本文内容如下:
Python 基础知识学习途径
Python开发环境的搭建
什么是爬虫?
爬虫的作用
豆瓣短评的数据爬取
适合人群:
零基础 Python 读者
具有 Python 基础读者
想学爬虫的学者
随着网络技术的发展,数据越来越变的值钱,诸多公司都在探究如何获取更多更有用的数据。万维网是大量信息的载体,如何有效提取这些有效且公开的数据并利用这些信息变成了一个巨大的挑战。
从而爬虫工程师、数据分析师、大数据工程师的岗位也越来越受欢迎。爬虫则是 Python 的一个应用领域,Python 还有诸多应用领域,如 Web 全栈开发、图形界面开发、大数据、人工智能、系统网络运维、云计算系统管理……
Python 基础知识学习途径
学习好 Python 基础对于学习 Python 爬虫具有事半功倍的效果。就像生活中的学英语一样,一个对英语一概不通的人听完别人读英语,自己也能读出来,但是要把英语读好,好好学习音标是非常有必要的。
然而 Python 的基础知识如果要系统学习,内容也较多,那么我们到底需要学习到什么程度,对于学习 Python 爬虫才是足够的呢?这里,我对学习爬虫需要掌握的 Python 基础知识进行了筛选,过滤掉了一些不必要的知识。为您提供了如下学习链接:
Python 开发环境的搭建
Python 目前流行版本两个 Python 2.x 与 Python 3.x,由于 Python 2 只会维护到2020年,因此这里建议使用 python 3 来作为我们的编程环境。
1.下载Python。
进入下载页面(https://www.python/downloads/release/python-362/)下载 Python3.6.2 版本即可。
提示:根据你的电脑选择,32位还是64位的安装包。
安装过程中只需要默认安装即可。安装完成后在 cmd 命令行输入 python,然后回车,如果成功进入 python 并返回 python 的版本信息,则证明 Python 环境安装成功(这里我将 Python.exe 改为了 Python3.exe)。如下图所示。
什么是爬虫?
网络爬虫(又被称为网页蜘蛛,网络机器人,在 FOAF 社区中间,更常被称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本,从中获取大量的信息。
爬虫的作用主要有以下几点:
-
市场分析:电商分析、商圈分析、一二级市场分析等;
-
市场监控:电商、新闻、房源监控、票房预测、股票分析等;
-
商机发现:招投标情报发现、客户资料发掘、企业客户发现等;
-
数据分析:对某个 App 的下载量跟踪、用户分析、评论分析,虚拟货币详情分析……
爬虫基础知识补充
在开始学习爬虫知识之前,你需要了解一些网页的基本知识:
-
网址的构成
-
网页的基本构成
-
常见的加载模式
-
网页的请求过程
-
谷歌浏览器之 HTTP 请求分析
1.网址的构成
网站的网址一般由协议+域名+加页面构成,如 https://auction.jd/home.html,域名一般是固定的不会改变,能改变的则是页面(home.html),所以在爬虫的过程中我们所需要解析的就是自己编写的不同页面的URL,只有解析出各个不同页面的 URL 入口,我们才能开始爬虫(爬取网页)。
2.网页的基本构成
一般来说一个网页的页面主要有 HTML、CSS、JavaScript 构成,这里我们可以打开任意一个网页右击查看网页源代码。
-
HTML:是用来制作网页,简单来说就是编写网页结构。
-
CSS:美化网页(样式);
-
JavaScript: 实现网页与客户之间互动的桥梁,让网页具有丰富的生命力。
3.常见的加载模式
学习爬虫有必要了解网页常见的两种加载模式(后续爬虫过程中,经常需要用到)。
-
同步加载:改变网址上的某些参数会导致网页发生改变。如常见的网站翻页后网址会发生变化。
-
异步加载:改变网址上的参数不会使网页发生改变。如常见的网站翻页后网址不会发生变化。
4.网页的请求过程
打开浏览器,地址栏输 baidu,按下回车,到用户看到内容,主要经历了如下步骤:
(1)开始进行域名解析。
首先浏览器自身搜 DNS 缓存,搜 baidu 有没有缓存有没有过期,如果过期就结束,其次浏览器会搜索操作系统自身的 DNS 缓存并读取本地的 host 文件,浏览器发起一个 DNS 系统调用。
(2)浏览器获得 baidu 域名对应的 IP 地址后,发起 HTTP 三次握手。
(3)建立 TCP/IP,浏览器就可以向服务器发送 HTTP 请求。
TCP/IP 链接建立起来后,浏览器就可以向服务器发送 HTTP 请求。服务器接收到请求之后就会对请求做相应的处理,并将结果返回给浏览器。
(4)浏览器拿到资源之后对页面进行加载、解析、渲染,最后呈现给用户。
5.谷歌浏览器之 HTTP 请求分析
打开 Chrome 开发工具(这里我们以打开百度网址为例),如下图:
-
Elements(元素面板):使用“元素”面板可以通过自由操纵 DOM 和 CSS 来重演您网站的布局和设计。
-
Console(控制台面板):在开发期间,可以使用控制台面板记录诊断信息,或者使用它作为 shell,在页面上与 JavaScript 交互。
-
Sources(源代码面板):在源代码面板中设置断点来调试 JavaScript ,或者通过 Workspaces(工作区)连接本地文件来使用开发者工具的实时编辑器。
-
Network(网络面板):从发起网页页面请求 Request 后得到的各个请求资源信息(包括状态、资源类型、大小、所用时间等),并可以根据这个进行网络性能优化。
作者说:
随着网络的迅速发展,万维网成为大量信息的载体,如何有效地提取并利用这些信息成为一个巨大的挑战。数据越来越值钱,爬虫工程师也越来越受欢迎。
需要相关爬虫资料的可以通过扫一扫备注【python】
接下来在告诉你们这几个库,也是学习爬虫,我们必须掌握的一些第三方库。
1. requests
