亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

如何用六步教會(huì)你使用python爬蟲(chóng)爬取數(shù)據(jù)

 更新時(shí)間：2022年04月06日 10:17:49   作者：只曉得閑逛  
網(wǎng)絡(luò)爬蟲(chóng)就是按照一定規(guī)則自動(dòng)訪問(wèn)互聯(lián)網(wǎng)上的信息并把內(nèi)容下載下來(lái)的程序或腳本,下面這篇文章主要給大家介紹了關(guān)于如何用六步教會(huì)你使用python爬蟲(chóng)爬取數(shù)據(jù)的相關(guān)資料,需要的朋友可以參考下

前言：

用python的爬蟲(chóng)爬取數(shù)據(jù)真的很簡(jiǎn)單，只要掌握這六步就好，也不復(fù)雜。以前還以為爬蟲(chóng)很難，結(jié)果一上手，從初學(xué)到把東西爬下來(lái)，一個(gè)小時(shí)都不到就解決了。

python爬出六部曲

第一步：安裝requests庫(kù)和BeautifulSoup庫(kù)：

在程序中兩個(gè)庫(kù)的書(shū)寫(xiě)是這樣的：

import requests
from bs4 import BeautifulSoup

由于我使用的是pycharm進(jìn)行的python編程。所以我就講講在pycharm上安裝這兩個(gè)庫(kù)的方法。在主頁(yè)面文件選項(xiàng)下，找到設(shè)置。進(jìn)一步找到項(xiàng)目解釋器。之后在所選框中，點(diǎn)擊軟件包上的+號(hào)就可以進(jìn)行查詢插件安裝了。有過(guò)編譯器插件安裝的hxd估計(jì)會(huì)比較好入手。具體情況就如下圖所示。

第二步：獲取爬蟲(chóng)所需的header和cookie：

我寫(xiě)了一個(gè)爬取微博熱搜的爬蟲(chóng)程序，這里就直接以它為例吧。獲取header和cookie是一個(gè)爬蟲(chóng)程序必須的，它直接決定了爬蟲(chóng)程序能不能準(zhǔn)確的找到網(wǎng)頁(yè)位置進(jìn)行爬取。

首先進(jìn)入微博熱搜的頁(yè)面，按下F12，就會(huì)出現(xiàn)網(wǎng)頁(yè)的js語(yǔ)言設(shè)計(jì)部分。如下圖所示。找到網(wǎng)頁(yè)上的Network部分。然后按下ctrl+R刷新頁(yè)面。如果，進(jìn)行就有文件信息，就不用刷新了，當(dāng)然刷新了也沒(méi)啥問(wèn)題。然后，我們?yōu)g覽Name這部分，找到我們想要爬取的文件，鼠標(biāo)右鍵，選擇copy，復(fù)制下網(wǎng)頁(yè)的URL。就如下圖所示。

 復(fù)制好URL后，我們就進(jìn)入一個(gè)網(wǎng)頁(yè)Convert curl commands to code。這個(gè)網(wǎng)頁(yè)可以根據(jù)你復(fù)制的URL，自動(dòng)生成header和cookie，如下圖。生成的header和cookie，直接復(fù)制走就行，粘貼到程序中。

#爬蟲(chóng)頭數(shù)據(jù)
cookies = {
    'SINAGLOBAL': '6797875236621.702.1603159218040',
    'SUB': '_2AkMXbqMSf8NxqwJRmfkTzmnhboh1ygvEieKhMlLJJRMxHRl-yT9jqmg8tRB6PO6N_Rc_2FhPeZF2iThYO9DfkLUGpv4V',
    'SUBP': '0033WrSXqPxfM72-Ws9jqgMF55529P9D9Wh-nU-QNDs1Fu27p6nmwwiJ',
    '_s_tentry': 'www.baidu.com',
    'UOR': 'www.hfut.edu.cn,widget.weibo.com,www.baidu.com',
    'Apache': '7782025452543.054.1635925669528',
    'ULV': '1635925669554:15:1:1:7782025452543.054.1635925669528:1627316870256',
}
headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36 SLBrowser/7.0.0.6241 SLBChan/25',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'cross-site',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Dest': 'document',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}
params = (
    ('cate', 'realtimehot'),
)

復(fù)制到程序中就像這樣。這是微博熱搜的請(qǐng)求頭。

第三步：獲取網(wǎng)頁(yè)：

我們將header和cookie搞到手后，就可以將它復(fù)制到我們的程序里。之后，使用request請(qǐng)求，就可以獲取到網(wǎng)頁(yè)了。

#獲取網(wǎng)頁(yè)
response = requests.get('https://s.weibo.com/top/summary', headers=headers, params=params, cookies=cookies)

第四步：解析網(wǎng)頁(yè)：

這個(gè)時(shí)候，我們需要回到網(wǎng)頁(yè)。同樣按下F12，找到網(wǎng)頁(yè)的Elements部分。用左上角的小框帶箭頭的標(biāo)志，如下圖，點(diǎn)擊網(wǎng)頁(yè)內(nèi)容，這個(gè)時(shí)候網(wǎng)頁(yè)就會(huì)自動(dòng)在右邊顯示出你獲取網(wǎng)頁(yè)部分對(duì)應(yīng)的代碼。

