福利干货,第一时间送达!
图片by@unsplash
阅读文本大概需要 30分钟。
老表建议收藏,慢慢看。
1)爬取汽车之家数据,利用论坛发言的抓取以及NLP,对各种车型的车主做画像。
2)抓取各大电商的评论及销量数据,对各种商品(颗粒度可到款式)沿时间序列的销量以及用户的消费场景进行分析。
3)还可以根据用户评价做情感分析,实时监控产品在消费者心目中的形象,对新发布的产品及时监控,以便调整策略。
4)抓取房产买卖及租售信息,对热热闹闹的房价问题进行分析。
5)抓取大众点评、美团网等餐饮及消费类网站:各种店面的开业情况以及用户消费和评价,了解周边变化的口味,所谓是“舌尖上的爬虫”。以及各种变化的口味,比如:啤酒在衰退,重庆小面在崛起。
6)58同城等分类信息网站:抓取招商加盟的数据,对定价进行分析,帮助网友解惑。
7)拉勾网、中华英才网等招聘网站:抓取各类职位信息,分析最热门的职位以及薪水。
8)挂号网等医疗信息网站:抓取医生信息并于宏观情况进行交叉对比。
9)应用宝等App市场:对各个App的发展情况进行跟踪及预测。(顺便吹一下牛,我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑)
10)携程、去哪儿及12306等交通出行类网站:对航班及高铁等信息进行抓取,能从一个侧面反映经济是否正在走入下行通道。
11)雪球等财经类网站:抓取雪球KOL或者高回报用户的行为,找出推荐股票
12)58同城二手车、易车等汽车类网站:什么品牌或者型号的二手车残值高?更保值?反之,什么类型的贬值较快?- 二手车,找出最佳的买车时间以及最保值的汽车。
13)神州租车、一嗨租车等租车类网站:抓取它们列举出来的租车信息,长期跟踪租车价格及数量等信息。
14)各类信托网站:通过抓取信托的数据,了解信托项目的类型及规模。其实还有很多数据,不一一列举了。
上次的文章是在讨论移动端的数据获取:https://blog.csdn.net/livan1234/article/details/80850978
本文对爬虫做一个全面的总结,不一定包治百病,但是能治好大部分疾病,希望能够对大家有所帮助:
urllib库
这是一个在爬虫领域绕不开的库,他支持 http 的爬取,几乎可以取到方方面面的内容。
以下面的豆瓣案例做一个简要的解释:
豆瓣小案例:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
data= urllib.request.urlopen(“https://read.douban.com/provider/all”).read()
data = data.decode(“utf-8”)
pattern = ‘<div>(.*?)</div>’
mydata = re.compile(pattern).findall(data)
fh = open(“出版社.txt”, “w”)
for i in range(0,len(mydata)):
fh.write(mydata[i] “\n”)
fh.close()
常用函数为:
import urllib.request
#1)将第一个参数中的网址,直接下载到filename路径下,爬下来的数据为一个网页。
data= urllib.request.urlretrieve(“http://www.hellobi.com”,filename=”F:\python_workspace\spider_douban”)
#2)清除缓存,清除urlretrieve 等下载时保存的数据
urllib.request.urlcleanup()
#3)爬取页面数据
file= urllib.request.urlopen(“http://www.hellobi.com”)
#4)返回当环境的信息file.info()
#5)获取当前网页的状态码和网址。
print(file.getcode())
print(file.geturl())
超时设置
由于网络速度或者对方服务器的问题,我们爬取一个网页的时候,都需要设置时间,我们访问一个网页,如果该网页长时间未响应,那么我们的系统就会判断该网页超时了,即无法打开该网页。
有时候,我们需要根据自己的需求,来设置超时的时间值,比如:有些网站会反应快,我们希望2秒没有反应则判断为超时,那么此时,timeout=2即为设置方式,即在 urlopen 中加入 timeout 参数。再比如,有些网站服务器反应慢,那么我们希望100秒没有反应,才判断超时,此时的timeout即设置为100,接下来为大家讲解爬虫超时的设置。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
file = urllib.request.urlopen(“http://www.hellobi.com”, timeout=10)
for i in range(0, 100):
try:
file = urllib.request.urlopen(“http://yum.iqianyue.com”, timeout=1)
data = file.read()
print(len(data))
except Exception as e:
print(“出现异常:” str(e))
自动模拟 Http 请求
客户端如果要与服务器端进行通信,需要通过http进行请求,http请求有很多种,我们在此会讲post与get两种请求方式,比如登录、搜索某些信息的时候会用到。
1)处理 get 请求:
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
keywd = “python”
#对网址中出现的中文进行相应的编码,得到进行编码之后的中文,后面可以直接使用。
keywd=urllib.request.quote(keywd)
url = “http://www.baidu.com/s?wd” keywd “&ie=urf-8&tn=96542061_hao_pg”
#将url 封装为一个请求
req = urllib.request.Request(url)
data = urllib.request.urlopen(req).read()
