摘要：定制筛选器，对内容进行筛选重点。审查元素这是浏览器自带的工具，提供抓包和检查网页源码的功能，供使用者分析网页。超时设置，如果服务器在指定秒数内没有应答，抛出异常，用于避免无响应连接，整形或浮点数。返回连接状态，正常。
前言
python 3.6 ！！
本爬虫系列是面对有Python语法基础的读者写的，如果你没学过python，emmmm.....也没关系，你或许能从每篇文章中学到一些爬虫的思路；如果你的python基础语法已经应用自如，那是极好的。
本系列的教程和实例均总结于笔者的自学经历，如有不足欢迎指正和讨论，问题我会尽量回复，也希望大家能有所收获。
爬虫真好玩.jpg
废话不多说，赶紧开始这条不归路吧
无思路不成器，如果你怎么想都想不出爬虫的原理，不妨来看下我们平时是如何上网的，大概就是这样：
①点开目标网址→→[可选：登录/回复]→→②浏览全页筛选出价值内容→→③如果很喜欢，还会拷贝下载回来
所以爬虫归结起来也就这几步：
构造目标网址（重点）
发起请求（request），相当于点开网页。
获取网页内容（坑）。
定制筛选器，对内容进行筛选（重点）。
把爬取结果保存到容器里。
本节学习的requests模块将会实现二，三步，其他步骤和注意事项将会在后续文章中展示出来。
F12审查元素这是浏览器自带的工具，提供抓包和检查网页源码的功能，供使用者分析网页。也是学爬虫必须要学会的工具，一个优秀的虫爸/虫妈应该花更多的时间在网页分析和debug上。
使用非常简单，打开任一浏览器（笔者的是google chrome），按F12或鼠标右键检查。
选择Element是查看网页源码，是树结构的html文档，里面有要爬取的内容。
选择Network是查看本地和服务器端交互的包，可以从中获取目标网址和headers。
requests模块为什么选择requests，因为它能完全胜任python自带的urllib模块，简化了不必要的功能的同时让使用更加简单。
安装非常简单，打开cmd，直接pip安装
pip install requests
或pycharm中搜索requests安装
简单使用首先呈上官方文档，有中文版，欢迎来啃。
下面主要介绍两种方法：get和post
get，就是本地向服务器索取的意思，服务器检查请求头（request headers）后，如果觉得没问题，就会返回信息给本地。
r = requests.get(url,**args)#返回一个Response对象，我们可以从这个对象中获取所有我们想要的信息
post，就是本地要向服务器提交一些数据的意思，服务器还是会检查请求头，如果提交的数据和请求头都没问题，就会返回信息给本地。
r = requests.post(url,**args)#也是返回Response对象参数详解
get和post方法中有许多参数可以使用，部分参数后面会详解。
url：就是目标网址，接收完整（带http）的地址字符串。
headers：请求头，存储本地信息如浏览器版本，是一个字典。
data：要提交的数据，字典。
cookies：cookies，字典。
timeout：超时设置，如果服务器在指定秒数内没有应答，抛出异常，用于避免无响应连接，整形或浮点数。
params：为网址添加条件数据，字典。
payload = {"key1": "value1", "key2": "value2"}
r = requests.get("http://httpbin.org/get", params=payload)
#相当于目标网址变成了http://httpbin.org/get?key2=value2&key1=value1
proxies：ip代理时使用，字典。
Response对象使用从这个对象中获取所有我们想要的信息非常简单，毕竟爬虫要的数据主要就三种，html源码，图片二进制数据，json数据，Response对象一次性满足你三个愿望。
r.encoding = "ISO-8859-1" #指定r.text返回的数据类型，写在r.text之前。 r.text #默认以unicode形式返回网页内容，也就是网页源码的字符串。 r.content #以二进制形式返回网页内容，下载图片时专用。 r.json() #把网页中的json数据转成字典并将其返回。 #还有一些很少用到的方法。 r.headers #返回服务器端的headers，字典。 r.status_code #返回连接状态，200正常。小实例
requests 学完后就可以到处试试了，如果红了（抛出异常），那大概是服务器拒绝你了，毕竟伪装什么的还没提到，服务器知道你是虫子就把你踢掉了。
import requests
r = requets.get("http://cn.python-requests.org/zh_CN/latest/")
with open("test.txt","w",encoding = "utf-8") as file:#编码要对应
file.write(r.text)
#然后打开看看吧，是不是和F12看到的源码一样，只不过是把分支全展开了而已。
小提示：并不是所有网站的F12源码和爬取源码是一致的，网站有动态的，也有静态的；有防爬虫的，也有敞开大门任意爬的。关于对策之后会讲到。
第一次写文章，挺累的，我需要做(wan)几(ji)道(pan)数(you)学(xi)题放松一下自己才行。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/41526.html
摘要：总的来说有两种反爬策略，要么验证身份，把虫子踩死在门口要么在网站植入各种反爬机制，让爬虫知难而退。本节内容就着这两种反爬策略提出一些对策。内嵌反爬很灵活，没有什么固定的代码格式，要花时间去分析出来。 之前提到过，有些网站是防爬虫的。其实事实是，凡是有一定规模的网站，大公司的网站，或是盈利性质比较强的网站，都是有高级的防爬措施的。总的来说有两种反爬策略，要么验证身份，把虫子踩死在门口...
摘要：能看到这里说明快进入动态网页爬取了，在这之前还有一两个知识点要了解，就如本文要讲的及其数据提取是什么是轻量级的文本数据交换格式，符合的格式的字符串叫字符串，其格式就像中字符串化后的字典，有时字典中还杂着列表字典，但是里面的数据都被双引号包着 能看到这里说明快进入动态网页爬取了，在这之前还有一两个知识点要了解，就如本文要讲的json及其数据提取 JSON 是什么 json是轻量级...
摘要：前篇全片都是生硬的理论使用，今天就放个静态爬取的实例让大家体验一下的使用，了解一些背后的原理。给出网站打开右键检查第一个电影，分析源码先，发现每个标签就对应着一个电影的信息。 前篇全片都是生硬的理论使用，今天就放个静态爬取的实例让大家体验一下BeautifulSoup的使用，了解一些背后的原理。 顺便在这引入静态网页的概念——静态网页是指一次性加载所有内容的网页，爬虫一次请求便能得到所...
摘要：接上回第二部分，编写爬虫。进入微信嵌套选择图片和上传图片接口，实现一键上传图片，遇到问题看吧，我现在已经可以通过爬虫获取的提问标题了。微信故意省略想做小偷站的，看到这里基本上就能搞出来了。下一篇，采集入库 上回，我装了环境 也就是一对乱七八糟的东西 装了pip，用pip装了virtualenv，建立了一个virtualenv，在这个virtualenv里面，装了Django，创建了一个...
摘要：自阮大神的文章发布以来，有了一些改动，添加有很多有用的功能，特别是这个功能，对打造命令行工具集合非常有用，所以写一个新版本的教程还是有必要的。 前言 使用命令行程序对程序员来说很常见，就算是前端工程师或者开发gui的，也需要使用命令行来编译程序或者打包程序 熟练使用命令行工具能极大的提高开发效率，linux自带的命令行工具都非常的有用，但是这些工具都是按照通用需求开发出来的，如果有一些...
阅读 1073·2021-11-16 11:45
阅读 3071·2021-10-13 09:40
阅读 677·2019-08-26 13:45
阅读 1139·2019-08-26 13:32
阅读 2133·2019-08-26 13:23
阅读 863·2019-08-26 12:16
阅读 2792·2019-08-26 11:37
阅读 1718·2019-08-26 10:32