如上圖所示，我們?cè)谡业较胍廊〉捻?yè)面部分的網(wǎng)頁(yè)代碼后，將鼠標(biāo)放置于代碼上，右鍵，copy到selector部分。就如上圖所示。

第五步：分析得到的信息，簡(jiǎn)化地址：

其實(shí)剛才復(fù)制的selector就相當(dāng)于網(wǎng)頁(yè)上對(duì)應(yīng)部分存放的地址。由于我們需要的是網(wǎng)頁(yè)上的一類信息，所以我們需要對(duì)獲取的地址進(jìn)行分析，提取。當(dāng)然，就用那個(gè)地址也不是不行，就是只能獲取到你選擇的網(wǎng)頁(yè)上的那部分內(nèi)容。

#pl_top_realtimehot > table > tbody > tr:nth-child(1) > td.td-02 > a
#pl_top_realtimehot > table > tbody > tr:nth-child(2) > td.td-02 > a
#pl_top_realtimehot > table > tbody > tr:nth-child(9) > td.td-02 > a

這是我獲取的三條地址，可以發(fā)現(xiàn)三個(gè)地址有很多相同的地方，唯一不同的地方就是tr部分。由于tr是網(wǎng)頁(yè)標(biāo)簽，后面的部分就是其補(bǔ)充的部分，也就是子類選擇器?？梢酝茢喑觯擃愋畔?，就是存儲(chǔ)在tr的子類中，我們直接對(duì)tr進(jìn)行信息提取，就可以獲取到該部分對(duì)應(yīng)的所有信息。所以提煉后的地址為：

#pl_top_realtimehot > table > tbody > tr > td.td-02 > a

這個(gè)過(guò)程對(duì)js類語(yǔ)言有一定了解的hxd估計(jì)會(huì)更好處理。不過(guò)沒(méi)有js類語(yǔ)言基礎(chǔ)也沒(méi)關(guān)系，主要步驟就是，保留相同的部分就行，慢慢的試，總會(huì)對(duì)的。

第六步：爬取內(nèi)容，清洗數(shù)據(jù)

這一步完成后，我們就可以直接爬取數(shù)據(jù)了。用一個(gè)標(biāo)簽存儲(chǔ)上面提煉出的像地址一樣的東西。標(biāo)簽就會(huì)拉取到我們想獲得的網(wǎng)頁(yè)內(nèi)容。

#爬取內(nèi)容
content="#pl_top_realtimehot > table > tbody > tr > td.td-02 > a"

之后我們就要soup和text過(guò)濾掉不必要的信息，比如js類語(yǔ)言，排除這類語(yǔ)言對(duì)于信息受眾閱讀的干擾。這樣我們就成功的將信息，爬取下來(lái)了。

fo = open("./微博熱搜.txt",'a',encoding="utf-8")
a=soup.select(content)
for i in range(0,len(a)):
    a[i] = a[i].text
    fo.write(a[i]+'\n')
fo.close()

我是將數(shù)據(jù)存儲(chǔ)到了文件夾中，所以會(huì)有wirte帶來(lái)的寫(xiě)的操作。想把數(shù)據(jù)保存在哪里，或者想怎么用，就看讀者自己了。

爬取微博熱搜的代碼實(shí)例以及結(jié)果展示：

import os
import requests
from bs4 import BeautifulSoup
#爬蟲(chóng)頭數(shù)據(jù)
cookies = {
    'SINAGLOBAL': '6797875236621.702.1603159218040',
    'SUB': '_2AkMXbqMSf8NxqwJRmfkTzmnhboh1ygvEieKhMlLJJRMxHRl-yT9jqmg8tRB6PO6N_Rc_2FhPeZF2iThYO9DfkLUGpv4V',
    'SUBP': '0033WrSXqPxfM72-Ws9jqgMF55529P9D9Wh-nU-QNDs1Fu27p6nmwwiJ',
    '_s_tentry': 'www.baidu.com',
    'UOR': 'www.hfut.edu.cn,widget.weibo.com,www.baidu.com',
    'Apache': '7782025452543.054.1635925669528',
    'ULV': '1635925669554:15:1:1:7782025452543.054.1635925669528:1627316870256',
}
headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36 SLBrowser/7.0.0.6241 SLBChan/25',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'cross-site',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Dest': 'document',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}
params = (
    ('cate', 'realtimehot'),
)
#數(shù)據(jù)存儲(chǔ)
fo = open("./微博熱搜.txt",'a',encoding="utf-8")
#獲取網(wǎng)頁(yè)
response = requests.get('https://s.weibo.com/top/summary', headers=headers, params=params, cookies=cookies)
#解析網(wǎng)頁(yè)
response.encoding='utf-8'
soup = BeautifulSoup(response.text, 'html.parser')
#爬取內(nèi)容
content="#pl_top_realtimehot > table > tbody > tr > td.td-02 > a"
#清洗數(shù)據(jù)
a=soup.select(content)
for i in range(0,len(a)):
    a[i] = a[i].text
    fo.write(a[i]+'\n')
fo.close()

總結(jié)

到此這篇關(guān)于如何用六步教會(huì)你使用python爬蟲(chóng)爬取數(shù)據(jù)的文章就介紹到這了,更多相關(guān)python爬蟲(chóng)爬取數(shù)據(jù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評(píng)論