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)

  • 递延所得税资产和所得税费用的关系
  • 建筑业印花税核定征收
  • 长期零申报的公司容易注销吗
  • 出口税率和出口关税税率一样吗
  • 购买财务软件如何做凭证
  • 无发票的费用怎样补交所得税
  • 财产租赁合同印花税优惠政策
  • 收到返利款怎么做账
  • 计提残疾人保障金会计分录
  • 企业资产减值准备
  • 资产损失税前扣除管理办法2019
  • 用党委经费买的固定资产如何计提?
  • 资产损失类型有哪些
  • 购货方跨月进项税额转出分录
  • 小规模纳税人核定标准
  • 小规模开普票要交税吗分录怎么做
  • 电器供应
  • 仓储费怎么账务处理
  • 外地项目的预交税款没交怎么办
  • 苹果手机发票要验证码吗
  • 公益性捐赠包括向脱贫地区捐赠吗
  • 开了红字发票销售方应怎么账务处理?
  • 房地产预缴所得税的计税基础
  • 处理车辆违章送什么证件
  • win10右键失灵解决办法
  • php socket_write
  • algarin.exe什么意思
  • uniapp微信小程序头像获取与服务器对接
  • php判断查询是否有结果
  • 贴现会不会损害所有者权益
  • antd-vue-pro
  • 企业职工教育培训经费列支范围适用事业单位
  • Vue:element-ui中表格过长内容隐藏显示
  • js解耦
  • yolov3实例
  • 文心一格百度
  • openapi官网
  • 2023年网络安全专题教育
  • java 字节流 字符流
  • node.js解决跨域请求
  • 公司租赁个人车辆账务处理
  • 电子发票是正规发票吗能报销吗
  • 在建工程减值准备是否可以转回
  • 运输发票必须附票吗
  • js变量作用范围
  • PHPCMS num 参数是什么意思?
  • 如何在控制台打印debug里的数据
  • 天猫的费用
  • 发放工资的转账支票收款人
  • 外购产品捐赠
  • 同一控制下企业合并
  • 成本利润率指的是
  • 企业销售收入的确认应具备哪些条件
  • 跨年发票账务处理怎么做
  • 销售退回跨年度的会计分录
  • 产品出口认证
  • 福利费可以计入销售费用吗
  • 不得从销项税额中抵扣进项税的有哪些
  • 子公司的财务管理方法
  • 如何对会计感兴趣
  • 发票盖章需要知道的10个问题
  • mysql官方监控工具
  • mac安装mysql的两种方法(含配置)
  • 电脑系统文件受损
  • win10怎么自定义壁纸
  • win10无法uefi
  • win7系统计算机名称在哪看
  • windows8开机启动项在哪里设置
  • js let语句
  • jquery 插件写法
  • 深入理解linux系统
  • 在dos中文件是以什么目录结构
  • IEnumerator/ IEnumerable/ yield return/ StartCoroutine 详解
  • python获取list集合中某一元素的值
  • express后端
  • 河北省国家税务局电子税务局官网入口
  • 彩票中奖归出钱人还是中奖人
  • 南通开发区地图高清版
  • 酒店不给住怎么办
  • 地税局社保宣传标语
  • 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