摘要:本篇內容為網絡爬蟲初級操作的簡單介紹,內容主要有以下部分解析網頁數據庫解析網頁一般來說,解析網頁有三種方式正則表達式。關于,我們最后再來看一個實戰項目爬取北京二手房價格。代碼如下第頁這樣就成功爬取了安居客上前頁的北京二手房價格。
本篇內容為 python 網絡爬蟲初級操作的簡單介紹,內容主要有以下 2 部分:
解析網頁
數據庫
一般來說,解析網頁有三種方式:正則表達式、BeautifulSoup、lxml。其中正則表達式較難,BeautifulSoup 適合初學者,可以快速掌握提取網頁中數據的方法。
正則表達式常見的正則字符和含義如下:
. 匹配任意字符,除了換行符 * 匹配前一個字符 0 次或多次 + 匹配前一個字符 1 次或多次 ? 匹配前一個字符 0 次或 1 次 ^ 匹配字符串開頭 $ 匹配字符串末尾 () 匹配括號內表示式,也表示一個組 s 匹配空白字符 S 匹配任何非空白字符 d 匹配數字,等價于[0-9] D 匹配任何非數字,等價于[^0-9] w 匹配字母數字,等價于[A-Za-z0-9] W 匹配非字母數字,等價于[^A-Za-z0-9] [] 用來表示一組字符
Python 正則表達式有以下 3 種方法:
re.match 方法:從字符串起始位置匹配一個模式,如果從起始位置匹配了,match()就返回none。
語法 re.match(pattern, string, flags=0)
pattern:正則表達式
string:要匹配的字符串
flags:控制正則表達式的匹配方式,如 是否區分大小寫、多行匹配等
re.search方法:只能從字符串的起始位置進行匹配。
find_all方法:可以找到所有的匹配。
BeautifulSoupBeautifulSoup 從 HTML 或 XML 文件中提取數據。首先需要使用命令行來進行安裝:
pip install bs4
在使用的時候需要導入:
from bs4 import BeautifulSoup
例如使用 BeautifulSoup 獲取博客主頁文章的標題,代碼和注釋如下:
import requests from bs4 import BeautifulSoup link = "http://www.santostang.com/" headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"} r = requests.get(link, headers=headers) # 將網頁響應體的字符串轉換為soup對象 soup = BeautifulSoup(r.text, "html.parser") first_title = soup.find("h1", class_="post-title").a.text.strip() print("第一篇文章的標題是:", first_title) title_list = soup.find_all("h1", class_="post-title") for i in range(len(title_list)): title = title_list[i].a.text.strip() print("第 %s 篇文章的標題是: %s" % (i+1, title))
運行得到結果:
成功抓取到所需內容。
關于 BeautifulSoup, 我們最后再來看一個實戰項目:爬取北京二手房價格。代碼如下:
import requests from bs4 import BeautifulSoup import time headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"} for i in range(1,11): link = "https://beijing.anjuke.com/sale/" r = requests.get(link, headers=headers) print("第", i, "頁") soup = BeautifulSoup(r.text, "lxml") house_list = soup.find_all("li", class_="list-item") for house in house_list: name = house.find("div", class_="house-title").a.text.strip() price = house.find("span", class_="price-det").text.strip() price_area = house.find("span", class_="unit-price").text.strip() no_room = house.find("div", class_="details-item").span.text area = house.find("div", class_="details-item").contents[3].text floor = house.find("div", class_="details-item").contents[5].text year = house.find("div", class_="details-item").contents[7].text broker = house.find("span", class_="brokername").text broker = broker[1:] address = house.find("span", class_="comm-address").text.strip() address = address.replace("xa0xa0 ", " ") tag_list = house.find_all("span", class_="item-tags") tags = [i.text for i in tag_list] print(name, price, price_area, no_room, area, floor, year, broker, address, tags) time.sleep(5)
