前言:
目前同学们对“pythoncss标签定位”都比较重视,你们都需要知道一些“pythoncss标签定位”的相关内容。那么小编在网络上汇集了一些有关“pythoncss标签定位””的相关知识,希望姐妹们能喜欢,咱们快快来了解一下吧!一、基本概念通用爬虫和聚焦爬虫
通用网络爬虫 是 捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。
聚焦爬虫,是"面向特定主题需求"的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于: 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
HTTP和HTTPS请求
(1)url : 浏览器地址栏的地址
(2)请求方法:一般就两种。get请求和post请求
(3)请求头:常用 User-Agent:是客户浏览器的名称
抓包工具
浏览器的检查,常用有两个模块Elements和Network
二、数据请求
主要用的是Python的第三方库requests库,pip install requests 可以安装。
1、最简单的发送get请求就是通过requests.get来调用:(模拟浏览器的get请求)
response = requests.get(";)
2、添加headers和查询参数
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} response = requests.get(";, headers = headers)
3、对响应进行处理
# 查看响应内容,response.content返回的字节流数据response.content# 对字节流数据解码response.content.decode("utf-8") # 等价于response.textresponse.content.decode("gbk") # 查看响应内容,response.text 返回的是Unicode格式的数据response.text
三、数据提取
1、常用提取方式
常用的有三种提取方式。css选择器、xpath语法、正则表达式。
学习难度前两者相似,最后一个较高;但效率从低到高。
2、xpath和lxml库
(1)lxml库, C 语言实现的,是一款高性能的 Python HTML/XML 解析器,之后可以XPath语法,来快速的定位特定元素以及节点信息
(2)xpath常用语法:
// 从当前标签下任意位置匹配../ 从当前标签的父级开始匹配./ 从当前标签开始匹配/text() 表示从当前标签下匹配所有文本内容/@name 表示匹配当前标签下的属性的value[] 中括号中可以写过滤的条件(支持and、or语法),也可以写数组下标(从1开始)/div[@class="classname"] 表示匹配当前标签下所有class为classname的div对象/div[contains(@class,"classname")] 表示匹配当前标签下所有class包含classname的div对象四、保存数据
# 保存图片数据from urllib import requestrequest.urlretrieve(';,'xxx.jpg')五、爬取彼岸桌面网所有美女图片(1080P高清图)
1、网站截图(177页,每页十几张图片)
2、成果截图
3、最终代码
# 爬取多页import requests # 用于模拟浏览器发送请求的库from lxml import etree # 解析响应内容的库,构建树结构,便于xpath语法索引from urllib import request # 下载图片时用到headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 11_1_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}# 此处控制要爬取的页码总数,网站目前共有177页,所以此处最大写178for page in range(1, 11): # 第一页是这种url:, # 其他页都是的形式 if page == 1: page_url = "; else: page_url = "; % page # 网站的charset=“gbk” html = requests.get(page_url, headers=headers).content.decode("gbk") # 利用lxml的etree.HTML解析html,构建树结构 tree = etree.HTML(html) # 利用xpath语法提取当前缩略图下图片的url data = tree.xpath('//div[@class="list"]')[0] hrefs = data.xpath('//li/a/@href') # [/desk/xxxxx.htm,/desk/xxxxx.htm]形式 # 遍历所有的缩略图url for href in hrefs: if href.startswith("/desk"): # 拼接完整的缩略图url地址 url = "; + href # 请求缩略图url地址,之后解析得到1080P图片地址 picture_html = requests.get(url, headers = headers).content.decode('gbk') picture_tree = etree.HTML(picture_html) # url2 = picture_tree.xpath('//td/a/@href') url2 = picture_tree.xpath('//div[@class="pic"]//img/@src')[0] # 定义图片名称,下载图片 filename = url2.split("/")[-1] request.urlretrieve(url2, filename)六、总结
1、学完这些你基本掌握了爬虫的基础流程,利用requests库模拟浏览器发送请求,对服务器返回内容进行解码。之后运用lxml库构建解析树,利用xpath语法提取树中的关键信息节点,最后保存到本地。本案例学完后你基本可以爬取绝大部分网站的图片了。
标签: #pythoncss标签定位