fh = open(“test.txt”,”wb”)
fh.write(data)
fh.close()
2)处理 post 请求:
所谓post请求即为HTML 的 form 中存在 method=“post”的标签,如下文:
<body>
<form action=””,method=”post”>
姓名:<input name=”name” type=”text”/><br>
密码:<input name=”pass” type=”text”/><br>
</body>
在新浪 login.sina.com.cn 中即可看到,form 为 post 方式。我们只需要 form 表单中的 name 属性即可。
如下图:
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.request
import urllib.parse
url = “http://www.iqianyue.com/mypost/”
#设置对应的表单信息,urlencode中针对代码中的name值。
mydata = urllib.parse.urlencode({
“name”:”ceo@iqianyue.com”,”pass”:”123456″ }).encode(“utf-8”)
#将数据转换为请求
req = urllib.request.Request(url, mydata)
#发送请求
data = urllib.request.urlopen(req).read()
fh = open(“test_post.txt”,”wb”)
fh.write(data)
fh.close()
爬虫的异常处理
爬虫在运行的过程中,很多时候都会遇到这样或那样的异常。如果没有异常处理,爬虫遇到异常时就会直接崩溃停止运行,下次再次运行时,又会重头开始,所以,要开发一个具有顽强生命力的爬虫,必须要进行异常处理。
异常处理主要是为了增强代码的稳定性。
两者都是异常处理的类,HTTPError是URLError的子类,HTTPError有异常状态码与异常原因,URLError没有异常状态码,所以,在处理的时候,不能使用URLError直接替代HTTPError。如果要替代,必须要判断是否有状态码属性。
接下来我们通过实战讲解:
urlError:
1) 连不上服务器
2) 远程的url不存在
3) 本地没有网络
4) 触发了对应的httpError子类
具体的实战为:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.error
import urllib.request
try:
urllib.request.urlopen(“http://blog.csdssn.net”)
print(“111”)
except urllib.error.URLError as e:
if hasattr(e, “code”):
print(e.code)
if hasattr(e, “reason”):
print(e.reason)
爬虫的伪装技术
我们可以试试爬取csdn博客,我们发现会返回403,因为对方服务器会对爬虫进行屏蔽。此时我们需要伪装成浏览器才能爬取。
浏览器伪装我们一般通过报头进行,接下来我们通过实战分析一下。
#!/usr/bin/env python
# _*_ UTF-8 _*_
import urllib.error
import urllib.request
url=”http://blog.csdn.net/weiwei_pig/article/details/52123738″
header = (“User-Agent”:”Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36″)
#用来添加报头信息
opener = urllib.request.build_opener()
opener.addheaders=[header]
data = opener.open(url).read()
fh = open(“test_header”,”wb”)
fh.write(data)
fh.close()
新闻网站爬取
需求:将新浪新闻首页(http://news.sina.com.cn/)所有新闻都爬到本地。
思路:先爬首页,通过正则获取所有新闻链接,然后依次爬各新闻,并存储到本地。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.error
import urllib.request
url=”http://blog.csdn.net/weiwei_pig/article/details/52123738″
header = (“User-Agent”:”Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36″)
#用来添加报头信息
opener = urllib.request.build_opener()
opener.addheaders=[header]
data = opener.open(url).read()
fh = open(“test_header”,”wb”)
fh.write(data)
fh.close()
爬虫防屏蔽手段之代理服务器
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
url = “http://blog.csdn.net/”
headers = (“User-Agent”,”Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36″)
#建一个浏览器opener
opener = urllib.request.build_opener()
#将头加入到opener中
opener.addheaders=[headers]
#将opener安装为全局
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode(“utf-8”, “ignore”)
