python爬虫-爬坑之路
背景简介
爬取外国的某两个网站的数据,网站都没有被墙,爬取三种数据。
- A: 爬取页面并存储到数据库
- B: 爬取页面内的表格内数据并存储到数据库
- C: 爬取页面,分析页面并将页面的所有数据分类存入数据库,且页面内存在下级页面,也需要进行同样的操作
python包选取以及使用
连接链接
在windows电脑上编写调试代码,在linux服务器上运行代码
由于包的差异原因,根据系统选择了两种不同的连接方式(非最佳选择)
windows - urllib3
linux - pycurl、urllib(pycurl连接GET类型的链接时,需要使用urllib.parse对该链接的参数数据进行处理)
注:以下部分处理方法是经对该网站的所有测试,包括连接速度、连接时长、错误类型等进行尽量全面的测试之后采取的方法,不适用所有网站,需要酌情使用
urllib3
# method: 连接链接的方式-GET/POST
# url: 链接地址
# data: 连接链接时需要传输的参数数据
def getHtmlByLib(method, url, data):
try:
http = urllib3.PoolManager(timeout=1000) # 经测试得出:外国网站的连接速度由于时差原因会有不同的延迟,设置超时timeout为1000秒
r = http.request(method, url, fields=data)
html = r.data.decode("utf-8", "ignore") # 将网站页面源代码转换为utf-8时会报转换错误,衡量后使用 ignore 模式,会忽略转换错误的代码
return html
except:
return getHtmlByLib(method, url, data) # 在连接失败或其他错误发生时,重新连接该地址
pycurl
class htmlContents:
def __init__(self):
self.contents = ''
def callback(self, curl):
self.contents = self.contents + curl.decode("utf-8", "ignore")
def getHtmlByCurl(method, url, data):
t = htmlContents()
curl = pycurl.Curl()
# 设置连接链接时的传输参数
if(len(data) > 0):
curl.setopt(pycurl.POSTFIELDS, urllib.parse.urlencode(data))
# 设置头部
headers = ["Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
"User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)"]
curl.setopt(pycurl.HTTPHEADER, headers)
# 连接时长与curl的连接时长
curl.setopt(pycurl.CONNECTTIMEOUT, 1000)
curl.setopt(pycurl.TIMEOUT, 900)
# 传输速度 传输速度小于1字节/秒的状态持续90秒,该连接就会终止
curl.setopt(pycurl.LOW_SPEED_TIME, 90)
curl.setopt(pycurl.LOW_SPEED_LIMIT, 1)
# 连接成功以后的处理方法
curl.setopt(pycurl.WRITEFUNCTION, t.callback)
curl.setopt(pycurl.ENCODING, 'gzip, deflate')
curl.setopt(pycurl.URL, url)
# 设置连接以及下载速度的进度条展示
curl.setopt(pycurl.NOPROGRESS, 0)
# 把cookie保存在该文件中
# curl.setopt(pycurl.COOKIEFILE, "cookie_file_name")
# curl.setopt(pycurl.COOKIEJAR, "cookie_file_name")
# POST方式
if(method == "POST"):
curl.setopt(pycurl.POST, 1)
try:
curl.perform()
except pycurl.error as e:
curl.close()
return getHtmlByCurl(method, url, data)
# 获取HTTP_CODE
httpCode = curl.getinfo(curl.HTTP_CODE)
curl.close()
if(httpCode != 200):
return getHtmlByCurl(method, url, data)
# 页面内容
return t.contents
处理页面
bs4/json
爬取页面(A)
评价 : 比较简单,可以作为入门的爬虫,不是单纯的抓取页面,需要获取一些页面内的简单的数据。
使用bs4.BeautifulSoup
进行页面数据的格式化
soup = BeautifulSoup(html, features="html.parser")
