1.爬蟲概念

其實就是模擬瀏覽器傳送請求獲取相應的資料
    1.模擬請求
    2.獲取資料
    3.篩選資料
    4.儲存資料

爬蟲僅僅是將瀏覽器可以訪問到的資料通過程式碼的方式加速訪問
用於更加快速的獲取資料，提升工作效率

2.HTTP協議

1.四大特性
    無狀態(cookie、session、token)
2.資料格式
    請求首行
    請求頭(重點)
    
    請求體
3.響應狀態碼
    404
    200 

HTML：
構建網頁的骨架
    爬蟲其實就是大部分都是請求HTML資料然後篩選出想要的部分

3.requests模組

能夠模擬瀏覽器傳送請求獲取HTML資料，但是該模組不支援執行js程式碼

 
# 下載
pip3 install requests

# 基本使用
requests.get()
requests.post()

import requests

res = requests.get('https://www.baidu.com')
# 獲取響應狀態碼
print(res.status_code)  # 200

# 如果不指定編碼，漢字會變為亂碼
res.encoding='utf8'
print(res.text) # 獲取頁面的文字資料

# 獲取頁面的二進位制資料
print(res.content)

3.1 請求攜帶頭

# 部分網站針對爬蟲做了一定的防爬限制，需要攜帶請求頭，例如抽屜網，如果不攜帶請求頭，提示403
 


import requests

res = requests.get('https://dig.chouti.com/',
                   headers={
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
                   }
                   )
print(res.status_code) # 不加headers：403
# 200

3.2 攜帶引數params

import requests

res = requests.get('https://www.baidu.com/s',
             # 攜帶請求頭，需要什麼就加什麼，摸索測試
             headers={
                 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
             },
             # 攜帶引數
             params={
                 "wd": "美女"
             }
             )

3.3 攜帶cookies

# 根據登入留cookie進行登入
requests.get(url,
             cookies={
                 ...
             }
            )

4.基於post的請求

4.1 案例1：

requests.post(url,data={
   k:v 
})

# 華華手機登入案例

"""
使用者登陸與否 網站的區別
    1.不登入右上角是登入註冊
    2.登入之後右上角是使用者名稱
訪問：http://www.aa7a.cn/user.php
檢視提交資料
Form Data
username: [email protected]
password: 123qwe
captcha: UXLG
remember:1
ref: http://www.aa7a.cn # 是從哪個頁面跳轉到登入頁面的
act: act_login
"""
import requests

res = requests.post('http://www.aa7a.cn/user.php',
                    headers={
                        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
                    },
                    data={
                        "username": "[email protected]",
                        "password": "123qwe",
                        "captcha": "9ADN",
                        "remember": "1",
                        "ref": "http://www.aa7a.cn",
                        "act": "act_login",
                    }
                    )

# 獲取服務端返回給你的cookie資料
# print(res.cookies.get_dict())
"""
<RequestsCookieJar[<Cookie ECS[password]=ad0089560b9f8a6b5fa985224451e5a7 for www.aa7a.cn/>,
 <Cookie ECS[user_id]=67057 for www.aa7a.cn/>, <Cookie ECS[username]=780733727%40qq.com for www.aa7a.cn/>, 
 <Cookie ECS[visit_times]=1 for www.aa7a.cn/>, <Cookie ECS_ID=7655f6281f59557885b9b509f24c738d8e6060b7 for www.aa7a.cn/>]>
# get_dict():{'ECS[password]': 'ad0089560b9f8a6b5fa985224451e5a7', 'ECS[user_id]': '67057', 
            'ECS[username]': '780733xxx%40qq.com', 'ECS[visit_times]': '1', 'ECS_ID': 'f4dacf72dfc95354ef3e4e771a06f9d2e43712eb'}
"""
my_cookie = res.cookies.get_dict()
# 攜帶cookie傳送get請求驗證是否登入
res = requests.get('http://www.aa7a.cn/',
                   cookies=my_cookie
                   )
# 如何判斷當前是否登入
if '[email protected]' in res.text:
    print('登入成功')
else:
    print("使用者名稱或密碼錯誤")

4.2 二進位制流資料

# stream引數:一點一點的取,比如下載視訊時,如果視訊100G,用response.content然後一下子寫到檔案中是不合理的

import requests
response=requests.get('https://gss3.baidu.com/6LZ0ej3k1Qd3ote6lo7D0j9wehsv/tieba-smallvideo-transcode/1767502_56ec685f9c7ec542eeaf6eac93a65dc7_6fe25cd1347c_3.mp4',
                      stream=True)
with open('b.mp4','wb') as f:
    for line in response.iter_content():
        f.write(line)

4.3 解析json

#解析json
import requests
response=requests.get('http://httpbin.org/get')

import json
res1=json.loads(response.text) #太麻煩

res2=response.json() #直接獲取json資料

print(res1 == res2) #True

4.4 SSL Cert

#證書驗證(大部分網站都是https)
import requests
respone=requests.get('https://www.12306.cn') #如果是ssl請求,首先檢查證書是否合法,不合法則報錯,程式終端



