python爬虫整理| 原来我曾经拥有过这么多爬虫啊
一、requests模块的学习
使用事前：pip install requests
1）发送get，post请求，获取相应：
response = requests.get(url) #发送get请求，请求url地址对应的响应
实例：使用手机版的百度翻译：response = requests.post(url, data={请求体的字典}) #发送post请求，请求url地址对应的响应。
2）response的方法
l response.text
l 该方式往往会导致出现乱码，因为此时获取的是网页html的字符串，出现乱码使用response.encoding = "utf-8"
l response.content.decode()
l 把响应的二进制字节流转换成str类型
l response.requests.headers #请求头
l response.headers #响应头
l response.requests.url #发送请求的地址
l response.url #响应地址
3）获取网页源码的正确打开方式
1.response.content.decode()
2.response.content.decode("gbk")
3.response.text #自动猜测编码
4）发送带headers的请求
为了模拟浏览器，获取和浏览器一模一样的内容。
当不添加headers的时候会发现返回的内容只有一段，但是在添加了headers后就会发现返回的是整个网页的html。
headers = {
"User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) "
"Version/11.0 Mobile/15A372 Safari/604.1", "Referer": "https://fanyi.baidu.com/"}
requests.get(url, headers=headers)
5）使用超时参数
requests.get(url, headers=headers, timeout=3) #3秒内必须做出响应，否则就会报错。
二、retrying模块的学习
pip install retrying
from retrying import retry
@retry(stop_max_attempt_number=3)def fun1():
print("this is func1")
raise ValueError("this is a test error")
1）处理cookie相关的请求
l 人人网{"email":"your account",
"password":"password"}
l 直接携带cookie请求url地址
可以把cookie放进headers中
headers = {"User-Agent":"....","cookie":"cookie 字符串"}
2）cookie字典传给cookies参数
- requests.get(url, cookie=cookie_dict) #注意是字典而不是上面的字符串。
先发送post请求，获取cookie（这个cookie在session中），带上cookie请求登录后页面：
1.session = requests.session() #session具有的方法与requests一样；
2.session.post(uel, data, headers) #服务器设置在本地的cookie会保存在session中；
3.session.get(url) #再次请求的时候会携带上之前保存在session中的cookie，能够请求成功。
三、数据提取方法
1）json
l 数据交换格式，看起来像python类型(列表，字典)的字符串
l 使用json之前需要导入
l 哪里会返回json的数据
l 把浏览器切换成手机版
l 抓包app
2）json.laods
把json字符串转化成为python类型
json.loads（json字符串）
3）json.dumps
l 把python类型转换成json字符串
l json.dumps({"a":1,"b":2})）
l ensure_ascii：让中文显示成中文
l indent：能够让下一行在上一行的基础上空几格
四、xpath和xml
l xpath
一门从html中提取数据的语言
l xpath语法
xpath helper插件：帮助我们从elements中定位数据
1.选择节点（标签）
/html/head/meta：当前能勾选中html下的所有meta标签
2.//tag：能够从任意节点开始选择
//li：当前页面上的所欲li标签
/html/head//link：当前页面上head下所有的link标签
3.@符号的用途
选择具体某个元素//ul[@class='btns']/li选择class='btns'下面的ul下面的所
l 有li标签
a/@href:选择a标签的href的值（当然也可以是其他标签的属性值）
4.获取文本：
/a/text()：获取a标签的文本
/a//text()：获取a下的所有文本（包括a标签下的子标签中的文本值）
5.当前
./a:当前节点下的a标签
l lxml
安装：pip install lxml
使用：
from lxml import etree
element = etree.HTML("html字符串")
element.xpath("")
五、基础知识点学习
l 列表推导式
帮助我们快速生成包含一堆数据的列表
[i+10 for i in range(10)] -->[10,11,12,...19]
["11月{}日".format(i) for i in range(30)]-->["10月1日"，"10月2日",...]
l 字典推导式
帮助我们生成包含一堆字典的数据
{i+10:i for i in range(10)} # {10:0,11:1...}
{"a{}".format(i):10 for i in range(10)} # {"a0":10,"a1":10...}
六、写爬虫的讨论
1.URL
知道url地址的规律和总页码数：构造url地址列表
不知道url地址但是知道start_ur
2.发送请求获取响应
Requests
3.提取数据
返回json字符串：json模块
返回的html字符串：lxml模块配合xpath提取数据
4.保存
保存到数据库
保存为文件
文章来源：网络