爬虫2 数据解析 --图片

### 回顾

- requests作用:模拟浏览器发起请求

- urllib:requests的前身

- requests模块的编码流程:

    - 指定url

    - 发起请求:

        - get(url,params,headers)

        - post(url,data,headers)

    - 获取响应数据

    - 持久化存储

    

- 参数动态化:

    - 有些情况下我们是需要将请求参数进行更改。将get或者post请求对应的请求参数封装到一个字典(键值对==请求参数)中,然后将改字典作用到get方法的params参数中或者作用到psot方法的data参数中

- UA检测(反爬机制):

    - 什么是UA:请求载体的身份标识。服务器端会检测请求的UA来鉴定其身份。

    - 反反爬策略:UA伪装。通过抓包工具捕获某一款浏览器的UA值,封装到字典中,且将该字典作用到headers参数中

- 动态加载的数据

    - 通过另一个单独的请求请求到的数据

- 如果我们要对一个陌生的网站进行指定数据的爬取?

    - 首先要确定爬取的数据在改网站中是否为动态加载的

        - 是:通过抓包工具实现全局搜索,定位动态加载数据对应的数据包,从数据包中提取请求的url和请求参数。

        - 不是:就可以直接将浏览器地址栏中的网址作为我们requests请求的url

 

 

### 今日内容

- 数据解析

    - 数据解析的作用:

        - 可以帮助我们实现聚焦爬虫

    - 数据解析的实现方式:

        - 正则

        - bs4

        - xpath

        - pyquery

     - 数据解析的通用原理

         - 问题1:聚焦爬虫爬取的数据是存储在哪里的?

             - 都被存储在了相关的标签之中and相关标签的属性中

         - 1.定位标签

         - 2.取文本或者取属性

 

 

如何爬取图片呢?

爬虫2 数据解析 --图片
import requests
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}

#如何爬取图片
url = 'https://pic.qiushibaike.com/system/pictures/12223/122231866/medium/IZ3H2HQN8W52V135.jpg'
img_data = requests.get(url,headers=headers).content #byte类型数据
with open('./img.jpg','wb') as fp:
    fp.write(img_data)
爬取图片

2、引用 urllib(建议不用,因为不能UA伪装)

爬虫2 数据解析 --图片
#弊端:不能使用UA伪装
from urllib import request
url = 'https://pic.qiushibaike.com/system/pictures/12223/122231866/medium/IZ3H2HQN8W52V135.jpg'
request.urlretrieve(url,filename='./qiutu.jpg')
urllib

 

到糗事百科 爬取图片

爬虫2 数据解析 --图片
import re
import os

#1.使用通用爬虫将前3页对应的页面源码数据进行爬取
#通用的url模板(不可变)
dirName = './imgLibs'
if not os.path.exists(dirName):
    os.mkdir(dirName)
url = 'https://www.qiushibaike.com/pic/page/%d/'
for page in range(1,4):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers).text #每一个页码对应的页面源码数据
    #在通用爬虫的基础上实现聚焦爬虫(每一个页码对应页面源码数据中解析出图片地址)
    ex = '<div class="thumb">.*?<img src="(.*?)" alt.*?</div>'
    img_src_list = re.findall(ex,page_text,re.S)
    for src in img_src_list:
        src = 'https:'+src
        img_name = src.split('/')[-1]
        img_path = dirName+'/'+img_name #./imgLibs/xxxx.jpg
        request.urlretrieve(src,filename=img_path)
        print(img_name,'下载成功!!!')
#糗图爬取1-3页所有的图片

 

- bs4解析

    - bs4解析的原理:

        - 实例化一个BeautifulSoup的对象,需要将即将被解析的页面源码数据加载到该对象中

        - 调用BeautifulSoup对象中的相关方法和属性进行标签定位和数据提取

    - 环境的安装:

        - pip install bs4

        - pip install lxml

    - BeautifulSoup的实例化:

