位置: IT常识 - 正文

python 爬虫详细步骤(python爬虫详细教程)

编辑:rootadmin
一、爬虫的步骤 1、 需求分析(人做) 2、寻找网站(人)3、下载网站的返回内容(requests)4、通过返回的信息找到需要爬取的数据内容(正则表达式-re,xpath-lxml)5、存储找到的数据内容(mysql) 二、requests import requests url = 'http:/ ... 一、爬虫的步骤

1、 需求分析(人做)

推荐整理分享python 爬虫详细步骤(python爬虫详细教程),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫的几种方法,python. 爬虫,python爬虫快速入门,python爬虫快速入门,Python爬虫详细步骤,python爬虫快速入门,python爬虫详解,python爬虫详解,内容如对您有帮助,希望把文章链接给更多的朋友!

2、寻找网站(人)3、下载网站的返回内容(requests)4、通过返回的信息找到需要爬取的数据内容(正则表达式-re,xpath-lxml)5、存储找到的数据内容(mysql)

二、requestsimport requestsurl = 'http://www.baidu.com/'response = requests.get(url)print(response)

返回当前url的html信息,(其他url还可能获取图片等)Response[200],Response是一个类,这个类重写了__str__方法()返回值,如果一个url能正常返回html内容,返回值就是200

处理乱码的方式1.查看编码方式:右键检查—>找到head—>charset就是编码方式2.通过response指定编码方式

response.encoding = 'utf-8'print(response.text)print('=' * 30)print(response.content)三、http协议

1.协议:即双方遵守的语言,相当于语言,相同的语言能够相互理解

2.HTTP协议

方法:GET POST

GET:通过URLl获取网站的信息,不改变网站的状态(不改变服务器的任何内容)

python 爬虫详细步骤(python爬虫详细教程)

POST:通过URL向网站传输信息,改变网站的状态(POST比GET多from/body信息)

import requestsform = { 'kw':'同'}url = 'https://fanyi.baidu.com/sug'response = requests.post(url, data = form)print(response.text)

HEAD:跟GET类似,但只有head信息sOPTIONS:PUT通常指定了资源的存放位置PUT:跟POST类似,但通常指定了资源的存放位置DELET:删除某个资源

3.HTTP协议的传输

Request —URL + request headers(请求头信息)Response —HTML ++ responce headers(返回头信息)

GeneralRequest URL: https://www.baidu.com/Request Method: GET requests的获取方法Status Code: 200 OK 返回值Remote Address: 14.215.177.39:443 服务器名称Referrer Policy: no-referrer-when-downgrade

4.请求头信息中重要的三个信息

a)User-Agent —身份是什么b)Referer —跳转网页是什么(即现在的网页是从哪个网页来的)c)cookie —本地存储信息的—与服务器的session一 一对应添加的顺序:a—>b—>c如果能够获取,不再添加如果加上都不行,把headers全部复制下来

import requestsurl = 'https://www.xicidaili.com/nn/'添加请求头信息,字典的方式写入headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36'}response = requests.get(url, headers = headers)with open('xicidaili.txt', 'wb') as f: f.write(response.content)

5.url的组成

1.协议部分,常见的有"http:", “ftp:”2.域名部分,如"www.baidu.com",也可以用IP地址代替3.端口部分,跟在域名后面的是端口,域名和端口用":“作为分隔符,端口不是必须的,如果省略端口,采用默认端口,常见的端口"8080”4.虚拟目录部分:从域名(端口)后面第一个“\”到最后一个“\”为止,是虚拟目录部分5.文件名部分:从最后一个"“到”?“为止,或者从最后一个”“到”#“为止,或者从最后一个”“到最后6.参数部分:从”?“开始到”#“为止之间的部分为参数部分,也叫搜索部分,查询部分。参数与参数之间用”&“作为分位符7.锚部分:从”#"开始到最后,都是锚部分,他的作用是跳转到本页面的子目录下,不加载新的页面

6.Ajax:异步加载,即url不变,经行操作后页面发生变化,去看network里的XHR

7.jsonimport requestsimport jsonform = { 'kw':'同'}url = 'https://fanyi.baidu.com/sug'response = requests.post(url, data = form)