GitHub:https://github/psf/requests
requests库应该是现在做爬虫最火最实用的库了,非常的人性化。有关于它的使用我之前也写过一篇文章 一起看看Python之Requests库 ,大家可以去看一下。
有关于requests最详细的使用方法,大家可以参考官方文档:https://requests.readthedocs.io/en/master/
使用小案例:
>>> import requests
>>> r = requests.get('https://api.github/user', auth=('user', 'pass'))
>>> r.status_code
200
>>> r.headers['content-type']
'application/json; charset=utf8'
>>> r.encoding
'utf-8'
>>> r.text
u'{"type":"User"...'
>>> r.json()
{u'disk_usage': 368627, u'private_gists': 484, ...}
2. urllib3
GitHub:https://github/urllib3/urllib3
urllib3是一个非常强大的http请求库,提供一系列的操作URL的功能。
有关于它的详细使用方法可以参考:https://urllib3.readthedocs.io/en/latest/
使用小案例:
>>> import urllib3
>>> http = urllib3.PoolManager()
>>> r = http.request('GET', 'http://httpbin/robots.txt')
>>> r.status
200
>>> r.data
'User-agent: *\nDisallow: /deny\n'
3.selenium
GitHub:https://github/SeleniumHQ/selenium
自动测试工具。一个调用浏览器的 driver,通过这个库你可以直接调用浏览器完成某些操作,比如输入验证码。
对于这个库并非只是Python才能用,像JAVA、Python、C#等都能够使用selenium这个库
有关于Python语言如何去使用这个库,大家可以去访问https://seleniumhq.github.io/selenium/docs/api/py/ 查看官方文档
使用小案例:
from selenium import webdriver
browser = webdriver.Firefox()
browser.get('http://seleniumhq/')
4.aiohttp
GitHub:https://github/aio-libs/aiohttp
基于 asyncio 实现的 HTTP 框架。异步操作借助于 async/await 关键字,使用异步库进行数据抓取,可以大大提高效率。
这个属于进阶爬虫时候必须掌握的异步库。有关于aiohttp的详细操作,可以去官方文档:https://aiohttp.readthedocs.io/en/stable/
使用小案例:
import aiohttp
import asyncio
async def fetch(session, url):
async with session.get(url) as response:
return await response.text()
async def main():
async with aiohttp.ClientSession() as session:
html = await fetch(session, 'http://python')
print(html)
if __name__ == '__main__':
loop = asyncio.get_event_loop()
loop.run_until_complete(main())
解析库
1、beautifulsoup
官方文档:https://www.crummy/software/BeautifulSoup/
html 和 XML 的解析,从网页中提取信息,同时拥有强大的API和多样解析方式。一个我经常使用的解析库,对于html的解析是非常的好用。对于写爬虫的人来说这也是必须掌握的库。
2、lxml
GitHub:https://github/lxml/lxml
支持HTML和XML的解析,支持XPath解析方式,而且解析效率非常高。
3、pyquery
GitHub:https://github/gawel/pyquery
jQuery 的 Python 实现,能够以 jQuery 的语法来操作解析 HTML 文档,易用性和解析速度都很好。
3.数据存储库
1、pymysql
GitHub:https://github/PyMySQL/PyMySQL
官方文档:https://pymysql.readthedocs.io/en/latest/
一个纯 Python 实现的 MySQL 客户端操作库。非常的实用、非常的简单。
2、pymongo
GitHub:https://github/mongodb/mongo-python-driver
官方文档:https://api.mongodb/python/
顾名思义,一个用于直接连接 mongodb 数据库进行查询操作的库。
3、redisdump
使用方法:https://blog.csdn/zhwitbird/article/details/81279406
redis-dump是将redis和json互转的工具;redis-dump是基于ruby开发,需要ruby环境,而且新版本的redis-dump要求2.2.2以上的ruby版本,centos中yum只能安装2.0版本的ruby。需要先安装ruby的管理工具rvm安装高版本的ruby;
更多推荐
清华学霸教你1小时入门 Python 爬虫,别说学长没帮你
发布评论