        - BeautifulSoup(fp,'lxml'):将本地存储的一个html文档中的数据加载到实例化好的BeautifulSoup对象中

        - BeautifulSoup(page_text,'lxml'):将从互联网上获取的页面源码数据加载到实例化好的BeautifulSoup对象中

 

- 定位标签的操作:

    - soup.tagName:定位到第一个出现的tagName标签                  soup.div

    - 属性定位:soup.find('tagName',attrName='value')              soup.find('div',class_='c1')    

    - 属性定位:soup.find_all('tagName',attrName='value'),返回值为列表:       soup.find_all('div',id='d1')

    - 选择器定位:soup.select('选择器')                     soup.select('#feng') 

        - 层级选择器:>表示一个层级  空格表示多个层级              soup.select('.tang > ul > li')

- 取文本

    - .string:获取直系的文本内容

    - .text:获取所有的文本内容

- 取属性

    - tagName['attrName']

 

from bs4 import BeautifulSoup
fp = open('./test.html','r',encoding='utf-8')

soup = BeautifulSoup(fp,'lxml')      # 本地文件句柄
soup.div
soup.find('div',class_='song')
soup.find('a',id="feng")
soup.find_all('div',class_="song")
soup.select('#feng')
soup.select('.tang > ul > li')    # >表示一层级(直系)
soup.select('.tang li')             # 空格表示多个层级(孙子辈)
a_tag = soup.select('#feng')[0]
a_tag.text
div = soup.div
div.string       # 获取直系文本
div = soup.find('div',class_="song")
div.string    # 所有文本
a_tag = soup.select('#feng')[0]
a_tag['href']        

 

Ok 来下载小说吧

爬虫2 数据解析 --图片
fp = open('sanguo.txt','w',encoding='utf-8')
main_url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(main_url,headers=headers).text
#解析出章节名称和章节详情页的url
soup = BeautifulSoup(page_text,'lxml')
a_list = soup.select('.book-mulu > ul > li > a') #返回的列表中存储的是一个个a标签
for a in a_list:
    title = a.string
    detail_url = 'http://www.shicimingju.com'+a['href']
    detail_page_text = requests.get(detail_url,headers=headers).text
    #解析详情页中的章节内容
    soup = BeautifulSoup(detail_page_text,'lxml')
    content = soup.find('div',class_='chapter_content').text
    fp.write(title+':'+content+'\n')
    print(title,'下载成功!')
fp.close()
爬取三国整篇内容(章节名称+章节内容)

 

 

  • xpath表达式:xpath方法的返回值一定是一个列表
    • 最左侧的/表示:xpath表达式一定要从根标签逐层进行标签查找和定位
    • 最左侧的//表示:xpath表达式可以从任意位置定位标签
    • 非最左侧的/:表示一个层级
    • 非最左侧的//:表示夸多个层级
    • 属性定位://tagName[@attrName="value"]                          //div[@class='c1']
    • 索引定位://tagName[index] 索引是从1开始                           //li[1]
  • 取文本:
    • /text():直系文本内容
    • //text():所有的文本内容
  • 取属性:
    • /@attrName                                                                               @ href
      from lxml import etree
      tree = etree.parse('./test.html')
      tree.xpath('/html/head/title')
      tree.xpath('//title')
      tree.xpath('/html/body//p')
      tree.xpath('//p')
      tree.xpath('//div[@class="song"]')
      tree.xpath('//li[7]')
      tree.xpath('//a[@id="feng"]/text()')[0]
      tree.xpath('//div[@class="song"]//text()')
      tree.xpath('//a[@id="feng"]/@href')
      爬虫2 数据解析 --图片
      from lxml import etree
      url = 'https://www.qiushibaike.com/text/'
      page_text = requests.get(url,headers=headers).text
      
