Python自動化開發學習之如何實現爬蟲

這篇文章主要介紹Python自動化開發學習之如何實現爬蟲，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

講師的博客：https://www.cnblogs.com/wupeiqi/articles/6283017.html

建立本地緩存

用下面的命令，就可以把一個頁面爬取下來。不過再繼續其他操作之前先把爬取的內容在本地建立緩存：

import requests
r = requests.get('http://www.autohome.com.cn/news')  # 爬取頁面
print(r.text)  # 打印響應的內容

下面會試很多的方法，還是要避免每次都去爬一次相同的頁面。主要爬的太頻繁，不知道會不會被封。所以爬取過一次之后，在本地建立緩存，之后的各種分析就不用再去爬一遍了。
要緩存的就是 r = requests.get('http://www.autohome.com.cn/news') 這個，也就是這里的r這個對象。不緩存的話，r是保存在內存中的，程序一旦退出就沒有了。這里要做的就是對r這個對象進行序列化，把它保存為本地的文件。由于r是一個python對象，無法使用JSON序列化，這里可以用pickle，保存為一個二進制文件。

序列化與反序列化

首先是把對象序列化，保存為本地的二進制文件：

import pickle
with open('test.pk', 'wb') as f:
    pickle.dump(r, f)

只有再用的時候，就不需要再通過requests.get再去爬一遍了，直接從本地文件中取出內容反序列生成r對象：

import pickle
with open('test.pk', 'rb') as f:
    r = pickle.load(f)

封裝個模塊

然后，每次自己都要想一下之前有沒有緩存過也很麻煩，所以在封裝一下，自動判斷有沒有緩存過。如果沒有就去爬網頁，然后生成緩存。如果有就去緩存的文件里讀。
創建一個文件夾“pk”專門存放緩存的文件。假設測試的python文件是 s1.py 那么就生成一個 pk/s1.pk 的緩存文件，只要判斷是否存在該文件，就可以知道是否緩存過了：

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("已經爬取過了，獲取緩存的內容...")
    with open(pk_name, 'rb') as f:
        response = pickle.load(f)

# 只有在沒有緩存過頁面的時候才進行爬取
if not response:
    print("開始爬取頁面...")
    response = requests.get('http://www.autohome.com.cn/news')
    # 爬完之后記得保存，下次就不用再去爬取了
    with open(pk_name, 'wb') as f:
        pickle.dump(response, f)

# 從這里開始寫真正的代碼
print(response.text)

Requests

中文官方文檔：http://cn.python-requests.org/zh_CN/latest/user/quickstart.html
安裝模塊：

pip install requests

發送請求

r = requests.get('http://www.autohome.com.cn/news')

讀取響應內容

print(r.text)

文本編碼
上面可能會有亂碼，那就是編碼不對，可以查看當前的編碼，也可以改變它。默認的編碼就是 'ISO-8859-1' ：

print(r.encoding)
r.encoding = 'ISO-8859-1'

另外還可以自動獲取頁面的編碼，解決亂碼問題：

r.encoding = r.apparent_encoding
print(r.text)

二進制響應內容
如果要自己找編碼，應該也是在這里面找

print(r.content)

在下載的時候，就要用到二進制的響應內容了
響應狀態碼

print(r.status_code)

正常返回的狀態碼是200
Cookie

cookie_obj = r.cookies
cookie_dict = r.cookies.get_dict()

r.cookies 是一個對象，這個對象的的行為和字典類似，也可以像對象那樣使用。這里還可以用 get_dict() 方法轉成原生的字典。

Beautiful Soup

中文官方文檔：https://beautifulsoup.readthedocs.io/
安裝模塊：

pip install beautifulsoup4

這里繼續對上面爬取到的內容進行分析，把爬取到的內容先把編碼轉正確了，然后這里要分析的是 r.text 文本的響應內容：

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 參數是指定一個處理引擎，這里用的是默認的，效率一般，但是不用額外的安裝。如果是生產環境，還有更高效的處理引擎。
這里最后拿到了一個 soup 對象，之后又一系列的方法，可以提取出各種內容。

查找方法
soup.find方法，可以找到第一個符合條件的對象。可以找標簽，也可以找id等，還可以多條件組合使用：

soup.find("div")
soup.find(id="link3")
soup.find("div", id="link3")

soup.find_all方法，和find的用法一樣，實際上find方法的實現也是調用find_all方法。find_all方法會返回所有符合條件的對象，返回的對象是在一個列表里的。