這樣就成功爬取了安居客上前 10 頁的北京二手房價格。
數據庫數據存儲分為兩種,存儲在文件(TXT和CSV)中和存儲在數據庫(MySQL關系數據庫和MongoDB數據庫)中。
CSV (Comma-Separated Values)是逗號分隔值的文件格式,其文件以純文本的形式存儲表格數據(數字和文本)。
CSV 文件的每一行都用換行符分隔,列與列之間用逗號分隔。
MySQL是一種關系數據庫管理系統,所使用的是SQL語言,是訪問數據庫最常用的標準化語言。關系數據庫(建立在關系模型基礎上的數據庫)將數據保存在不同的表中,而不是將所有數據放在一個大倉庫內,這樣就增加了寫入和提取的速度,數據的存儲也比較靈活。
關于存儲在文件的方法這里不再贅述,下面首先介紹如何存儲至MySQL數據庫。
你需要先到官網下載并安裝 MySQL數據庫,博主用的是 macOS Sierra 系統,在安裝完成后,打開系統偏好設置,如下圖:
最下方出現 MySQL的圖標,打開并連接,如下圖所示:
打開終端,在終端中輸入添加MySQL路徑的命令:
PATH="$PATH":/usr/local/mysql/bin
繼續輸入登錄到MySQL的命令:mysql -u root -p,然后輸入密碼即可成功登錄。成功登錄界面如下:
接下來介紹MySQL的基本操作:
創建數據庫
創建數據表
創建數據表必須指明每一列數據的名稱(column_name)和類別(column_type)。
在上圖中,創建了 4 個變量:id, url, content, created_time。其中id的類別是整數INT,屬性為自己增加(AUTO_INCREMENT)。新添加數據的數值會自動加 1。PRIMARY KEY的關鍵字用于將id定義為主鍵。
url和content的類別是可變長度的字符串VARCHAR,括號中的數字代表長度的最大值,NOT NULL表示url和content不能為空。created_time為該數據添加時間,不需要設置,因為有時間戳,它會自動根據當時的時間填入。
創建數據表后,可查看數據表的結構:
在數據表中插入數據
這里插入了url和content兩個屬性,id是自動遞增的,created_time是數據加入的時間戳,這兩個變量會自動填入。
從數據表中提取數據
由上圖,我們可以看到提取數據有 3 種方法:
(1)將id等于 1 的數據行提取出來;
(2)提取只看部分字段的數據;
(3)提取包含部分內容的數據。
刪除數據
??注意,如果沒有指定 WHERE 子句,用DELETE FROM urls將會導致MySQL表中的所有記錄被刪除,即誤刪除整張表。
修改數據
由于id和created_time是數據庫自動填入的,因此這一行數據的id為 2。
更多操作可參考菜鳥教程。
下面介紹使用Python操作MySQL數據庫,依次使用下令命令安裝mysqlclient:
brew install mysql export PATH=$PATH:/usr/local/mysql/bin pip install MySQL-Python pip3 install mysqlclient
出現下列文字即安裝成功:
用Python操作MySQL數據庫,我們以在博客爬取標題和 url 地址為例,具體代碼和解釋如下:
#coding=UTF-8 import MySQLdb import requests from bs4 import BeautifulSoup # connect() 方法用于創建數據庫的連接,里面可以指定參數:用戶名,密碼,主機等信息 #這只是連接到了數據庫,要想操作數據庫需要創建游標 conn = MySQLdb.connect(host="localhost", user="root", passwd="your_password", db="MyScraping", charset="utf8") # 通過獲取到的數據庫連接conn下的cursor()方法來創建游標。 cur=conn.cursor() link = "http://www.santostang.com/" headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"} r = requests.get(link, headers=headers) soup = BeautifulSoup(r.text, "html.parser") title_list = soup.find_all("h1", class_="post-title") for eachone in title_list: url = eachone.a["href"] title = eachone.a.text.strip() # 創建數據表,通過游標cur 操作execute()方法可以寫入純sql語句。通過execute()方法中寫如sql語句來對數據進行操作 cur.execute("INSERT INTO urls (url, content) VALUES (%s, %s)", (url, title)) cur.close() conn.commit() conn.close()
