没有a标签，所以可能会报错
if a: # 这样判断一下就好了
# print(a.attrs) # 这是一个字典
print(a.attrs.get('href')) # 那就用操作字典的方法来获取值
# tittle = a.find('h4') # 这个类型是对象
tittle = a.find('h4').text # 这样拿到的才是文本
print(tittle, type(tittle)) # 不过打印出来差不多，都会变成字符串，差别就是h4这个标签
img_url = a.find('img').attrs.get('src')
print(img_url)
# 上面获取到了图片的url，现在可以下载到本地了
img_response = requests.get("http:%s" % img_url)
if '/' in tittle:
file_name = "img/%s%s" % (tittle.replace('/', '_'), os.path.splitext(img_url)[1])
else:
file_name = "img/%s%s" % (tittle, os.path.splitext(img_url)[1])
with open(file_name, 'wb') as f:
f.write(img_response.content)登录抽屉
这里要解决一个登录的问题。
登录有2种，一种是Form表单验证，还有一种是AJAX请求。这是一个使用AJAX做登录请求的网站。
下面是几张浏览器调试工具的截图，主要是要找一下，登录请求需要提交到哪里，提交哪些信息，以及最后会返回的内容。
登录的AJAX请求：
请求正文：
响应正文：
登录请求的代码如下：
import requests
post_dict = {
'phone': '8613507293881', # 从请求正文里发现，会在手机号前加上86
'password': '123456',
}
# 所有的请求头可以从请求标头里找到，不过不是必须的
headers = {
'User-Agent': '', # 这个网站要验证这个请求头，不过只要有就可以通过
}
# 从标头里可以得知，请求的url和请求的方法
response = requests.post(
url='https://dig.chouti.com/login',
data=post_dict,
headers=headers,
)
print(response.text)
# 这里还有返回的cookies信息，登录成功关键是要拿到成功的cookie
cookie_dict = response.cookies.get_dict()
print(cookie_dict)登录的套路
上面使用了错误的用户名和密码，在继续登录验证之前，看了解下登录的机制。
登录肯定是要提交验证信息的，一般就用户名和密码。然后请求验证之后，服务端会记录一个session，然后会返回给客户端一个cookie。之后用户每次请求都带着这个cookie，服务端收到请求后就知道这个请求是那个用户提交的了。
不过这个网站有一点不一样，用户在提交验证信息的时候，不但要提交用户名和密码，还要提交一个gpsd。然后服务端验证通过后，会把这次收到的gpsd记录下来。用户之后的cookie里就是要带着这个gpsd就能验证通过。验证请求的gpsd可以从第一次发送get请求的返回的cookie里获取到。另外用户验证通过后，服务端会返回一个cookie，这个cookie里也有一个gpsd，但是是一个新的gpsd，并且是没有用的，这里就会混淆我们，在进行验证这不的时候造成一些困扰。
具体如何应对这类特殊情况，只能用浏览器，打开调试工具，然后一点一点试了。
登录并点赞
下面就是登录验证，获取到第一条咨询的标题和id，发送post请求点赞：
import requests
from bs4 import BeautifulSoup
headers = {
'User-Agent': '', # 这个网站要验证这个请求头，不过只要有就可以通过
}
r1 = requests.get('https://dig.chouti.com', headers=headers)
r1_cookies = r1.cookies # 这里有个gpsd，登录验证的时候要一并提交
print(r1_cookies.get_dict())
# 不能把密码上传啊
with open('password/s2.txt') as f:
auth = f.read()
auth = auth.split('\n')
post_dict = {
'phone': '86%s' % auth[0], # 从请求正文里发现，会在手机号前加上86
'password': auth[1],
}
# 这个网站的登录机制是，发送验证信息和cookies里的gpsd，成功后给你的gpsd授权
# 之后的请求只有cookies里有这个授权过的gpsd就能认证通过
r2 = requests.post(
url='https://dig.chouti.com/login',
data=post_dict,
headers=headers,
cookies={'gpsd': r1_cookies['gpsd']}
)
print(r2.text)
r2_cookies = r2.cookies # 这里也会返回一个新的gpsd，但是无用。
print(r2_cookies.get_dict())
# 获取咨询，然后点赞
r3 = requests.get(
url='https://dig.chouti.com',
headers=headers,
cookies={'gpsd': r1_cookies['gpsd']},
)
r3.encoding = r3.apparent_encoding
soup = BeautifulSoup(r3.text, features='html.parser')
target = soup.find(id='content-list')
item = target.find('div', {'class': 'item'}) # 就只给第一条点赞吧
news = item.find('a', {'class': 'show-content'}).text
linksId = item.find('div', {'class': 'part2'}).attrs['share-linkid']
print('news:', news.strip())
# 点赞
r = requests.post(
url='https://dig.chouti.com/link/vote?linksId=%s' % linksId,
headers=headers,
cookies={
'gpsd': r1_cookies['gpsd'],
}
)
print(r.text)Requests 模块详细
找到requests.get()方法的源码，在 requests/api.py 这个文件里，有如下这些方法：
requests.get()