打印對象和對象的文本
直接打印對象會打印整個html標簽，如果只需要標簽中的文本，可以通過對象的text屬性：

soup = BeautifulSoup(r.text, features='html.parser')
target = soup.find('div', {'class': "article-bar"})
print(type(target), target, target.text)

獲取對象的所有屬性
對象的attrs屬性里是這個html標簽的所有的屬性：

target = soup.find(id='auto-channel-lazyload-article')
print(target.attrs)

獲取屬性的值
用get方法可以通過屬性的key獲取到對應的value。下面2個方法都可以：

v1 = target.get('name')
v2 = target.attrs.get('value')

# get方法的源碼
    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)

實戰

僅憑上面這點知識點就可以開始下面的實戰了

爬取汽車之家新網咨詢

下面是代碼，找到了沒一條新聞咨詢的a連接的地址，以及標題，最后還把對應的圖片下載到了本地（先建一個img文件夾）：

# check_cache.py
"""用來檢查是否有本地緩存的小模塊"""

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
"""爬取汽車之家新網咨詢"""

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("已經爬取過了，獲取緩存的內容...")
    with open(pk_name, 'rb') as f:
        response = pickle.load(f)

# 只有在沒有緩存過頁面的時候才進行爬取
if not response:
    print("開始爬取頁面...")
    response = requests.get('http://www.autohome.com.cn/news')
    # 爬完之后記得保存，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  # 獲取頁面的編碼，解決亂碼問題
# 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標簽里沒有a標簽，所以可能會報錯
    if a:  # 這樣判斷一下就好了
        # print(a.attrs)  # 這是一個字典
        print(a.attrs.get('href'))  # 那就用操作字典的方法來獲取值
        # tittle = a.find('h4')  # 這個類型是對象
        tittle = a.find('h4').text  # 這樣拿到的才是文本
        print(tittle, type(tittle))  # 不過打印出來差不多，都會變成字符串，差別就是h4這個標簽
        img_url = a.find('img').attrs.get('src')
        print(img_url)
        # 上面獲取到了圖片的url，現在可以下載到本地了
        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)

登錄抽屜

這里要解決一個登錄的問題。
登錄有2種，一種是Form表單驗證，還有一種是AJAX請求。這是一個使用AJAX做登錄請求的網站。
下面是幾張瀏覽器調試工具的截圖，主要是要找一下，登錄請求需要提交到哪里，提交哪些信息，以及最后會返回的內容。
登錄的AJAX請求：

請求正文：

響應正文：

登錄請求的代碼如下：

import requests

post_dict = {
    'phone': '8613507293881',  # 從請求正文里發現，會在手機號前加上86
    'password': '123456',
}

# 所有的請求頭可以從請求標頭里找到，不過不是必須的
headers = {
    'User-Agent': '',  # 這個網站要驗證這個請求頭，不過只要有就可以通過
}

# 從標頭里可以得知，請求的url和請求的方法
response = requests.post(
    url='https://dig.chouti.com/login',
    data=post_dict,
    headers=headers,
)

print(response.text)
# 這里還有返回的cookies信息，登錄成功關鍵是要拿到成功的cookie
cookie_dict = response.cookies.get_dict()
print(cookie_dict)

登錄的套路
上面使用了錯誤的用戶名和密碼，在繼續登錄驗證之前，看了解下登錄的機制。
登錄肯定是要提交驗證信息的，一般就用戶名和密碼。然后請求驗證之后，服務端會記錄一個session，然后會返回給客戶端一個cookie。之后用戶每次請求都帶著這個cookie，服務端收到請求后就知道這個請求是那個用戶提交的了。
不過這個網站有一點不一樣，用戶在提交驗證信息的時候，不但要提交用戶名和密碼，還要提交一個gpsd。然后服務端驗證通過后，會把這次收到的gpsd記錄下來。用戶之后的cookie里就是要帶著這個gpsd就能驗證通過。驗證請求的gpsd可以從第一次發送get請求的返回的cookie里獲取到。另外用戶驗證通過后，服務端會返回一個cookie，這個cookie里也有一個gpsd，但是是一個新的gpsd，并且是沒有用的，這里就會混淆我們，在進行驗證這不的時候造成一些困擾。
具體如何應對這類特殊情況，只能用瀏覽器，打開調試工具，然后一點一點試了。