最后,我們來介紹如何存儲至MongoDB數據庫。
首先要知道NoSQL泛指非關系型數據庫,數據之間無關系,具有非常高的讀寫性能,而MongoDB是其中非常流行的一種數據庫。它是一種關系數據庫管理系統,所使用的是SQL語言,是訪問數據庫最常用的標準化語言。
下面仍以上述的在博客爬取標題和 url 地址為例。
第一步連接 MongoDB客戶端,然后連接數據庫blog_database,再選擇該數據的集合blog。如果它們不存在,就會自動創建一個,代碼示例如下:
from pymongo import MongoClient client = MongoClient("localhost", 27017) db = client.blog_database collection = db.blog
第二步爬取博客主頁的所有文章標題存儲至MongoDB數據庫,代碼如下:
import requests import datetime from bs4 import BeautifulSoup from pymongo import MongoClient client = MongoClient("localhost", 27017) db = client.blog_database collection = db.blog link = "http://www.santostang.com/" headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"} r = requests.get(link, headers=headers) soup = BeautifulSoup(r.text, "html.parser") title_list = soup.find_all("h1", class_="post-title") for eachone in title_list: url = eachone.a["href"] title = eachone.a.text.strip() post = {"url": url, "title": title, "date": datetime.datetime.utcnow() } collection.insert_one(post)
重點在最后一部分的代碼,首先將爬蟲獲取的數據存入post的字典中,然后使用insert_one加入集合collection中。
最后,啟動MongoDB查看結果。
打開終端輸入:
sudo mongod --config /usr/local/etc/mongod.conf
確認權限后,保持當前終端不關,新建終端依次輸入:
mongod mongo
出現以下文字表示連接成功:
然后,輸入:
use blog_database db.blog.find().pretty()
就查詢到數據集合的數據了,如下圖所示:
同時注意到,它是JSON格式的。
更多使用 Python 來操作 MongoDB 數據庫的知識,可以參考 PyMongo官網。
本文為崔慶才博客和唐松的《Python網絡爬蟲從入門到實踐》學習記錄與總結,具體內容可參考二者。博主在學習過程中的練習代碼也已上傳至 GitHub。
不足之處,歡迎指正。
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/19312.html
摘要:同源策略是什么同源策略是瀏覽器的一個安全功能,不同源的數據禁止訪問。或許你可以說驗證,在瀏覽器沒有同源策略的情況下這些都可以繞過去。總結同源策略是蠻好的,防御了大部分的攻擊。 前端最基礎的就是 HTML+CSS+Javascript。掌握了這三門技術就算入門,但也僅僅是入門,現在前端開發的定義已經遠遠不止這些。前端小課堂(HTML/CSS/JS),本著提升技術水平,打牢基礎知識的中心思...
摘要:按照同樣的方式扒取所有的自己的用戶。但是為了尊重人家隱私權,好吧,就這樣吧,我也不能做啥。 這幾天我很焦慮,受不了那些先follow我,等我follow回去后又unfollow的人,因為是他們先follow我的,我出于人道主義想著互粉一下的,結果這么對我,太不厚道了。github又不像微博那樣有互粉標志,這真的整得我很心煩,于是想著寫一個爬蟲,把這些壞人揪出來~第一步,當然是放出代碼啦...
摘要:以上示例代表當發現條或條以上的級別的時,自動停止當前任務,如果當前時間在郵件工作時間內,則同時發送通知郵件。 showImg(https://segmentfault.com/img/remote/1460000018052810); 一、需求分析 初級用戶: 只有一臺開發主機 能夠通過 Scrapyd-client 打包和部署 Scrapy 爬蟲項目,以及通過 Scrapyd JS...
閱讀 2335·2021-11-15 11:38
閱讀 3544·2021-09-22 15:16
閱讀 1187·2021-09-10 11:11
閱讀 3156·2021-09-10 10:51
閱讀 2921·2019-08-30 15:56
閱讀 2774·2019-08-30 15:44
閱讀 3185·2019-08-28 18:28
閱讀 3525·2019-08-26 13:36