一、什么叫爬虫
爬虫,又名"网络爬虫",就是能够自动访问互联网并将网站内容下载下来的程序。它也是搜索引擎的基础,像百度和GOOGLE都是凭借强大的网络爬虫,来检索海量的互联网信息的然后存储到云端,为网友提供优质的搜索服务的。
二、爬虫有什么用
你可能会说,除了做搜索引擎的公司,学爬虫有什么用呢?哈哈,总算有人问到点子上了。打个比方吧:企业A建了个用户论坛,很多用户在论坛上留言讲自己的使用体验等等。现在A需要了解用户需求,分析用户偏好,为下一轮产品迭代更新做准备。那么数据如何获取,当然是需要爬虫软件从论坛上获取咯。所以除了百度、GOOGLE之外,很多企业都在高薪招聘爬虫工程师。你到任何招聘网站上搜"爬虫工程师"看看岗位数量和薪资范围就懂爬虫有多热门了。
三、爬虫的原理
发起请求:通过HTTP协议向目标站点发送请求(一个request),然后等待目标站点服务器的响应。
获取响应内容:如果服务器能正常响应,会得到一个Response。Response的内容便是所要获取的页面内容,响应的内容可能有HTML,Json串,二进制数据(如图片视频)等等。
解析内容:得到的内容可能是HTML,可以用正则表达式、网页解析库进行解析;可能是Json,可以直接转为Json对象解析;可能是二进制数据,可以做保存或者进一步的处理。
保存数据:数据解析完成后,将保存下来。既可以存为文本文档、可以存到数据库中。
四、Python爬虫实例
前面介绍了爬虫的定义、作用、原理等信息,相信有不少小伙伴已经开始对爬虫感兴趣了,准备跃跃欲试呢。那现在就来上"干货",直接贴上一段简单Python爬虫的代码:
1.前期准备工作:安装Python环境、安装PYCHARM软件、安装MYSQL数据库、新建数据库exam、在exam中建一张用于存放爬虫结果的表格house [SQL语句:create table house(price varchar(88),unit varchar(88),area varchar(88));]
2.爬虫的目标:爬取某租房网上首页中所有链接里的房源的价格、单位及面积,然后将爬虫结构存到数据库中。
3.爬虫源代码:如下
import requests #请求 URL 页面内容 from bs4 import BeautifulSoup #获取页面元素 import pymysql #链接数据库 import time #时间函数 import lxml #解析库(支持 HTML\XML 解析,支持 XPATH 解析) #get_page 函数作用:通过 requests 的 get 方法得到 url 链接的内容,再整合成BeautifulSoup 可以处理的格式 def get_page(url): response = requests.get(url) soup = BeautifulSoup(response.text, 'lxml') return soup #get_links 函数的作用:获取列表页所有租房链接 def get_links(link_url): soup = get_page(link_url) links_div = soup.find_all('div',class_="pic-panel") links=[div.a.get('href') for div in links_div] return links #get_house_info 函数作用是:获取某一个租房页面的信息:价格、单位、面积等 def get_house_info(house_url): soup = get_page(house_url) price =soup.find('span',class_='total').text unit = soup.find('span',class_='unit').text.strip() area = 'test' #这里 area 字段我们自定义一个 test 做测试 info = { '价格':price, '单位':unit, '面积':area } return info #数据库的配置信息写到字典 DataBase ={ 'host': '127.0.0.1', 'database': 'exam', 'user' : 'root', 'password' : 'root', 'charset' :'utf8mb4'} #链接数据库 def get_db(setting): return pymysql.connect(**setting) #向数据库插入爬虫得到的数据 def insert(db,house): values = "'{}',"*2 + "'{}'" sql_values = values.format(house['价格'],house['单位'],house['面积']) sql =""" insert into house(price,unit,area) values({}) """.format(sql_values) cursor = db.cursor() cursor.execute(sql) db.commit() #主程序流程:1.连接数据库 2.得到各个房源信息的 URL 列表 3.FOR 循环从第一个 URL 开始获取房源具体信息(价格等)4.一条一条地插入数据库(python 学习交流群631441315) db = get_db(DataBase) links = get_links('https://bj.lianjia.com/zufang/') for link in links: time.sleep(2) house = get_house_info(link) insert(db,house)
首先,"工欲善其事必先利其器",用 Python 写爬虫程序也是一样的道理,写爬虫过程中需要导入各种库文件,正是这些及其有用的库文件帮我们完成了爬虫的大部分工作,我们只需要调取相关的借口函数即可。导入的格式就是 import 库文件名。这里要注意的是在 PYCHARM 里安装库文件,可以通过光标放在库文件名称上,同时按ctrl+alt 键的方式来安装,也可以通过命令行(Pip install 库文件名)的方式安装,如果安装失败或者没有安装,那么后续爬虫程序肯定会报错的。在这段代码里,程序前五行都是导入相关的库文件:requests 用于请求 URL 页面内容;BeautifulSoup 用来解析页面元素;pymysql 用于连接数据库;time 包含各种时间函数;lxml 是一个解析库,用于解析 HTML、XML 格式的文件,同时它也支持 XPATH 解析。
其次,我们从代码最后的主程序开始看整个爬虫流程:
通过 get