python爬虫入门,8分钟就够了,这是我见过最简单的基础教学
一、基础入门 1.1什么是爬虫 爬虫(spider,又网络爬虫),是指向网站/网络发起请求,获取资源后分析并提取有用数据的程序。 从技术层面来说就是 通过程序模拟浏览器请求站点的行为,把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地,进而提取自己需要的数据,存放起来使用。 小编创建了一个两千人的python交流群,有零基础和工作了的朋友交流,还有相关的电子书与视频下载,欢迎正在你学习python的朋友和已经在工作的朋友都可以进来一起交流哦!群 : 877169862 1.2爬虫基本流程 用户获取网络数据的方式: 方式1:浏览器提交请求--->下载网页代码--->解析成页面 方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中 爬虫要做的就是方式2。 入门python爬虫,10分钟就够了,这可能是我见过最简单的基础教学 1发起请求 使用http库向目标站点发起请求,即发送一个Request Request包含:请求头、请求体等 Request模块缺陷:不能执行JS 和CSS 代码 2获取响应内容 如果服务器能正常响应,则会得到一个Response Response包含:html,json,图片,视频等 3解析内容 解析html数据:正则表达式(RE模块)、xpath(主要使用)、beautiful soup、css 解析json数据:json模块 解析二进制数据:以wb的方式写入文件 4保存数据 数据库(MySQL,Mongdb、Redis)或 文件的形式。 1.3http协议 请求与响应 http协议 Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket server) Response:服务器接收请求,分析用户发来的请求信息,然后返回数据(返回的数据中可能包含其他链接,如:图片,js,css等) ps:浏览器在接收Response后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中的有用数据。 1.3.1 request (1) 请求方式 常见的请求方式:GET / POST (2)请求的URL url全球统一资源定位符,用来定义互联网上一个唯一的资源 例如:一张图片、一个文件、一段视频都可