#改進1:去掉報錯,但是會報警告
import requests
respone=requests.get('https://www.12306.cn',verify=False) #不驗證證書,報警告,返回200
print(respone.status_code)

#改進2:去掉報錯,並且去掉警報資訊
import requests
from requests.packages import urllib3
urllib3.disable_warnings() #關閉警告
respone=requests.get('https://www.12306.cn',verify=False)
print(respone.status_code)

#改進3:加上證書
#很多網站都是https,但是不用證書也可以訪問,大多數情況都是可以攜帶也可以不攜帶證書
#知乎\百度等都是可帶可不帶
#有硬性要求的,則必須帶，比如對於定向的使用者,拿到證書後才有許可權訪問某個特定網站
import requests
respone=requests.get('https://www.12306.cn',
                     cert=('/path/server.crt',
                           '/path/key'))
print(respone.status_code)

4.5 異常處理

#異常處理
import requests
from requests.exceptions import * #可以檢視requests.exceptions獲取異常型別

try:
    r=requests.get('http://www.baidu.com',timeout=0.00001)
except ReadTimeout:
    print('===:')
# except ConnectionError: #網路不通
#     print('-----')
# except Timeout:
#     print('aaaaa')

except RequestException:
    print('Error')

4.6 上傳檔案

import requests
files={'file':open('a.jpg','rb')}
respone=requests.post('http://httpbin.org/post',files=files)
print(respone.status_code)

4.7基本防爬措施

1.校驗當前請求是否是由瀏覽器發出的
    請求頭裡面有沒有User-Agent引數
    requests.get(url,headers={...})
 
2.校驗當前請求來自於哪裡
    請求頭裡面有沒有referer(ref)引數
    requests.get(url,headers={...})
    
3.校驗IP地址在固定的時間內訪問的次數

#官網連結: http://docs.python-requests.org/en/master/user/advanced/#proxies

1.採用IP代理池(免費、收費)
        import requests
        proxies={
            'http':'110.88.30.71:4245',
            'http':'27.150.192.211:4237',
            'http':'114.103.135.153:4278',
        }
        respone=requests.get('https://www.12306.cn',
                             proxies=proxies)  # 可能個別IP會被封，可以使用timeout超時設定 timeout=0.01
        print(respone.status_code)
    2.人為的設定時間間歇
        time.sleep()
4.校驗cookie在固定的時間內訪問的次數
    採用cookie代理池()
    先獲取到很多登入之後網站返回的使用者cookie資料
    之後在訪問的時候隨機攜帶一個使用者cookie

5.篩選資料之BS4

文件：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

5.1 bs4基本用法

該模組封裝了正則表示式能夠更加簡單快速的幫助你篩選出想要的標籤及內容

# 下載
pip3 install beautifulsoup4

# 解析器
    有四種不同的解析器
        html.parse  
        lxml
        lxml.xml
        html5lib
pip3 install lxml

# 匯入方式
from bs4 import BeautifulSoup

#遍歷文件樹：即直接通過標籤名字選擇，特點是選擇速度快，但如果存在多個相同的標籤則只返回第一個
#1、用法
#2、獲取標籤的名稱
#3、獲取標籤的屬性
#4、獲取標籤的內容
#5、巢狀選擇
#6、子節點、子孫節點
#7、父節點、祖先節點
#8、兄弟節點

#遍歷文件樹：即直接通過標籤名字選擇，特點是選擇速度快，但如果存在多個相同的標籤則只返回第一個
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

#1、用法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# soup=BeautifulSoup(open('a.html'),'lxml')

print(soup.p) #存在多個相同的標籤則只返回第一個
print(soup.a) #存在多個相同的標籤則只返回第一個

#2、獲取標籤的名稱
print(soup.p.name)

#3、獲取標籤的屬性
print(soup.p.attrs)

#4、獲取標籤的內容
print(soup.p.string) # p下的文字只有一個時，取到，否則為None
print(soup.p.strings) #拿到一個生成器物件, 取到p下所有的文字內容
print(soup.p.text) #取到p下所有的文字內容
print(soup.p.children)

for line in soup.stripped_strings: #去掉空白
    print(line)

'''
如果tag包含了多個子節點,tag就無法確定 .string 方法應該呼叫哪個子節點的內容, .string 的輸出結果是 None，如果只有一個子節點那麼就輸出該子節點的文字，比如下面的這種結構，soup.p.string 返回為None,但soup.p.strings就可以找到所有文字
<p id='list-1'>
    哈哈哈哈
    <a class='sss'>
        <span>
            <h1>aaaa</h1>
        </span>
    </a>
    <b>bbbbb</b>
</p>
'''

#5、巢狀選擇
print(soup.head.title.string)
print(soup.body.a.string)

#6、子節點、子孫節點
print(soup.p.contents) #p下所有子節點
print(soup.p.children) #得到一個迭代器,包含p下所有子節點

for i,child in enumerate(soup.p.children):
    print(i,child)

print(soup.p.descendants) #獲取子孫節點,p下所有的標籤都會選擇出來
for i,child in enumerate(soup.p.descendants):
    print(i,child)

#7、父節點、祖先節點
print(soup.a.parent) #獲取a標籤的父節點
print(soup.a.parents) #找到a標籤所有的祖先節點，父親的父親，父親的父親的父親...