requests.options()
requests.head()
requests.post()
requests.put()
requests.patch()
requests.delete()
另外还有一个 requests.request() 方法。上面这些方法里最终调用的都是这个request方法。下面就来看下这些方法里都提供了写什么参数。
参数
在 requests.request() 方法里所有的参数如下：
method ： 提交方式。request方法里的参数，其他方法里在调用request方法时，都会填好。
url ： 提交地址
params ： 在url中传递的参数。也就是get方式的参数
data ： 在请求体里传递的参数，Form表单提交的内容。
json ： 在请求体里传递的参数，AJAX提交的内容。和data不同，会把参数序列化后，把整个字符串发出去。
headers ： 请求头。有几个重要的请求头信息，下面会列出
cookies ： 这个就是Cookies。它是放在请求头的Cookie里发送给服务端的。
files ： 上传文件。下面有使用示例
auth ： 设置 HTTP Auth 的认证信息。下面有展开
timeout ： 超时时间。单位是秒，类型是float。有连接超时和等待返回超时，同时会设置这两个时间。也可以是个元祖分别设置两个时间(connect timeout, read timeout)
allow_redirects ： 是否允许重定向。默认是True。
proxies ： 使用代理。下面有展开
verify ： 对于https的请求，如果设为Flase，会忽略证书。
stream ： 下载时的参数，如果是False，则先一次全部下载到内存。如果内容太大，下面有展开。
cert ： 提交请求如果需要附带证书文件，则要设置cert。
data 和 json 参数
这两个参数都是在请求体力传递的参数。但是格式不同，在网络上最终传递的一定都是序列化的字符串。不同的类型会生成一个不同的请求头。在 requests/models.py 文件里可以找到如下的代码：
if not data and json is not None: content_type = 'application/json' if data: if isinstance(data, basestring) or hasattr(data, 'read'): content_type = None else: content_type = 'application/x-www-form-urlencoded'
也就是不同的格式，会设置不同的 Content-Type 请求头：
data 请求头：'application/x-www-form-urlencoded'
json 请求头：'application/json'
而后端收到请求后，也就可以先查找请求头里的 Content-Type ，然后再解析请求体里的数据。
为什么要用两种格式？
Form表单提交的是data数据，并且Form只能提交字符串或列表，是没有字典的。也就是data这个字典里的value的值只能是字符串或列表，不能是字典。（data字典里不能套字典）
如果就是需要向后端提交一个字典的话，那么只能使用josn了。
请求头
Referer ： 上一次请求的url
User-Agent ： 客户端使用的浏览器
发送文件
这是最基本的用法，字典的key f1，就是Form表单的name。这里实例用了request方法来提交请求，之后的例子只有file_dict不同：
file_dict = {
'f1': open('test1.txt', rb)
}
requests.request(
method='POST',
url='http://127.0.0.1:8000/test/',
files=file_dict
)定制文件名：
file_dict = {
'f2': ('mytest.txt', open('test2.txt', rb))
}定制文件内容（没有文件对象了，文件名当然也得自己定了）：
file_dict = {
'f3': ('test3.txt', "自己写内容，或者从文件里读取到的内容")
}HTTP Auth
HTTP Auth是一种基本连接认证。比如家里用的路由器、ap，用web登录时会弹框（基本登录框，这个不是模态对话框），就是这种认证方式。它会把用户名和密码通过base64加密后放在请求头的 Authorization 里发送出去。
使用的示例代码：
import requests
def param_auth():
from requests.auth import HTTPBasicAuth
ret = requests.get('https://api.github.com/user', auth=HTTPBasicAuth('wupeiqi', 'sdfasdfasdf'))
print(ret.text)在 requests.auth 里看到了几个类，应该是不同的加密或者认证方式，但是本质都是把认证信息加密后放在请求头里发送。这里就用 HTTPBasicAuth 举例了。下面是 HTTPBasicAuth 的源码：
class HTTPBasicAuth(AuthBase): """Attaches HTTP Basic Authentication to the given Request object.""" def __init__(self, username, password): self.username = username self.password = password def __eq__(self, other): return all([ self.username == getattr(other, 'username', None), self.password == getattr(other, 'password', None) ]) def __ne__(self, other): return not self == other def __call__(self, r): r.headers['Authorization'] = _basic_auth_str(self.username, self.password) return r
上面的过程很简单，把用户名和密码通过 _basic_auth_str 方法加密后，加到请求头的 'Authorization' 里。
这种认证方式比较简单，发布到公网上的网站不会用这种认证方式。
proxies 代理
把代理的设置都写在一个字典里，使用代理的设置如下：
import requests
proxies1 = {
'http': '61.172.249.96:80', # http的请求用这个代理
'https': 'http://61.185.219.126:3128', # https的请求用这个代理
}
