【爬虫系列】Python 爬虫入门（1）

爬虫说明

我们知道，互联网时代，大量的数据信息会以网页作为载体而存在，有些公开而免费的数据比较适合采集，并经过有效处理之后，可用于数据分析、机器学习、科学决策等方面，而从网页中采集数据的利器，当属爬虫了。爬虫的定义也很好理解：指按照一定的规则自动地从网页上抓取数据的代码或脚本，它能模拟浏览器对存储指定网页的服务器发起请求，从而获得网页的源代码，再从源代码中提取需要的数据。

利用爬虫技术获取数据，具有持续性、稳定性、效率高等优势。接下来，将梳理有关爬虫的入门知识点，并把实践中遇到的问题也记录下。

入门爬虫的话，建议选择 requests + BeautifulSoup 模块。requests 模块是一个简单而优雅的 HTTP 库，用于处理请求和响应的，通常得到响应的数据大多数都是 HTML 文档形式，可使用 BeautifulSoup 模块解析 HTML 文档并提取其中想要的数据。

首先，通过 pip 命令下载依赖：

pip install requests
pip install beautifulsoup4

1、请求头检查（User-Agent）

通常情况下，网站都会开启反爬虫机制的，其中最简单且最常见的一种策略是检查 User-Agent，网站会检查是否存在请求头信息。如果不存在的话，说明不是通过浏览器访问的，会被当做爬虫程序被拒绝请求。解决的方法也很简单，就是在代码里加入 User-Agent 呗，然而不同的浏览器的User-Agent是不同的，如果我们每次都去找浏览器的 User-Agent 并手动加入代码中，这显然很费劲！

推荐一个用于随机生成请求头的库 fake-useragent，名字看上去很霸气，也超级好用！编写一段测试代码，测试不同浏览器的 User-Agent 内容，如下：

from fake_useragent import UserAgent

ua = UserAgent()
print(f"firefox: {ua.firefox}")
print(f"chrome: {ua.chrome}")
print(f"google: {ua.google}")
print(f"IE: {ua['Internet Explorer']}")

记得去年使用的时候，可以直接拿来用，而最近使用却老是报错，报错信息如下：

废了半天的劲，终于解决了，在ua对象的参数 path 里加入一个 JSON 文件，通过这个 JSON 文件匹配不同浏览器的 User-Agent，该文件可以去这里下载，重新测试，完美解决：

2、请求目标 URL（requests API）

在正式开启爬虫之前，我们需要了解熟悉下 requests 模块相关的 API。

这里，以新安人才网的 Java 开发工程师招聘的网页作为目标 URL 为例，进行热身练习。当以 get 方式请求网页数据后，如果响应的状态返回200或 reason 返回 OK，就能判断获取网页数据成功，从而进一步可拿到响应内容或整个 HTML 文档，为后续的网页解析做好准备，如下：

import requests


url = 'https://search.goodjobs.cn/index.php'
# 以get方式发送请求，暂时不加入请求头
response = requests.get(url)

print(response.reason)  # 请求成功的话，返回OK
print(response.status_code)  # 请求成功的话，返回200
print(response.headers.items())  # 获取请求头信息
print(response.cookies)  # 获取cookies信息
print(response.encoding)  # 获取编码方式
print(response.content)  # 响应内容
print(response.text)  # 返回整个HTML网页文档

当然，我们也可以选择其他的请求方式，比如 POST、PUT、DELTET、HEAD、OPTIONS 等，而最常用的请求方式则是 GET 和 POST 了。需要注意的是，GET 方式还支持传入请求参数 params，请求头 headers 等，如下：

import requests
from fake_useragent import UserAgent


#完整url：https://search.goodjobs.cn/index.php?metro=0&area=0&page=1
url = 'https://search.goodjobs.cn/index.php'
# 请求参数
params = {'metro':0, 'area':0, page=1}
# 请求头
path = 'D:\\XXX\\reptile\\fake_useragent.json'
headers = UserAgent(path).google
#构建请求
res = requests.get(url. params, headers)

3、解析网页数据（BeautifulSoup）

requests 模块负责向目标url发送请求，并返回响应数据，接着就是如何处理响应数据了。如果从响应得到的数据是Json格式的话，那最好不过了，直接存入文件或数据库中即可。通常情况下，得到的是 HTML 文档，那就需要考虑如何去解析它了。解析和提取目标网页数据的话，可以使用正则表达式，也可以使用 BeautifulSoup 模块。

这里，以 BeautifulSoup 模块为例说明，相关的 API 可以了解一下：

from bs4 import BeautifulSoup


soup = BeautifulSoup(respone.text, "html.parser") #返回整个HTML文档对象

# HTML文档的遍历
soup.div  #获取所有的div
soup.div.p #获取所有的div下的p标签
soup.div.p.name #获取所有的div下的p标签的名称
soup.div.p['id']#获取所有的div下的p标签的id属性