pat = ‘<h3 data-mod=”popu_430″ data- poputype=”feed” data-feed-show=”false” data-dsm=”post”><a href=”(.*?)”‘
result = re.compile(pat).findall(data)
for i in range(0, len(result)):
file = str(i) “.html”
urllib.request.urlretrieve(result[i], filename=file)
print(“第” str(i) “次爬取成功”)
如何做代理:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
def use_proxy(url, proxy_addr):
proxy = urllib.request.ProxyHandler({“http”: proxy_addr})
opener = urllib.request.build_opener(proxy,urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data = urllib.request.urlopen(url).read().decode(“utf-8”, “ignore”)
return data
proxy_addr = [“110.73.43.18:8123”]
url = “http://www.baidu.com”
data = use_proxy(url, proxy_addr)
print(len(data))
图片爬虫实战
在浏览器爬取时,有时不同的浏览器会有不同的查询结果,解析出不同的源码。
首先在“审查元素”中确定元素的重点字段是哪些,然后再在“源码”中查找对应的图片位置,确定图片 url 的规则。
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
keyname = “短裙”
key = urllib.request.quote(keyname)
headers = (“User_Agent”, “Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0”)
opener = urllib.request.build_opener()
opener.addheaders=[headers]
urllib.request.install_opener(opener)
for i in range(0, 10):
url = “https://s.taobao.com/search?q=” key “&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=4&ntoffset=4&p4ppushleft=1,48&s=” str(i*44)
data = urllib.request.urlopen(url).read().decode(“utf-8”, “ignore”)
pat = ‘pic_url”:”//(.*?)”‘
imagelist = re.compile(pat).findall(data)
for j in range(0, len(imagelist)):
thisimg = imagelist[j]
thisimgurl = “http://” thisimg
file = “F:/python_workspace/test/pic/” str(i) str(j) “.jpg”
urllib.request.urlretrieve(thisimgurl, filename=file)
在源码解决不了的情况下,需要进行抓包。作业:千图网的爬取(可以通过调试找到报错原因):
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
for i in range(1,10):
pageurl = “http://www.58pic.com/piccate/3-153-652-” str(i) “.html”
data = urllib.request.urlopen(pageurl).read().decode(“utf-8”, “ignore”)
pat = ‘<a.*?src=”(.*?).jpg!”‘
imglist = re.compile(pat).findall(data)
for j in range(0, len(imglist)):
try:
thisimg = imglist[j]
thisimgurl = thisimg “_1024.jpg”
file = “F:/python_workspace/test/pic2/” str(i) str(j) “.jpg”
urllib.request.urlretrieve(thisimgurl, filename=file)
print(“第” str(i) “页第” str(j) “个图片爬取成功”)
except urllib.error.URLError as e:
if hasattr(e, “code”):
print(e.code)
if hasattr(e, “reason”):
print(e.reason)
except Exception as e:
print(e)
抓包分析实战(一)
获取淘宝的评论信息、腾讯的娱乐新闻信息等需要抓包分析。如何抓取 https 的数据包以及腾讯视频的评论。
TextView:显示返回的信息;通过 fiddler 找到含有评论的网址,复制出对应的网址,观察网址的规则。
对应的网址为:
