Python寫爬蟲爬妹子

2020 年 3 月 27 日
筆記

最近學完Python，寫了幾個爬蟲練練手，網上的教程有很多，但是有的已經不能爬了，主要是網站經常改，可是爬蟲還是有通用的思路的，即下載數據、解析數據、保存數據。下面一一來講。

1.下載數據

首先打開要爬的網站，分析URL，每打開一個網頁看URL有什麼變化，有可能帶上上個網頁的某個數據，例如xxID之類，那麼我們就需要在上一個頁面分析HTML，找到對應的數據。如果網頁源碼找不到，可能是ajax異步加載，去xhr里去找。

有的網站做了反爬的處理，可以添加User-Agent ：判斷瀏覽器

self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  # 初始化 headers  self.headers = {'User-Agent': self.user_agent}

如果不行，在Chrome上按F12分析請求頭、請求體，看需不需要添加別的信息，例如有的網址添加了referer：記住當前網頁的來源，那麼我們在請求的時候就可以帶上。按Ctrl + Shift + C，可以定位元素在HTML上的位置

動態網頁

有一些網頁是動態網頁，我們得到網頁的時候，數據還沒請求到呢，當然什麼都提取不出來，用Python 解決這個問題只有兩種途徑：直接從JavaScript 代碼里採集內容，或者用Python 的第三方庫運行JavaScript，直接採集你在瀏覽器里看到的頁面。

1.找請求，看返回的內容，網頁的內容可能就在這裡。然後可以複製請求，複雜的網址中，有些亂七八糟的可以刪除，有意義的部分保留。切記刪除一小部分後先嘗試能不能打開網頁，如果成功再刪減，直到不能刪減。

2.Selenium：是一個強大的網絡數據採集工具（但是速度慢），其最初是為網站自動化測試而開發的。近幾年，它還被廣泛用於獲取精確的網站快照，因為它們可以直接運行在瀏覽器上。Selenium 庫是一個在WebDriver 上調用的API。WebDriver 有點兒像可以加載網站的瀏覽器，但是它也可以像BeautifulSoup對象一樣用來查找頁面元素，與頁面上的元素進行交互（發送文本、點擊等），以及執行其他動作來運行網絡爬蟲。

PhantomJS：是一個「無頭」（headless）瀏覽器。它會把網站加載到內存並執行頁面上的JavaScript，但是它不會向用戶展示網頁的圖形界面。把Selenium和PhantomJS 結合在一起，就可以運行一個非常強大的網絡爬蟲了，可以處理cookie、JavaScript、header，以及任何你需要做的事情。

下載數據的模塊有urllib、urllib2及Requests

Requests相比其他倆個的話，支持HTTP連接保持和連接池，支持使用cookie保持會話，支持文件上傳，支持自動確定響應內容的編碼，支持國際化的 URL 和 POST 數據自動編碼，而且api相對來說也簡單，但是requests直接使用不能異步調用，速度慢。

 html = requests.get(url, headers=headers)   #沒錯，就是這麼簡單

urllib2以我爬取淘寶的妹子例子來說明：

user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  headers = {'User-Agent': user_agent}  # 注意：form data請求參數  params = 'q&viewFlag=A&sortType=default&searchStyle=&searchRegion=city%3A&searchFansNum=&currentPage=1&pageSize=100'      def getHome():      url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'      req = urllib2.Request(url, headers=headers)      # decode（』utf - 8』）解碼   把其他編碼轉換成unicode編碼      # encode(』gbk』) 編碼  把unicode編碼轉換成其他編碼      # 」gbk」.decode(』gbk』).encode(』utf - 8')      # unicode = 中文      # gbk = 英文      # utf - 8 = 日文      # 英文一 > 中文一 > 日文,unicode相當於轉化器      html = urllib2.urlopen(req, data=params).read().decode('gbk').encode('utf-8')      # json轉對象      peoples = json.loads(html)      for i in peoples['data']['searchDOList']:          #去下一個頁面獲取數據          getUseInfo(i['userId'], i['realName'])

2.解析數據

解析數據也有很多方式，我只看了beautifulsoup和正則，這個例子是用正則來解析的

def getUseInfo(userId, realName):      url = 'https://mm.taobao.com/self/aiShow.htm?userId=' + str(userId)      req = urllib2.Request(url)      html = urllib2.urlopen(req).read().decode('gbk').encode('utf-8')        pattern = re.compile('<img.*?src=(.*?)/>', re.S)      items = re.findall(pattern, html)      x = 0      for item in items:          if re.match(r'.*(.jpg")$', item.strip()):              tt = 'http:' + re.split('"', item.strip())[1]              down_image(tt, x, realName)              x = x + 1      print('下載完畢')

正則表達式說明

match：匹配string 開頭，成功返回Match object, 失敗返回None，只匹配一個。 search：在string中進行搜索，成功返回Match object, 失敗返回None, 只匹配一個。 findall：在string中查找所有匹配成功的組, 即用括號括起來的部分。返回list對象，每個list item是由每個匹配的所有組組成的list。

1）.*? 是一個固定的搭配，.和*代表可以匹配任意無限多個字符，加上？表示使用非貪婪模式進行匹配，也就是我們會儘可能短地做匹配

2）(.*?)代表一個分組，如果有5個(.*?)就說明匹配了五個分組

3）正則表達式中，「.」的作用是匹配除「n」以外的任何字符，也就是說，它是在一行中進行匹配。這裡的「行」是以「n」進行區分的。HTML標籤每行的末尾有一個「n」，不過它不可見。如果不使用re.S參數，則只在每一行內進行匹配，如果一行沒有，就換下一行重新開始，不會跨行。而使用re.S參數以後，正則表達式會將這個字符串作為一個整體，將「n」當做一個普通的字符加入到這個字符串中，在整體中進行匹配。

3.保存數據

數據解析後可以保存到文件或數據庫中，這個例子是保存到了文件中，很簡單，就不做說明了，在下篇講如何將數據保存到數據庫

def down_image(url, filename, realName):      req = urllib2.Request(url=url)      folder = 'e:\images\%s' % realName      if os.path.isdir(folder):          pass      else:          os.makedirs(folder)        f = folder + '\%s.jpg' % filename      if not os.path.isfile(f):          print f          binary_data = urllib2.urlopen(req).read()          with open(f, 'wb') as temp_file:              temp_file.write(binary_data)

GitHub地址，還有其他網站爬蟲，歡迎star