数据采集的基本原理_数据采集技术原理

爬虫基本原理

爬虫是 模拟用户在浏览器或者App应用上的操作，把操作的过程、实现自动化的程序

当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入https://www.baidu.com

简单来说这段过程发生了以下四个步骤：

• 查找域名对应的IP地址。
  浏览器首先访问的是DNS(Domain Name System,域名系统),dns的主要工作就是把域名转换成相应的IP地址
• 向IP对应的服务器发送请求。
• 服务器响应请求，发回网页内容。
• 浏览器显示网页内容

 

网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据， 而不需要一步步人工去操纵浏览器获取。

(1).浏览器是如何发送和接收这个数据呢？

HTTP协议（HyperText Transfer Protocol，超文本传输协议）目的是为了提供一种发布和接收HTML(HyperText Markup Language)页面的方法。

HTTPS（全称：Hypertext Transfer Protocol over Secure Socket Layer），是以安全为目标的HTTP通道，简单讲是HTTP的安全版。

(2).爬虫基本思路

(1).通过URL或者文件获取网页，
(2).分析要爬取的目标内容所在的位置
(3).用元素选择器(re、BeautifulSoup、Xpath等)快速提取(Raw)目标内容
(4).处理提取出来的目标内容 (通常整理合成一个 Json)
(5).存储处理好的目标内容(比如放到 MongoDB、MySQL 之类的数据库,或者写进文件里.)

1.静态本地网页与json文件爬取演示

(1).html网页抓取

import urllib.request as re
from bs4 import BeautifulSoup
# 1.使用urllib的request模块，打开一个带有html页面的链接，此时获取的只是一个链接对象
response = re.urlopen("file:///D:/Project/Python/jyputerTest/Spider/Source/demo01.html")
# 2.从连接对象中将网页源代码字符串获取到，此时是没有经过格式化的
html = response.read()
# 3.通过 BeautifulSoup 对网页源代码字符串进行解析
soup = BeautifulSoup(html)
# 4.我们就可以从BeautifulSoup中直接使用标签名作为参数 去直接获取对应 标签 中的数据
soup.find('tr')
soup.find_all('tr')

(2).json数据读取 

 

import urllib.request as re
# 此时我们解析json使用的模版是json
import json
 
# 1.同样此时获取我们文件的连接
response = re.urlopen("file:///D:/Project/Python/jyputerTest/Spider/Source/demo02.json")
# 2.将连接中的数据读取为源字符串
jsonString = response.read()
# 3.加载数据为json，同时对读取到的json字符串做一个解码
jsonObject = json.loads(jsonString.decode())
# 4.对json中的数据进行值的获取(分不同的层级)
jsonObject['employees']  # 根路径
jsonObject['employees'][0] # 获取列表中的第一个元素
jsonObject['employees'][0]['firstName'] # 获取字典中指定的key对应的值(value)

 

2.爬虫实战：7日天气预报 爬取

本次实战主要是使用 request库 和 BeautifulSoup 库进行数据的爬取

(1).实战原理

1),Requests 简介

request库是一个非常好用的请求发送包，它可以自动封装底层python 的网络请求。

 

其中我们本次课程中是使用的：Requests.get()方法
Requests库的get()方法主要用于获取HTML网页，相当于HTTP的GET。其返回对象response的常用属性如下表所示，我们可通过这些属性获取要访问域名的基本信息。

2),BeautifulSoup 简介

BeautifulSoup库是用Python语言编写一个HTML/XML的解释器。它可以很好地处理不规范的标记并生成剖析树，其本身提供了简单又常用的导航、搜索以及修改剖析树的操作，利用它可以大大缩减编程时间。

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。

 

3),网页信息查找与提取

我们使用Chrome浏览器，对于要爬取的网页，可以按F12进入调试模式，也可以选择相应信息右键"检查"，亦可进入调试模式，而且直接到达该信息HTML位置，更为方便。

(2).实战代码

# 导入requests模块和bs4模块
import requests
from bs4 import BeautifulSoup
 
# 加入请求头，防止网站监测出来我们是爬虫，所以都必须要引入请求；对于有需要 登录 的页面需要加上cookices,那么直接在header字典中将 " 'Cookie': '你的cookie' "添加进去
header={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"
}
# 引入要爬取的网页的url
url = 'http://www.weather.com.cn/weather/101120101.shtml'
 