proxies2 = {'http://10.20.1.128': 'http://10.10.1.10:5323'} # 这特定的站定使用代理
r = requests.get('http://www.google.com', proxies=proxies1)如果是需要用户名和密码的代理，需要用到上面的auth，这里auth也是一样，是放在请求头里的：
from requests.auth import HTTPProxyAuth
auth = HTTPProxyAuth('my_username', 'my_password') # 这里一次输入用户名和密码
r = requests.get('http://www.google.com', proxies=proxies1, auth=auth)stream 下载
发送完请求，不立即下载全部内容（一次把完整的内容全部下载到内存）。而是通过迭代的方式，一点一点进行下载：
import requests
def param_stream():
from contextlib import closing
with closing(requests.get('http://httpbin.org/get', stream=True)) as r:
# 在此处理响应。
for i in r.iter_content():
print(i) # 这里用二进制打开个文件写，应该就好了Session
多次请求的时候，使用 requests.Session() 会自动帮我们管理好Cookie，另外还会设置好一些默认信息，比如请求头等等。
用法如下：
import requests
session = requests.Session() # 生成一个session实例
# 之后的requests请求，使用session替代requests，比如get请求如下
r1 = session.get('https://dig.chouti.com')不如看下源码：
class Session(SessionRedirectMixin):
"""A Requests session.
Provides cookie persistence, connection-pooling, and configuration.
Basic Usage::
>>> import requests
>>> s = requests.Session()
>>> s.get('http://httpbin.org/get')
Or as a context manager::
>>> with requests.Session() as s:
>>> s.get('http://httpbin.org/get')
"""
__attrs__ = [
'headers', 'cookies', 'auth', 'proxies', 'hooks', 'params', 'verify',
'cert', 'prefetch', 'adapters', 'stream', 'trust_env',
'max_redirects',
] 除了实例化后使用，还可以像文件操作一样用with的方法使用。
attrs 列表里的值，就是session会自动帮我们设置的所有的属性。
比如headers，它会默认在每次发送的时候添加如下的请求头：
def default_headers():
"""
:rtype: requests.structures.CaseInsensitiveDict
"""
return CaseInsensitiveDict({
'User-Agent': default_user_agent(),
'Accept-Encoding': ', '.join(('gzip', 'deflate')),
'Accept': '*/*',
'Connection': 'keep-alive',
})
# User-Agent 的值是这样的，"python-requests/2.19.1" 后面是requests模块的软件版本，会变。
# 可以方便的改掉
s = requests.Session()
s.headers['User-Agent'] = ""学到这里，之后再发送请求，尤其是要和网站进行多次交互的。就新把Session设置好，然后用Session来请求。所有的设置都会保存在Session的实例里，重复使用，自动管理。
优化登录点赞
之前自动登录点赞的例子，如果使用session改一下就简单多了，完全不用管cookie：
import requests
from bs4 import BeautifulSoup
session = requests.Session()
# 默认的 User-Agent 的值是 "python-requests/2.19.1" 会被反爬，需要改一下
session.headers['User-Agent'] = ""
session.get('https://dig.chouti.com')
# 不能把密码上传啊
with open('password/s2.txt') as f:
auth = f.read()
auth = auth.split('\n')
post_dict = {
'phone': '86%s' % auth[0], # 从请求正文里发现，会在手机号前加上86
'password': auth[1],
}
session.post('https://dig.chouti.com/login', data=post_dict)
# 获取咨询，然后点赞
r3 = session.get('https://dig.chouti.com')
r3.encoding = r3.apparent_encoding
soup = BeautifulSoup(r3.text, features='html.parser')
target = soup.find(id='content-list')
item = target.find('div', {'class': 'item'})
news = item.find('a', {'class': 'show-content'}).text
linksId = item.find('div', {'class': 'part2'}).attrs['share-linkid']
print('news:', news.strip())
# 点赞
r = session.post('https://dig.chouti.com/link/vote?linksId=%s' % linksId)
print(r.text)以上是“Python自动化开发学习之如何实现爬虫”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注创新互联行业资讯频道！
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
分享文章：Python自动化开发学习之如何实现爬虫-创新互联
文章网址：http://azwzsj.com/article/cscddp.html