# json是一个包,函数loads的作用是输入一个字符串,输出这个json字符串的python类型数据

json_dict = json.loads(response.text)print(response.text)print("=" * 30)print(json_dict)translated = json_dict['data'][0]['v']print("翻译后的内容是:", translated)8.去重

1、set的实现方式通过hash函数和hash表实现的,(分而治之的思想)如10000 % 20把这些数分为20类2、位图比如存100000个不重复的数字,0-1000000之间,int形,一个int要占32bit,位图即给10000位,数字0存在写入1,不存在写入0,以此类推3、布隆过滤器对于很多url,用hash函数对每个URL分组,对应一个数字,再根据这些数字做位图

本文链接地址:https://www.jiuchutong.com/zhishi/311600.html 转载请保留说明!

上一篇:python中Sample函数是什么?(python中sample函数怎么用)

下一篇:dedecms织梦网站后台免登录方法便于采集(织梦商城)

  • 2021年白酒新政策
  • 本期盈余转入累计盈余下面什么科目
  • 税务结清后多少时间内工商需要注销
  • 银行转账支付计入什么科目
  • 非关联企业之间无偿借款要交税嘛
  • 增值税加计扣除政策
  • 公司组织运动会后的感想
  • 变更了公司名称以前的发票还可以抵扣吗
  • 建筑劳务公司开劳务发票税率是多少
  • 一般纳税人月销售额多少免征增值税
  • 借贷记账法试算平衡的计算公式有
  • 认证发票密文有误不能抵扣如何处理?
  • 差旅费报销怎么做账
  • 购入材料用于非增值税纳税项目
  • 企业变更地址需要哪些资料
  • 电商返佣平台有风险吗
  • 服务性合同签了能反悔吗
  • 增值税专用发票的税率是多少啊
  • 如何计算一般稳定球面腔的主要参量
  • 天猫运费险是按照每一单结算的吗
  • 银行扣的短信费银行给开发票吗
  • 企业有哪些项目名称
  • 收到利息收入会计分录怎么写
  • 应收账款坏账准备是信用减值损失还是资产
  • 生产车间购入材料会计分录
  • msdn原版win7
  • 报销金额和发票金额不一致怎么做账
  • win10任务栏变成黑色
  • PHP:mb_list_encodings()的用法_mbstring函数
  • 存出保证金计入资产负债表什么项目
  • 退回的企业所得税怎么做账
  • 存货销售收入
  • mac vue搭建本地环境
  • iis制作网页
  • 招聘退休人员北京宿管
  • 定期定额个体户超定额怎样申报
  • 一般纳税人购买原材料会计分录
  • 嵌入式软件开票税负是1%还是3%
  • 结转,结余
  • 应收账款属于会计要素中的什么科目
  • 机票报销属于什么费
  • 关系抽取系统的要求
  • bg命令 将作业放到后台运行
  • phpcms文档
  • 申报经营所得成绩怎么填
  • mongodb数据删除
  • 现金流量表的本期数是本月数还是本年数
  • 应计入应付款项的科目
  • 已计提完的固定资产怎么做账
  • 政府扶持国有企业
  • 收到的现金货款转到公户备注往来款可以吗
  • 银行存款利息收入要交税吗
  • 收到公益性捐赠计入什么科目
  • 为什么贷款要收手续费
  • 个人经纪代理服务
  • 工业企业应收账款减少原因分析
  • mysql基于什么模型
  • win8.1电脑设置在哪里
  • win10 电池报告
  • window组件在哪里
  • centos发送http请求
  • win8怎么看windows
  • 如何在mac系统和win10之间转换
  • s24evmon.exe - s24evmon是什么进程 有什么用
  • msmpeng.exe是什么进程
  • unity输入中文
  • 什么是从零开始
  • Unity3D游戏开发毕业论文
  • nodejs child_process
  • 使用驱动器u盘之前需要格式化
  • 基于网络创新形成的大数据的最突出特征是什么?( )
  • js获取父窗口
  • 快速解决偏头痛的6个方法
  • android pipepline
  • Android 仿 iphone 自定义滚动选择器
  • 2020年上海税务跨区迁移很麻烦吗
  • 合肥税务局招聘信息
  • 湖北省国家税务局历任局长
  • 税盘数字证书密码怎么查看
  • 广东省广州电子税务局
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设