# 1、获取网页的响应
# url，请求头，设置
response = requests.get(url, headers=header,timeout=30)
# 2，当网页获取成功的之后，设置网页的编码格式，方式出现中文的乱码
response.encoding='utf-8'
 
# 3,从获取到的文本连接中获取对应的网页源代码字符串
data= response.text
# print(text)
 
# 4，通过 BeautifulSoup 对网页源代码字符串进行解析；第二个参数是：指定 BeautifulSoup 使用什么格式进行解析(这里使用的是lxml ：在你安装BeautifulSoup的时候默认是没有这个库的，需要你手动去安装 pip install lxml)
soup = BeautifulSoup(data,'lxml')
# print(soup)
 
# find()的作用是只去找 指定样式中 第一个出现的
ul = soup.find(class_='t clearfix')
# print(ul)
 
ul_li = ul.find_all('li')
# 遍历打印所有的元素
for item in ul_li:
    # print(item)
    # 根据标签获取值
    # 1.获取当前日期
    day = item.find('h1').text
    # 2.获取当前日期下对应的天气
    wea = item.find(class_='wea').text
    # 3.获取当前日期下对应温度区间
    tem = item.find(class_='tem').text
    # 如果想获取最低气温(可以直接使用下标的方式直接去处理温度区间中的值)
    # print(tem[4:])
    # 4.取风向，使用find函数默认是在item中取第一次出现的em标签；对应的可以直接再去取span标签的值，就直接用“.标签案名”的方式进行获取
    ws = item.find('em').span.attrs['title']
    # 5.把两个风向都取出来的话，可以使用findall,此时先把所有的带有风向的span标签获取出来
    ws_all_span = item.find('em').find_all('span')
    # 使用 推导式 的方式将所有风向获取出来，并返回一个列表
    ws_all = [ws['title'] for ws in ws_all_span]
    # 6.获取风力，先拿到class，再拿到对应的i，对应的文本，然后将 "<" 做一个替换 "小于"
    win = item.find(class_='win').i.text.replace("<","小于")
    
    print('-----------------------------begin---------------------------------------------------------------------')
    print('-----------------------------1：日期-----------------------------------------------------------------')
    print(day)
    print('-----------------------------2：天气-----------------------------------------------------------------')
    print(wea)
    print('-----------------------------3：温度-----------------------------------------------------------------')
    print(tem)
    print('-----------------------------4：只获取第一个风向-----------------------------------------------------------')
    print(ws)
    print('-----------------------------5：两个风向都取出来-----------------------------------------------------')
    # 在输出的时候使用sep指定分隔符
    print(ws_all[0],ws_all[1],sep=',')
    print('-----------------------------6：风级-----------------------------------------------------------------')
    print(win)
    print('-----------------------------end---------------------------------------------------------------------')

(3).find() 参数总结

每一次执行find() 之后的返回值，仍然是一个对象(bs4.element.Tag)，还可以继续调用对象中的 "." 方法。

(4).select() 选择器参数总结

在CSS中，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list。

以下的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容；获取将其中的值取出来，此时其类型仍然是一个对象(bs4.element.Tag)

3.re(正则表达式)的使用与图片文件的下载

此时以 "2.爬虫实战：7日天气预报 爬取" 的结果为例进行数据的保存：
此时已经有了从网页中获取的html文本

• 爬虫代码

# 导入requests模块和bs4模块
import requests
from bs4 import BeautifulSoup
 
# 加入请求头，防止网站监测出来我们是爬虫，所以都必须要引入请求；对于有需要 登录 的页面需要加上cookices,那么直接在header字典中将 " 'Cookie': '你的cookie' "添加进去
header={
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"
}
# 引入要爬取的网页的url
url = 'http://www.weather.com.cn/weather/101120101.shtml'
 
# 1、获取网页的响应
# url，请求头，设置访问超时
response = requests.get(url, headers=header,timeout=30)
# 2，当网页获取成功的之后，设置网页的编码格式，方式出现中文的乱码
response.encoding='utf-8'
 
# 3,从获取到的文本连接中获取对应的网页源代码字符串
data= response.text
print(data)

图片文件的保存

# 使用正则进行匹配
import re
# 此时的正则表达式的含义是：以 src=开头，然后 .png 结尾，中间是啥都行，而且此时是懒惰匹配
images = re.findall(r'src="(.*?\.png)"',data)
 
# 1.单张图片的保存
response = requests.get(images[0])
img = response.content
title=0
path = r'./picture/%s.jpg'%(title)
with open(path,'wb') as f:
    f.write(img)
    
