python—爬虫的初步了解
Python 爬虫（Web Scraping）是一种自动化从网站上提取数据的技术。Python 由于其简洁的语法、丰富的库和强大的社区支持，成为了实现网络爬虫的首选语言之一。下面是一些Python爬虫的基本概念和步骤：
1. 爬虫的基本概念
- 请求（Request）：爬虫向服务器发送的请求，通常包括URL、HTTP方法（如GET、POST）、请求头等。
- 响应（Response）：服务器对爬虫请求的回应，包含请求的网页内容（HTML、JSON等）、状态码（如200表示成功）、响应头等。
- 解析（Parsing）：从响应内容中提取需要的数据。这通常涉及到HTML或JSON的解析。
- 存储（Storing）：将提取的数据保存到数据库、文件或其他存储系统中。
2. Python 爬虫的基本步骤
确定目标：明确要爬取的网站和数据。
发送请求：使用Python的库（如requests、urllib）向目标网站发送HTTP请求。
获取响应：接收服务器返回的响应内容。
解析内容：使用HTML解析库（如BeautifulSoup、lxml）或JSON解析库（Python内置的json模块）来解析响应内容，提取所需数据。
数据存储：将提取的数据保存到文件、数据库或其他存储介质中。
异常处理：添加异常处理逻辑，确保爬虫的稳定性和健壮性。
遵守规则：遵守robots.txt协议和网站的使用条款，不要对网站造成过大压力。
3. 常用的Python库
- requests：用于发送HTTP请求。
- BeautifulSoup：用于解析HTML和XML文件，提取数据。
- lxml：另一种HTML和XML解析库，速度比BeautifulSoup快。
- json：Python内置的库，用于解析JSON数据。
- re：Python内置的库，用于正则表达式匹配。
- pandas：用于数据处理和分析，方便地将数据保存到CSV或Excel文件中。
- Scrapy：一个快速高级的Web爬虫框架，用于爬取网站并从页面中提取结构化的数据。
4.爬虫相关知识
- URL：统一资源定位符 uniform resource locator
http: 超文本传输协议 HyperText Transfer Protocol 默认端口 80
https: 安全的超文本传输协议 security 默认端口 443
www.example.com 域名
/path/to/myfile.html 资源路径
- 前端代码
<!DOCTYPE html> 声明为 HTML5 文档
<html>..</html> 是网页的根元素
<head>..</head> 元素包含了文档的元（meta）数据，如 <meta charset="utf-8"> 定义网页编码格式为 utf-8。
<title>..<title> 元素描述了文档的标题
<body>..</body> 表示用户可见的内容
<div>..</div> 表示框架
<p>..</p> 表示段落
<ul>..</ul> 定义无序列表
<ol>..</ol>定义有序列表
<li>..</li>表示列表项
<img src="" alt="">表示图片
<h1>..</h1>表示标题
<a href="">..</a>表示超链接
<!DOCTYPE html>
<html><head><!-- 内嵌样式 --><style type="text/css">body{background-color:yellow;}p{font-size: 30px;color: springgreen;}</style><meta charset="utf-8"><title>红米煮粥</title></head><body><a href="www.anhuisjxy.com">点击访问</a><h1>红米煮粥www.anhuisjxy.com</h1><h2>Python爬虫</h2><div><p>认识网页结构</p><ul><li>HTML</li><li>CSS</li></ul></div></body>
</html>
<!DOCTYPE html>
<html><head><style type="text/css">body{background-color: rgb(220, 226, 226);}</style><meta charset="utf-8"><title>红米煮粥</title></head><body><h1 style="color: blue;">红米煮粥www.anhuisjxy.com</h1><h2>Python爬虫</h2><p>点击下方按钮获取当前时间</p><button onclick="DisplayDate()">点击这里</button><p id="time" style="color: red;"></p><!-- script标签内部编写js代码 --><script>function DisplayDate(){document.getElementById("time").innerHTML=Date()}</script></div></body>
</html>
5.爬虫相关包的下载
- 安装requests，lxml包
pip install requests
- pip 换源
pip config set global.index-url https://pypi.mirrors.ustc.edu.cn/simple/
pip config set install.trusted-host pypi.mirrors.ustc.edu.cn
- User-Agent： 身份标识 表示你是哪个浏览器