大略步骤如下
- 获取所有国家
options = soup.find("select", id="country6").find_all("option")
- 根据国家ID连接链接获取报告列表,解析列表内数据,获取该国家每一年的每份报告的
是否存在
以及报告链接
- 连接报告链接获取页面源代码,并根据需求删除代码内节点树的某些节点
- 存入数据库
知识点
BeautifulSoup
的find_all()
以及find()
方法的使用- find_all() - 获取某个节点下的所有符合条件的节点,不单止子节点,而是所有子孙节点内符合条件的节点
- find() - 获取左右子孙节点内第一个符合条件的节点
BeautifulSoup
的删除节点事件、删除节点删除节点事件
divs = soup.find_all("div")
for div in divs:
if(div.has_attr('onmouseover')):
del div["onmouseover"]
删除节点 -
div.decompose()
BeautifulSoup
输出页面源代码 -print(soup.prettify())
获取页面内的数据并处理(B)
爬取页面内的表格内数据并存储到数据库
评价:需求A的进阶型,主要针对选择页面内下拉列表的选项之后的请求的处理,主要处理json数据,需要对页面内JS方法的理解、在浏览器内使用开发者工具时的有效链接筛选
大略步骤如下:
- 获取第一个页面,解析页面源代码,了解后续操作所产生的JS事件以及影响,并通过浏览器开发者工具筛选出有效链接
- 连接第一步筛选出的有效链接,获取该链接传输来的json数据
- 获取最终目标链接所需要的传输参数。从第二步的json数据中获取;从第一部的初始页面获取;
- 连接目标链接,传输参数数据,并处理最终数据,存入数据库
知识点
该网站对连接次数做出了限制,会返回409状态码,并告知
USAGE LIMIT: Hourly usage limit of 100 actions reached. You may resume use of this service at XXXX-XX-XXT03:43:10Z
代码调整:1. 连接链接时设置休眠时间,
time.sleep(10)
,可以减少409状态码的出现次数;2. 出现409状态码时,休眠10分钟time.sleep(60*10)
字符串转换为json
import json
jsonData = json.loads(data)
处理页面内所有数据并存储入数据库(C)
评价:由于该页面内容的多变性,数据处理方式需要更兼容,故认为为B需求的进阶型,基于B需求之后可以更容易筛选出有效链接,主要处理table内数据。
大略步骤如下:
- 获取第一个页面,获取页面内容并通过浏览器开发者工具筛选出有效链接
- 连接第一步筛选出的有效链接,获取页面内的table内容以及需要的数据,包括URL
- 连接table内的URL并获取页面源代码,使用
BeautifulSoup
对页面内容进行处理,获取需要的数据
知识点
table的tr/td处理,子节点获取
tableChoisir = soup.find("table", attrs={"class": "TableChoisir"})
trsList = []
for trChild in tableChoisir.children:
# 子节点除了html节点以外,如换行、空白字符等也被视为子节点
trChild = formatString(str(trChild))
if len(trChild.strip(" ")) > 0:
trSoup = bsHtml(trChild)
trsList.append(trSoup)
获取节点内容
title = trSoup.find("td", attrs={"class": "topbigtabletitle27"}).get_text()
总结叙述
- 使用
bs4.BeautifulSoup
可以很轻松的获取页面节点的所有内容 pycurl
的连接速度优于urllib3
,同时也需要设置很多参数,pycurl
可视为linux下的curl
命令的封装,pycurl
的参数设置可参考libcurl
python爬虫-爬坑之路的更多相关文章
- 多线程爬坑之路-Thread和Runable源码解析之基本方法的运用实例
前面的文章:多线程爬坑之路-学习多线程需要来了解哪些东西?(concurrent并发包的数据结构和线程池,Locks锁,Atomic原子类) 多线程爬坑之路-Thread和Runable源码解析 前面 ...
- Vue 爬坑之路(六)—— 使用 Vuex + axios 发送请求
Vue 原本有一个官方推荐的 ajax 插件 vue-resource,但是自从 Vue 更新到 2.0 之后,官方就不再更新 vue-resource 目前主流的 Vue 项目,都选择 axios ...
- Vue 爬坑之路(九)—— 用正确的姿势封装组件
迄今为止做的最大的 Vue 项目终于提交测试,天天加班的日子终于告一段落... 在开发过程中,结合 Vue 组件化的特性,开发通用组件是很基础且重要的工作 通用组件必须具备高性能.低耦合的特性 为了满 ...