# 2.批量url连接图片的保存 
# 每个文件的命令方式是从 0 开始递增的
count = 0
for url in images:
    response = requests.get(url)
    img = response.content
    count = count + 1
    # 使用C语言的格式(类似与占位符的方式)进行拼接 路径字符串 (此时的路径需要提前创建！！！或者再引入os库将创建文件夹)
    path = r'./picture/%s.jpg'%(count)
    # 以写和二进制的权限，打开文件，此时的文件会自动创建
    with open(path,'wb') as f:
        # 使用写的方式将文件下载到指定的路径汇总
        f.write(img)

(1),正则表达式

1).常用元字符：

2),字符转义

如果想查找元字符本身的话，得使用\来取消其特殊含义。比如.可以使用 \.的方式进行转义。

3).重复次数：常用限定符

4),字符类

对于需要匹配多个字符的时候，我们需要通过列表的方式进行指定，可以指定多个不同的字符，例如（a,e,i,o,u）；或者是指定一个区间，例如：（[0-9]）

5),反义代码

6),贪婪与懒惰

• 当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪*匹配。

• 有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。现在看看懒惰版的例子吧：

  a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

4.爬虫实战：豆瓣电影信息 爬取

本次实战主要是使用 request库与 Xpath库进行操作

(1).实战原理

1),Xpath 简介

Xpath 即为 XML 路径语言（XML Path Language），它是一种用来确定 XML 文档中某部分位置的语言。Xpath 基于 XML 的树状结构，提供在数据结构树中找寻节点的能力。起初 Xpath 的提出的初衷是将其作为一个通用的、介于 Xpointer 与 XSL 间的语法模型。但是Xpath 很快的被开发者采用来当作小型查询语言。

Xpath解析网页的流程：

 

1.首先通过Requests库获取网页数据;

2.通过网页解析，得到想要的数据或者新的链接;

3.网页解析可以通过 Xpath 解析网页，然后通过定位元素，然后再右键使用Copy的方式获取元素的Xpath信息并获得文本：

file=s.xpath('元素的Xpath信息/text()')

(2).实战代码

# 导入requests模块和bs4模块
import requests
from lxml import etree
 
# 引入要爬取的网页的url
url = 'https://movie.douban.com/subject/1292052/'
# 加入请求头，防止网站监测出来我们是爬虫，所以都必须要引入请求；对于有需要 登录 的页面需要加上cookices,那么直接在header字典中将 " 'Cookie': '你的cookie' "添加进去
header={
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36"
}
# 1、获取网页的响应
# url，请求头，设置访问超时时间
response = requests.get(url, headers=header,timeout=30)
# 2，当网页获取成功的之后，设置网页的编码格式，方式出现中文的乱码
response.encoding='utf-8'
 
# 3,从获取到的文本连接中获取对应的网页源代码字符串
data = response.text
 
# 4.对获取到的网页源代码字符串使用etree解析
s=etree.HTML(data)
 
# 5.通过从网页中Copy的Xpath路径，依次获取电影名称、导演、主演、时长信息
film=s.xpath('//*[@id="content"]/h1/span[1]/text()')
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()')
actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')
time=s.xpath('//*[@id="info"]/span[13]/text()')
 
# 6.显示获取的信息内容
print('name:',film)
print('director:',director)
print('actors:',actor)
print('duration:',time)

 

(3).Xpath代码的来源

获取电影名称
元素的Xpath信息是需要我们手动获取的，获取方式为：定位目标元素（电影名称：肖申克的救赎），在网站上选取的目标元素上依次点击：右键 > 检查，按住快捷键“shift+ctrl+c”，移动鼠标到对应的元素时即可看到对应网页代码：

 在电影标题对应的代码上依次点击 右键 > Copy > Copy XPath，获取电影名称的Xpath：

 此时得到的标签示例 "//*[@id="content"]/h1/span[1]"

# 1，直接将获取到Xpath打印出来,得到的是一个元素
print(s.xpath('//*[@id="content"]/h1/span[1]'))
# 输出结果：[<Element span at 0x1a4e1c0afc8>]
 
# 2，可以再追加"/text()"，获取元素中对应的值
print(s.xpath('//*[@id="content"]/h1/span[1]/text()'))
# 输出结果：['肖申克的救赎 The Shawshank Redemption']