      #解析内容
      tree = etree.HTML(page_text)
      div_list = tree.xpath('//div[@id="content-left"]/div')
      for div in div_list:
          author = div.xpath('./div[1]/a[2]/h2/text()')[0]#实现局部解析
          content = div.xpath('./a[1]/div/span//text()')
          content = ''.join(content)
          
          print(author,content)
      #爬取糗百中的段子内容和作者名称

       

    • 有时候爬取的数据出现乱码  可以参考下面:
      •    img_name = img_name.encode('iso-8859-1').decode('gbk')
        •   先用iso-8859-1 来编码  再用gbk 解码 即可
    • 爬虫2 数据解析 --图片
      import os
      dirName = './meinvLibs'
      if not os.path.exists(dirName):
          os.mkdir(dirName)
      url = 'http://pic.netbian.com/4kmeinv/index_%d.html'
      for page in range(1,11):
          if page == 1:
              new_url = 'http://pic.netbian.com/4kmeinv/' 
          else:
              new_url = format(url%page)
          page_text = requests.get(new_url,headers=headers).text
          tree = etree.HTML(page_text)
          a_list = tree.xpath('//div[@class="slist"]/ul/li/a')
          for a in a_list:
              img_src = 'http://pic.netbian.com'+a.xpath('./img/@src')[0]
              img_name = a.xpath('./b/text()')[0]
              img_name = img_name.encode('iso-8859-1').decode('gbk')
              img_data = requests.get(img_src,headers=headers).content
              imgPath = dirName+'/'+img_name+'.jpg'
              with open(imgPath,'wb') as fp:
                  fp.write(img_data)
                  print(img_name,'下载成功!!!')
      #http://pic.netbian.com/4kmeinv/中文乱码的处理

       

    • 有时候网页变化莫测 ,即同一个位置的标签有两种或两种以上的写法 会对爬虫爬取的规律性造成巨大麻烦
    • 可以用下面的方法来解决一下
    • 爬虫2 数据解析 --图片
      #https://www.aqistudy.cn/historydata/
      page_text = requests.get('https://www.aqistudy.cn/historydata/',headers=headers).text
      tree = etree.HTML(page_text)
      # hot_cities = tree.xpath('//div[@class="bottom"]/ul/li/a/text()')
      # all_cities = tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text()')
      cities = tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text() | //div[@class="bottom"]/ul/li/a/text()') #提高xpath的通用性
      cities
      所有城市名称

       

      • 上面的代码是这么写的 cities = tree.xpath('//div[@class="bottom"]/ul/div[2]/li/a/text() | //div[@class="bottom"]/ul/li/a/text()')
      •  增加了 | 来并列两个表达式 ,即满足第一个表达式则 第二个表达式忽略,第一个不满足,即用第二个表达式!

### 回顾- requests作用:模拟浏览器发起请求- urllib:requests的前身- requests模块的编码流程:    - 指定url    - 发起请求:        - get(url,params,headers)        - post(url,data,headers)    - 获取响应数据    - 持久化存储    - 参数动态化:    - 有些情况下我们是需要将请求参数进行更改。将get或者post请求对应的请求参数封装到一个字典(键值对==请求参数)中,然后将改字典作用到get方法的params参数中或者作用到psot方法的data参数中- UA检测(反爬机制):    - 什么是UA:请求载体的身份标识。服务器端会检测请求的UA来鉴定其身份。    - 反反爬策略:UA伪装。通过抓包工具捕获某一款浏览器的UA值,封装到字典中,且将该字典作用到headers参数中- 动态加载的数据    - 通过另一个单独的请求请求到的数据- 如果我们要对一个陌生的网站进行指定数据的爬取?    - 首先要确定爬取的数据在改网站中是否为动态加载的        - 是:通过抓包工具实现全局搜索,定位动态加载数据对应的数据包,从数据包中提取请求的url和请求参数。        - 不是:就可以直接将浏览器地址栏中的网址作为我们requests请求的url

上一篇:爬取https://www.parenting.com/baby-names/boys/earl网站top10男女生名字及相关信息


下一篇:python系统学习2——beautiful soup库(bs4库)学习