https://rate.tmall.com/list_detail_rate.htm?itemId=42679128869&spuId=315119437&sellerId=2166475645&order=3¤tPage=1&append=0&content=1&tagId=&posi=&picture=&ua=098#E1hv/pvEvbQvUvCkvvvvvjiPP2Lw0jEbPL59AjnEPmPZQj1Pn2L9QjEvR2MwljE8vphvC9vhvvCvpvyCvhQvryGvCzox9WFIRfU6pwet9E7rejZIYExr1EuK46en3OkQrEttpR2y+nezrmphQRAn3feAOHPIAXcBKFyK2ixrlj7xD7QHYWsUtE97Kphv8vvvvvCvpvvvvvmCc6Cv2UIvvUnvphvpgvvv96CvpCCvvvmCXZCvhhmEvpvV2vvC9jx2uphvmvvv98GEKUM72QhvCvvvMMGtvpvhvvvvv8wCvvpvvUmm3QhvCvvhvvv=&isg=AoKCecM7b7NouHNtRCUm6rar0osk–IFkGgfUsyboPWxHyKZtOPWfQjduSCd&needFold=0&_ksTS=1508769919830_1070&callback=jsonp1071
然后确定其中的 itemId 等字段的内容,其中的部分内容未必有用处,可以直接删除,比如 上面 url的 ua 字段。
如果要抓取 https 的数据:
Fiddler 默认只能抓取 HTTP 协议的网页,不能抓取 HTTPS 协议的网页,而我们很多时候,都需要抓 HTTPS 协议的网页,比如抓淘宝数据等。今天,韦玮老师会为大家讲解如何使用 Fiddler 抓取 HTTPS 协议的网页。
然后在桌面上就有了导出的证书,如下所示:
随后,我们可以在浏览器中导入该证书。我们打开火狐浏览器,打开“选项–高级–证书- -导入”,选择桌面上的证书,导入即可。随后,Fiddler 就可以抓 HTTPS 协议的网页了。如下图所示。
抓取腾讯视频的评论:下图为带评论的 js 文件(从 fiddler 中获取):
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
headers = (“User_Agent”, “Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0”)
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
comid = “6323280825454961655”
url = “http://coral.qq.com/article/2102904258/comment?commentid=” comid “&reqnum=20&tag=&callback=jQuery11240200259412840594121508770934137&_=1508770934145″
for i in range(0, 100):
data = urllib.request.urlopen(url).read().decode()
patnext = ‘”last”:”(.*?)”‘
nextid = re.compile(patnext).findall(data)[0]
patcom = ‘”content”:”(.*?)”,’
comdata = re.compile(patcom).findall(data)
for j in range(0, len(comdata)):
print(“——第” str(i) str(j) “条评论内容是:”)
print(eval(‘u”‘ comdata[j] ‘”‘))
url = “http://coral.qq.com/article/2102904258/comment?commentid=” nextid “&reqnum=20&tag=&callback=jQuery1124020025941284059412_1508770934137&_=1508770934145”
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import re
import urllib.request
import time
import urllib.error
#自定义函数,功能为使用代理服务器爬一个网址
def use_proxy(proxy_addr, url): #建立异常处理机制
try:
req = urllib.request.Request(url)
req.add_header(“User_Agent”, “Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0”)
proxy = urllib.request.ProxyHandler({‘http’:proxy_addr})
opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)
urllib.request.install_opener(opener)
data = urllib.request.urlopen(req).read()
return data
except urllib.error.URLError as e:
if hasattr(e, “code”):
print(e.code)
if hasattr(e, “reason”):
print(e.reason)
#若为URLError 异常,延时10 秒执行time.sleep(10)
except Exception as e:
print(“exception:” str(e))
time.sleep(1)
#设置关键词
key = “Python” #设置代理服务器,该代理服务器有可能失效,读者需要换成新的有效代理服务器#即通过fiddler中转爬取。
proxy = “127.0.0.1:8888”
#爬多少页:
for i in range(0, 10):
key = urllib.request.quote(key)
thispageurl = “http://weixin.sogou.com/weixin?type=2&query=” key “&page” str(i)
#a=”http://blog.csdn.net”
thispagedata = use_proxy(proxy, thispageurl)
print(len(str(thispagedata)))