登錄并點贊
下面就是登錄驗證，獲取到第一條咨詢的標題和id，發送post請求點贊：

import requests
from bs4 import BeautifulSoup

headers = {
    'User-Agent': '',  # 這個網站要驗證這個請求頭，不過只要有就可以通過
}

r1 = requests.get('https://dig.chouti.com', headers=headers)
r1_cookies = r1.cookies  # 這里有個gpsd，登錄驗證的時候要一并提交
print(r1_cookies.get_dict())

# 不能把密碼上傳啊
with open('password/s2.txt') as f:
    auth = f.read()
    auth = auth.split('\n')

post_dict = {
    'phone': '86%s' % auth[0],  # 從請求正文里發現，會在手機號前加上86
    'password': auth[1],
}

# 這個網站的登錄機制是，發送驗證信息和cookies里的gpsd，成功后給你的gpsd授權
# 之后的請求只有cookies里有這個授權過的gpsd就能認證通過
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  # 這里也會返回一個新的gpsd，但是無用。
print(r2_cookies.get_dict())

# 獲取咨詢，然后點贊
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'})  # 就只給第一條點贊吧
news = item.find('a', {'class': 'show-content'}).text
linksId = item.find('div', {'class': 'part2'}).attrs['share-linkid']
print('news:', news.strip())

# 點贊
r = requests.post(
    url='https://dig.chouti.com/link/vote?linksId=%s' % linksId,
    headers=headers,
    cookies={
        'gpsd': r1_cookies['gpsd'],
    }
)

print(r.text)

Requests 模塊詳細

找到requests.get()方法的源碼，在 requests/api.py 這個文件里，有如下這些方法：

• requests.get()

• requests.options()

• requests.head()

• requests.post()

• requests.put()

• requests.patch()

• requests.delete()

另外還有一個 requests.request() 方法。上面這些方法里最終調用的都是這個request方法。下面就來看下這些方法里都提供了寫什么參數。

參數

在 requests.request() 方法里所有的參數如下：

• method ： 提交方式。request方法里的參數，其他方法里在調用request方法時，都會填好。

• url ： 提交地址

• params ： 在url中傳遞的參數。也就是get方式的參數

• data ： 在請求體里傳遞的參數，Form表單提交的內容。

• json ： 在請求體里傳遞的參數，AJAX提交的內容。和data不同，會把參數序列化后，把整個字符串發出去。

• headers ： 請求頭。有幾個重要的請求頭信息，下面會列出

• cookies ： 這個就是Cookies。它是放在請求頭的Cookie里發送給服務端的。

• files ： 上傳文件。下面有使用示例

• auth ： 設置 HTTP Auth 的認證信息。下面有展開

• timeout ： 超時時間。單位是秒，類型是float。有連接超時和等待返回超時，同時會設置這兩個時間。也可以是個元祖分別設置兩個時間(connect timeout, read timeout)

• allow_redirects ： 是否允許重定向。默認是True。

• proxies ： 使用代理。下面有展開

• verify ： 對于https的請求，如果設為Flase，會忽略證書。

• stream ： 下載時的參數，如果是False，則先一次全部下載到內存。如果內容太大，下面有展開。

• cert ： 提交請求如果需要附帶證書文件，則要設置cert。

data 和 json 參數
這兩個參數都是在請求體力傳遞的參數。但是格式不同，在網絡上最終傳遞的一定都是序列化的字符串。不同的類型會生成一個不同的請求頭。在 requests/models.py 文件里可以找到如下的代碼：

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，會設置不同的 Content-Type 請求頭：
data 請求頭：'application/x-www-form-urlencoded'
json 請求頭：'application/json'
而后端收到請求后，也就可以先查找請求頭里的 Content-Type ，然后再解析請求體里的數據。
為什么要用兩種格式？
Form表單提交的是data數據，并且Form只能提交字符串或列表，是沒有字典的。也就是data這個字典里的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個字典的話，那么只能使用josn了。

請求頭

• Referer ： 上一次請求的url

• User-Agent ： 客戶端使用的瀏覽器

發送文件
這是最基本的用法，字典的key f1，就是Form表單的name。這里實例用了request方法來提交請求，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))
}