'''
  HTML文档的搜索:有两种方法find_all()、find()
    find_all()：返回所有匹配到的标签
    find()：返回匹配到的第一个标签
'''
soup.find_all('div') #获取所有的div标签
soup.find_all("p", class_="aaa") #获取class属性为aaa的p标签
soup.find_all(id='203568110') #搜索id='203568110'标签

# get_text()：获取文本内容，返回的是 unicode 类型的字符串
soup.find_all('div').get_text()

通过 CSS 选择器的定位方式，测试一下：

import requests
from bs4 import BeautifulSoup

# 以get方式发送请求，暂时不加入请求头
response = requests.get(url)
if response.status_code == 200:
    # 返回整个HTML文档对象
    soup = BeautifulSoup(response.text, "html.parser")
    # 获取职位列表（提取招聘公司名称）
    jobList = []
    jobDivList = soup.find_all('div', class_='border-b clearfix ml16 mr20 h130 sear-job relative jshandle_jobShowDetailParent')
    for i in range(0, len(jobDivList)):
        company = soup.select("div[class='fr']>a")[i].get_text().strip().split('   ')
        jobList.append(company)
    print(jobList)

爬取到的结果，如下：

可以看到，使用 BeautifulSoup 模块解析和提取 HTML 文档包含的数据，重点在于对网页结构的了解和分析。我在刚开始接触的时候，通过 BeautifulSoup 模块解析 HTML 文档是一个很麻烦的过程，如果不使用 CSS 选择器操作的话，通过 xpath 屡试屡错让人抓狂啊，期间还遇到很多的语法书写错误。

BeautifulSoup 模块提供了 select() 方法获取 CSS 选择器定位到的标签结果，如果想要获取标签内容，继续使用 get_text() 方法，这极大的方便对网页的解析操作，语法学习也不是太难，建议采用 CSS 选择器。

4、CSS 选择器

CSS，即层叠样式表（Cascading Style Sheets）的简称，是一种负责页面美化和布局控制的语言，它有很多类型的选择器，比如id选择器，class选择器，元素选择器等。有时候爬虫需要去解析HTML文档，为提升效率，掌握CSS选择器的用法，对定位到想要的数据很有帮助。

接下来，以下面这段 HTML 标签为例：

<div id='ddd'>
   <span id="kkk" class="f618 sp0 m0" name="wxx1">你真棒!!!</span>
   <span id="kzz" class="f618 sp0 m0" name="wxx2">你真好棒!!!</span>
</div>

在整个HTML文档中要定位到 span 标签的位置的话，可以使用元素选择器：（所有span标签）

span

可以使用id选择器：（唯一）

#kkk

可以使用 class 选择器：（div标签下的类属性为f618 sp0 m0的所有span标签）

.f618 sp0 m0

可以使用相邻选择器：（id 为kkk的 span 标签的下一个相邻span标签）

#kkk+span

可以使用子选择器：（div标签下的所有span标签）

div>span

可以使用包含选择器：（div标签下的所有span标签）

div span

可以使用全局选择器：（div标签下的所有标签）

div *

可以使用群选择器：（div标签下的指定span标签）

div #kkk,#kzz

可以用属性选择器：（指定属性的span标签）

span[name='wxx1'] 
span[class='f618 sp0 m0']

可以使用伪选择器：（对列表类型更实用~）

id为ddd的div标签下的第一个span标签：

div#ddd > span:nth-child(1)
div#ddd > span:frist-child

id为ddd的div标签下的最后一个span标签：

div#ddd > span:nth-last-child(1)
div#ddd > span:last-child

取反：例如不选择第一个span标签：

div#ddd > span:not(1)

在上面的基础知识点掌握之后，就可以根据自己的需求拼接解析表达式了，如下：

soup = BeautifulSoup(text, "html.parser")

#获取第一个span标签内容，可以写：
soup.select("div > span[name='wxx1']").get_text()
#也可以写：
soup.select("div > span:frist-child").get_text()
#也可以写：
soup.select("div > span:nth-child(1)").get_text()
#也可以写：
soup.select("div #kkk").get_text()

最后

基于 Python 的爬虫入门看起来并不难，选择 requests + BeautifulSoup 模块入门基本就够了。而实际中的爬虫技术远没有这么简单了，需要学习和掌握的还有很多知识，比如，解析更复杂的 HTML 文档：从嵌套更为复杂的页面提取出目标数据，从动态网页提取目标数据等；反爬虫机制：有哪些常见反爬类型，又如何绕开网站反爬虫的防御呢；常见的爬虫框架有哪些，都有哪些优点和特色等等。

此外，我们需要清醒的认识到，爬虫技术是把双刃剑，用的好可以提升效率，用途不好牢饭管饱，近些年来触犯底线的新闻事件时有发生，以至于提及到爬虫，总会给人一种不太好的印象啊！！因此，正确认识爬虫技术，正确使用爬虫技术，我们应该拥有这样的认识观~~