python爬虫思路——静态网站_爬虫静态网站

废话不多说，直接上步骤，还不知道什么是爬虫的小伙伴请观看别的博主的文章，我只是需要用才学一点，做个笔记，我了解的也不够清楚，就不解释了。

在了解了静态网站爬取的思路后就可以尝试通过框架爬取：python爬虫笔记——Scrapy框架(浅学)

步骤

注意：不要频繁请求某个网站或者说是服务器，这样会导致别人的服务器会崩或者别的问题，还有可见即可得，不可见即不可得，就是VIP、付费、或者涉及隐私等等的东西别爬。

1. 我们就用最基础的request库来进行演示，首先导入request库，给一个正确的网页给url，然后通过request进行请求（爬取）。我们以有道在线翻译为例。 

import requests
 
url = 'https://fanyi.youdao.com/'  #网页
result = requests.get(url)   #爬取
 
print(result.text)  #打印爬取结果的文本

如果看到这样的结果就说明请求成功，也就是爬取成功。

 2. 因为有些网站有反爬机制，假设我们的爬取不成功，那如果不成功怎么办呢，那么我们就需要让爬虫模拟成浏览器，不然别人知道你是爬虫。所以我们要加个user-agent，怎么找到user-agent和cookie等会再说。

import requests
 
headers = {
    'user-agent' : '这里是自己浏览器的user-agent',
           }
 
url = "https://fanyi.youdao.com/"
result = requests.get(url,headers=headers)
 
print(result.text)

         那如果还不成功怎么办呢，那就再加一个cookie

import requests
 
headers = {
    'user-agent' : '这里是自己浏览器的user-agent',
    'cookie' : '自己的cookie'
           }
 
url = "https://fanyi.youdao.com/"
result = requests.get(url,headers=headers)
 
print(result.text)   

         那要是还不成功怎么办呢，如果还不成功找别人吧，我也不知道该怎么办了。总的来说就是一个不断试探它底线的过程。

        接下来讲怎么拿到user-agent和cookie，1. 在要爬取的网页按F12或Fn+F12（一般是笔记本电脑）看到右侧的开发者工具——>2. 找到网络(Network)这一块，随便选择可以文件左键点击——>3.再点击标头，看看有没有我们要找的东西，没有就换一个文件继续找。 

 3. 这里我建议将爬下来的数据写入文件，通过读取文件查找效果一样的，减少练习时给服务器添加的负担

这是其实是文件练习的全部代码了，有些不理解的地方往后看

import requests
 
#写入HTML文件
url = "https://fanyi.youdao.com/"
result = requests.get(url)
content = str(result.content,'utf-8')
with open('youdao.html','w',encoding='utf-8') as file:
    file.write(content)

from lxml import etree
 
读取文件练习
with open('youdao.html','r',encoding='utf-8') as file:
    html = file.read()
 
dom = etree.HTML(html)
 
txt = dom.xpath('//a[@id="transMan"]/text()')
print(txt)

4. 那我请求成功后接下来就要定位我们需要爬取的东西的位置，例如我们就爬人工翻译四个字

           1.首先需要在网页的开发者工具部分从刚刚的网络转到元素——>2.点击左边的那个锁定图标——>3.点击我们要爬取的人工翻译四个字——>4. 找到需要爬取的东西，鼠标右键选择复制，再选择复制xpath——>5.回到代码中写下函数并粘贴路径在xpath里。

 这是不写入HTML的情况，同样需要借助etree函数

import requests
import lxml.etree as etree
 
url = "https://fanyi.youdao.com/"
result = requests.get(url)
 
result = etree.HTML(result.text)
 
text = result.xpath('//*[@id="transMan"]/text()')
 
print(text)

这里需要导入新的函数库etree，目的是为了将爬下来的数据整理成格式化的HTML形式，方便用xpath进行查找，xpath里的路径建议自己写。

//a[@id="transMan"]/text()  还是刚才的四个字

格式大概是：//（当前位置下全查找）a（所在位置的标签或上级标签）[@id="transMan"]（标签的属性）/（标签下按格式查找）text()（查找文本）

结果如下，返回的是一个列表，如果通过提供的路径能找到多个值会以并返回列表，列表里的元素就不只是一个了。