同理可以得到其他元素的标签！！！

5.文本文件的保存

(1).保存字符串到本地txt文件中

此时以 "4.爬虫实战：豆瓣电影信息 爬取" 的结果为例进行数据的保存：
此时已经有了 “film”，“director”，“actor”，“time”变量对应的属性值

• 爬虫代码

# 导入requests模块和bs4模块
import requests
from lxml import etree
 
# 引入要爬取的网页的url
url = 'https://movie.douban.com/subject/1292052/'
# 加入请求头，防止网站监测出来我们是爬虫，所以都必须要引入请求；对于有需要 登录 的页面需要加上cookices,那么直接在header字典中将 " 'Cookie': '你的cookie' "添加进去
header={
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36"
}
# 1、获取网页的响应
# url，请求头，请求延迟(时间)：主要是在多批次访问的时候，有一个停顿时间，可以防止网站监测为爬虫，也就是伪造一个真实的人的请求
response = requests.get(url, headers=header,timeout=30)
# 2，当网页获取成功的之后，设置网页的编码格式，方式出现中文的乱码
response.encoding='utf-8'
 
# 3,从获取到的文本连接中获取对应的网页源代码字符串
data = response.text
 
# 4.对获取到的网页源代码字符串使用etree解析
s=etree.HTML(data)
 
# 5.通过从网页中Copy的Xpath路径，依次获取电影名称、导演、主演、时长信息
film=s.xpath('//*[@id="content"]/h1/span[1]/text()')
director=s.xpath('//*[@id="info"]/span[1]/span[2]/a/text()') actor=s.xpath('//*[@id="info"]/span[3]/span[2]/a/text()')
time=s.xpath('//*[@id="info"]/span[13]/text()')

文件保存代码

# 对最后文件的输出内容进行重新格式化拼接为一个字符串,然后进行保存
# 1，首先测试输出效果
print("1:name: {},\n2:director: {},\n3:actor: {},\n4:time: {}".format(film[0],director[0],actor,time[0]))
# 2，赋于变量进行保存，然后测试输出
outData = "1:name: {},\n2:director: {},\n3:actor: {},\n4:time: {}".format(film[0],director[0],actor,time[0])
print(outData)
# 3，连接本地文件系统，进行文件夹与文件的创建
# 4，首先判断要输出的文件是否存在，如果存在则直接进入到指定文件夹中，不存在则创建文件夹
import os
if os.path.exists("./output"):
    os.chdir("./output")
else:
    os.mkdir("./output")
    os.chdir("./output")
# 5，打开一个文件(若文件不存在则创建一个)，然后向文件中写入数据，最后关闭与本地文件系统的连接
# 此时就是提前创建一个带有指定路径和文件的对象，然后再调用写操作,最后将写操作关闭
myfile = open('./out.txt','w',encoding='utf-8')
myfile.write(outData)
myfile.close()
 
# 6，如果想追加数据，直接打开文件，然后通过第二个参数指定模式为追加
# 注意此时是在创建文件对象的同时，通过文件对象带调用写操作，
with open('./out.txt','a',encoding='utf-8') as file:
    file.write('\n123465')

(2).保存字符串到Mysql数据库中 

 

# 1，首先在Mysql中建立你要导出的数据库和根据字段的内容创建数
'''
create databases test;
use test;
create table spiderTest(film varchar(100),director varchar(100),actor varchar(100),time varchar(100)) CHARSET=utf8;
'''
# 2，然后获取数据库的连接
# 3，使用 execute()方法，执行插入语句将内容写入到数据库中

import pymysql   # 导入相应操作Mysql的库文件
 
conn = pymysql.connect(host='localhost',user='root',password='111111',db='test',port=3306,charset='utf8')
cursor=conn.cursor()    # 连接数据库及光标
 
# 注意此时对于演员的数据过长，所以只是截取了第一个数据写入的
cursor.execute("insert into spiderTest(film,director,actor,time) values(%s,%s,%s,%s)",(str(film[0]),str(director[0]),str(actor[0]),str(time[0])))
# 当执行完插入语句后需要手动提交，才会生效。
conn.commit()

 以上就完成今天所有的步骤了，如果需要的话希望大家可以喜欢