- Python爬虫 - 爬取百度html代码前200行
Python爬虫 - 爬取百度html代码前200行 - 改进版, 增加了对字符串的.strip()处理 源代码如下: # 改进版, 增加了 .strip()方法的使用 # coding=utf-8 ...
- Vue 爬坑之路(一)—— 使用 vue-cli 搭建项目
vue-cli 是一个官方发布 vue.js 项目脚手架,使用 vue-cli 可以快速创建 vue 项目,GitHub地址是:https://github.com/vuejs/vue-cli vue ...
- Vue 爬坑之路(十二)—— vue-cli 3.x 搭建项目
Vue Cli 3 官方文档:https://cli.vuejs.org/zh/guide/ 一.安装 @vue/cli 更新到 3.x 之后,vue-cli 的包名从 vue-cli 改成了 @vu ...
- 用Python爬虫爬取广州大学教务系统的成绩(内网访问)
用Python爬虫爬取广州大学教务系统的成绩(内网访问) 在进行爬取前,首先要了解: 1.什么是CSS选择器? 每一条css样式定义由两部分组成,形式如下: [code] 选择器{样式} [/code ...
- 使用Python爬虫爬取网络美女图片
代码地址如下:http://www.demodashi.com/demo/13500.html 准备工作 安装python3.6 略 安装requests库(用于请求静态页面) pip install ...
- Tinker爬坑之路
目的 热修复去年年底出的时候,变成了今年最火的技术之一.依旧记得去年面试的时候统一的MVP,然而今年却变成了RN,热修复.这不得不导致我们需要随时掌握最新的技术.不然可能随时会被淘汰.记得刚进公司,技 ...
随机推荐
- JDBC 复习2 存取mysql 大数据
大数据也称之为LOB(Large Objects),LOB又分为:clob和blob,clob用于存储大文本,blob用于存储二进制数据 mysql的大数据分为2种 blob 和 text ,没有cl ...
- 可视化利器 TensorBoard
人工智能的黑盒: TensorBoard 的作用: 1.用TensorFlow保存图的信息到日志中 tfsummary.FileWriter("日志保存路径", sess.grap ...
- MFC如何显示位图
1. 资源文件中加载 bmp 2.1. 静态加载图片 在属性下设置为如下即可 2.2 动态加载图片 其中要在控件中添加CStatic变量,并且属性设置为如下 并且在按钮控件中加入 如下代码 void ...
- MGB的生成代码解析
目录 @ 问题描述 文字描述 问题是在我刚刚学习MyBatis逆向工程时出现的,我发现使用Example是可以创建两个Criteria对象,并且两个对象也都可以添加条件,但是在运行过程中只会执行第一次 ...
- FlowPortal BPM 设置部门分管
企业中可能会有多个副总,分别分管不同的部门,员工发起申请需要副总审批时,流程根据员工所在部门查找部门的分管副总进行审批. 比如A公司有两个副总张三和李四,张三分管行政部.市场部,李四分管研发部.采购部 ...
- MyCAT详解【转】
原文链接:MyCAT详解 作者:Rangle 一.MyCAT概述MyCAT是一款由阿里Cobar演变而来的用于支持数据库读写分离.分片的分布式中间件.MyCAT可不但支持Oracle.MSSQL.MY ...
- linux之xargs
xargs从标准输入(stdin)中读取数据进行处理 数据以空格进行分隔 可以根据参数进行一次或多次处理,默认的处理命令是/bin/echo 空行不进行处理,会被忽略 遇到命令状态为255时,xarg ...
- js form表单提交后如何可以不刷新页面 的解决办法
表单可实现无刷新页面提交,无需页面跳转,如下: 通过一个隐藏的iframe实现, form表单的target设置为iframe的name名称,form提交目标位当前页面iframe则不会刷新页面 &l ...
- insert buffer/change buffer double write buffer,双写 adaptive hash index(AHI) innodb的crash recovery innodb重要参数 innodb监控
https://yq.aliyun.com/articles/41000 http://blog.itpub.net/22664653/viewspace-1163838/ http://www.cn ...
- CentOS7安装Oracle11g数据库
1.关闭防火墙systemctl stop firewalled servicesystemctl disable firewalled service 2.关闭selinuxvim /etc/sel ...