pat1 = ‘<a href=”(.*?)”‘
rs1 = re.compile(pat1, re.S).findall(str(thispagedata))
if(len(rs1)==0):
print(“此次(” str(i) “页)没有成功”)
continue
for j in range(0, len(rs1)):
thisurl = rs1[j]
# 提取到的网址与通过浏览器实际跳转的页面网址不完全一致,通过比#较观察发 现,爬取的页面中有amp 字段为多余。
thisurl = thisurl.replace(“amp;”, “”)
file = “F:/python_workspace/test/wechat/第” str(i) “页第” str(j) “篇文章.html”
thisdata = use_proxy(proxy, thisurl)
try:
fh = open(file, “wb”)
fh.write(thisdata)
fh.close()
print(“第” str(i) “页第” str(j) “篇文章成功”)
except Exception as e:
print(e)
print(“第” str(i) “页第” str(j) “篇文章失败”)
多线程爬取实战 糗事百科的代码
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
headers = (“User_Agent”, “Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0”)
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
for i in range(1, 2):
url = “https://www.qiushibaike.com/8hr/page/” str(i)
pagedata = urllib.request.urlopen(url).read().decode(“utf-8″,”ignore”)
pat = ‘<div>.*?<span>(.*?)</span>.*?</div>’
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print(“第” str(i) “页第” str(j) “个段子的内容是:”)
print(datalist[j])
将此程序改为多进程为:
#!/usr/bin/env python
# _*_ UTF-8 _*_
# author:livan
import urllib.request
import re
import urllib.error
import threading
headers = (“User_Agent”, “Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0)Gecko/20100101 Firefox/53.0”)
opener = urllib.request.build_opener()
opener.addheaders = [headers]
urllib.request.install_opener(opener)
class One(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
def run(self):
for i in range(1, 36, 2):
url = “https://www.qiushibaike.com/8hr/page/” str(i)
pagedata = urllib.request.urlopen(url).read().decode(“utf8″,”ignore”)
pat='<div class=”content”>.*?<span>(.*?)</span>.*?</div>’
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print(“第” str(i) “页第” str(j) “个段子的内容是:”)
print(datalist[j])
class Two(threading.Thread):
def __init__(self):
threading.Thread.__init__(self)
def run(self):
for i in range(0, 36, 2):
url = “https://www.qiushibaike.com/8hr/page/” str(i)
pagedata = urllib.request.urlopen(url).read().decode(“utf8″,”ignore”)
pat='<div class=”content”>.*?<span>(.*?)</span>.*?</div>’
datalist = re.compile(pat, re.S).findall(pagedata)
for j in range(0, len(datalist)):
print(“第” str(i) “页第” str(j) “个段子的内容是:”)
print(datalist[j])
one = One()
one.start()
two = Two()
two.start()
老表的福利是什么?
a.每天选择一条走心留言赠书一本
(一般在推文头条(第一条)
文末有赠送书籍介绍
有前一天获奖读者信息)
b.留言打卡,满30天
进老表学习福利群
书籍、现金、课程统统安排
(在当天推文的任何一条留言
就算当天打卡成功)
昨天最佳留言读者:枫,
鼓励一下坚持学习无谓困难
今日留言主题:
说说你看了本文后的感触?
或者一句激励自己的话?
(字数不少于15字)
说明:最近每日留言赠书暂停一段时间
不过,留言打卡30天进福利群
还在继续,等你~
2小时快速掌握Python基础知识要点。
完整Python基础知识要点
Python小知识|这些技能你不会?(一)Python小知识|这些技能你不会?(二)Python小知识|这些技能你不会?(三)Python小知识|这些技能你不会?(四)