#8、兄弟節點
print('=====>')
print(soup.a.next_sibling) #下一個兄弟
print(soup.a.previous_sibling) #上一個兄弟

print(list(soup.a.next_siblings)) #下面的兄弟們=>生成器物件
print(soup.a.previous_siblings) #上面的兄弟們=>生成器物件

5.2 過濾器：find 和find_all

#搜尋文件樹：BeautifulSoup定義了很多搜尋方法,這裡著重介紹2個: find() 和 find_all() .其它方法的引數和用法類似
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')

#1、五種過濾器: 字串、正則表示式、列表、True、方法
#1.1、字串：即標籤名
print(soup.find_all('b'))

#1.2、正則表示式
import re
print(soup.find_all(re.compile('^b'))) #找出b開頭的標籤，結果有body和b標籤

#1.3、列表：如果傳入列表引數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面程式碼找到文件中所有<a>標籤和<b>標籤:
print(soup.find_all(['a','b']))

#1.4、True：可以匹配任何值,下面程式碼查詢到所有的tag,但是不會返回字串節點
print(soup.find_all(True))
for tag in soup.find_all(True):
    print(tag.name)

#1.5、方法:如果沒有合適過濾器,那麼還可以定義一個方法,方法只接受一個元素引數 ,如果這個方法返回 True 表示當前元素匹配並且被找到,如果不是則反回 False
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))

#2、find_all( name , attrs , recursive , text , **kwargs )
#2.1、name: 搜尋name引數的值可以使任一型別的 過濾器 ,字元竄,正則表示式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))

#2.2、keyword: key=value的形式，value可以是過濾器：字串 , 正則表示式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意類要用class_
print(soup.find_all(id=True)) #查詢有id屬性的標籤

# 有些tag屬性在搜尋不能使用,比如HTML5中的 data-* 屬性:
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
# data_soup.find_all(data-foo="value") #報錯：SyntaxError: keyword can't be an expression
# 但是可以通過 find_all() 方法的 attrs 引數定義一個字典引數來搜尋包含特殊屬性的tag:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]

#2.3、按照類名查詢，注意關鍵字是class_，class_=value,value可以是五種選擇器之一
print(soup.find_all('a',class_='sister')) #查詢類為sister的a標籤
print(soup.find_all('a',class_='sister ssss')) #查詢類為sister和sss的a標籤，順序錯誤也匹配不成功
print(soup.find_all(class_=re.compile('^sis'))) #查詢類為sister的所有標籤

#2.4、attrs
print(soup.find_all('p',attrs={'class':'story'}))

#2.5、text: 值可以是：字元，列表，True，正則
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))

#2.6、limit引數:如果文件樹很大那麼搜尋會很慢.如果我們不需要全部結果,可以使用 limit 引數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜尋到的結果數量達到 limit 的限制時,就停止搜尋返回結果
print(soup.find_all('a',limit=2))

#2.7、recursive:呼叫tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜尋tag的直接子節點,可以使用引數 recursive=False .
print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))

'''
像呼叫 find_all() 一樣呼叫tag
find_all() 幾乎是Beautiful Soup中最常用的搜尋方法,所以我們定義了它的簡寫方法. BeautifulSoup 物件和 tag 物件可以被當作一個方法來使用,這個方法的執行結果與呼叫這個物件的 find_all() 方法相同,下面兩行程式碼是等價的:
soup.find_all("a")
soup("a")
這兩行程式碼也是等價的:
soup.title.find_all(text=True)
soup.title(text=True)
'''

#3、find( name , attrs , recursive , text , **kwargs )
find_all() 方法將返回文件中符合條件的所有tag,儘管有時候我們只想得到一個結果.比如文件中只有一個<body>標籤,那麼使用 find_all() 方法來查詢<body>標籤就不太合適, 使用 find_all 方法並設定 limit=1 引數不如直接使用 find() 方法.下面兩行程式碼是等價的:

soup.find_all('title', limit=1)
# [<title>The Dormouse's story</title>]
soup.find('title')
# <title>The Dormouse's story</title>

唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果.
find_all() 方法沒有找到目標是返回空列表, find() 方法找不到目標時,返回 None .
print(soup.find("nosuchtag"))
# None

soup.head.title 是 tag的名字 方法的簡寫.這個簡寫的原理就是多次呼叫當前tag的 find() 方法:

soup.head.title
# <title>The Dormouse's story</title>
soup.find("head").find("title")
# <title>The Dormouse's story</title>

print(soup.find(name='a'))
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
print(soup.find_all(name='a'))
列出所有a標籤