定制文件內容（沒有文件對象了，文件名當然也得自己定了）：

file_dict = {
    'f3': ('test3.txt', "自己寫內容，或者從文件里讀取到的內容")
}

HTTP Auth
HTTP Auth是一種基本連接認證。比如家里用的路由器、ap，用web登錄時會彈框（基本登錄框，這個不是模態對話框），就是這種認證方式。它會把用戶名和密碼通過base64加密后放在請求頭的 Authorization 里發送出去。
使用的示例代碼：

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 里看到了幾個類，應該是不同的加密或者認證方式，但是本質都是把認證信息加密后放在請求頭里發送。這里就用 HTTPBasicAuth 舉例了。下面是 HTTPBasicAuth 的源碼：

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

上面的過程很簡單，把用戶名和密碼通過 _basic_auth_str 方法加密后，加到請求頭的 'Authorization' 里。
這種認證方式比較簡單，發布到公網上的網站不會用這種認證方式。

proxies 代理
把代理的設置都寫在一個字典里，使用代理的設置如下：

import requests

proxies1 = {
    'http': '61.172.249.96:80',  # http的請求用這個代理
    'https': 'http://61.185.219.126:3128',  # https的請求用這個代理
}
proxies2 = {'http://10.20.1.128': 'http://10.10.1.10:5323'}  # 這特定的站定使用代理
r = requests.get('http://www.google.com', proxies=proxies1)

如果是需要用戶名和密碼的代理，需要用到上面的auth，這里auth也是一樣，是放在請求頭里的：

from requests.auth import HTTPProxyAuth

auth = HTTPProxyAuth('my_username', 'my_password')  # 這里一次輸入用戶名和密碼
r = requests.get('http://www.google.com', proxies=proxies1, auth=auth)

stream 下載
發送完請求，不立即下載全部內容（一次把完整的內容全部下載到內存）。而是通過迭代的方式，一點一點進行下載：

import requests

def param_stream():
    from contextlib import closing
    with closing(requests.get('http://httpbin.org/get', stream=True)) as r:
        # 在此處理響應。
        for i in r.iter_content():
            print(i)  # 這里用二進制打開個文件寫，應該就好了

Session

多次請求的時候，使用 requests.Session() 會自動幫我們管理好Cookie，另外還會設置好一些默認信息，比如請求頭等等。
用法如下：

import requests

session = requests.Session()  # 生成一個session實例
# 之后的requests請求，使用session替代requests，比如get請求如下
r1 = session.get('https://dig.chouti.com')

不如看下源碼：

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')
      <Response [200]>

    Or as a context manager::

      >>> with requests.Session() as s:
      >>>     s.get('http://httpbin.org/get')
      <Response [200]>
    """

    __attrs__ = [
        'headers', 'cookies', 'auth', 'proxies', 'hooks', 'params', 'verify',
        'cert', 'prefetch', 'adapters', 'stream', 'trust_env',
        'max_redirects',
    ]

除了實例化后使用，還可以像文件操作一樣用with的方法使用。
attrs 列表里的值，就是session會自動幫我們設置的所有的屬性。
比如headers，它會默認在每次發送的時候添加如下的請求頭：

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 的值是這樣的，"python-requests/2.19.1" 后面是requests模塊的軟件版本，會變。
# 可以方便的改掉
s = requests.Session()
s.headers['User-Agent'] = ""

學到這里，之后再發送請求，尤其是要和網站進行多次交互的。就新把Session設置好，然后用Session來請求。所有的設置都會保存在Session的實例里，重復使用，自動管理。

優化登錄點贊

之前自動登錄點贊的例子，如果使用session改一下就簡單多了，完全不用管cookie：

import requests
from bs4 import BeautifulSoup

session = requests.Session()

# 默認的 User-Agent 的值是 "python-requests/2.19.1" 會被反爬，需要改一下
session.headers['User-Agent'] = ""
session.get('https://dig.chouti.com')

# 不能把密碼上傳啊
with open('password/s2.txt') as f:
    auth = f.read()
    auth = auth.split('\n')

post_dict = {
    'phone': '86%s' % auth[0],  # 從請求正文里發現，會在手機號前加上86
    'password': auth[1],
}
session.post('https://dig.chouti.com/login', data=post_dict)

# 獲取咨詢，然后點贊
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())

# 點贊
r = session.post('https://dig.chouti.com/link/vote?linksId=%s' % linksId)
print(r.text)

以上是“Python自動化開發學習之如何實現爬蟲”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業資訊頻道！