|
互联网的数据爆炸式的增长，而利用 Python 爬虫我们可以获取大量有价值的数据： 1.爬取数据，进行市场调研和商业分析 爬取知乎优质答案，筛选各话题下最优质的内容； 抓取房产网站买卖信息，分析房价变化趋势、做不同区域的房价分析；爬取招聘网站职位信息，分析各行业人才需求情况及薪资水平。 2.作为机器学习、数据挖掘的原始数据 比如你要做一个推荐系统，那么你可以去爬取更多维度的数据，做出更好的模型。 3.爬取优质的资源：图片、文本、视频 爬取商品（店铺）评论以及各种图片网站，获得图片资源以及评论文本数据。 掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现。 但建议你从一开始就要有一个具体的目标，在目标的驱动下，你的学习才会更加精准和高效。这里给你一条平滑的、零基础快速入门的学习路径： 1.了解爬虫的基本原理及过程 2.Requests+Xpath 实现通用爬虫套路 3.了解非结构化数据的存储 4.应对特殊网站的反爬虫措施 5.Scrapy 与 MongoDB，进阶分布式 下面给大家展示一些爬虫项目： 有些项目可能比较老了，不能用了，大家可以参考一下，重要的是一个思路，借鉴前人的一些经验，希望能帮到大家 （1）微信公众号爬虫 地址：https://github.com/Chyroc/WechatSogou 基于搜狗微信搜索的微信公众号爬虫接口，可以扩展成基于搜狗搜索的爬虫，返回结果是列表，每一项均是公众号具体信息字典。 （2）豆瓣读书爬虫 地址：https://github.com/lanbing510/DouBanSpider 可以爬下豆瓣读书标签下的所有图书，按评分排名依次存储，存储到Excel中，可方便大家筛选搜罗，比如筛选评价人数>1000的高分书籍；可依据不同的主题存储到Excel不同的Sheet ，采用User Agent伪装为浏览器进行爬取，并加入随机延时来更好的模仿浏览器行为，避免爬虫被封。 （3）知乎爬虫 地址：https://github.com/LiuRoy/zhihu_spider 此项目的功能是爬取知乎用户信息以及人际拓扑关系，爬虫框架使用scrapy，数据存储使用mongo （4） Bilibili用户爬虫 地址：https://github.com/airingursb/bilibili-user 总数据数：20119918，抓取字段：用户id，昵称，性别，头像，等级，经验值，粉丝数，生日，地址，注册时间，签名，等级与经验值等。抓取之后生成B站用户数据报告。 （5）新浪微博爬虫 https://github.com/LiuXingMing/SinaSpider 主要爬取新浪微博用户的个人信息、微博信息、粉丝和关注。代码获取新浪微博Cookie进行登录，可通过多账号登录来防止新浪的反扒。主要使用 scrapy 爬虫框架。 （6） 小说下载分布式爬虫 https://github.com/gnemoug/distribute_crawler 使用scrapy,Redis, MongoDB,graphite实现的一个分布式网络爬虫,底层存储MongoDB集群,分布式使用Redis实现,爬虫状态显示使用graphite实现，主要针对一个小说站点。 （7）中国知网爬虫 https://github.com/yanzhou/CnkiSpider 设置检索条件后，执行src/CnkiSpider.py抓取数据，抓取数据存储在/data目录下，每个数据文件的第一行为字段名称。 （8）链接网爬虫 https://github.com/yanzhou/CnkiSpider 爬取北京地区链家历年二手房成交记录。涵盖链家爬虫一文的全部代码，包括链家模拟登录代码。 （9）京东爬虫 https://github.com/taizilongxu/scrapy_jingdong 基于scrapy的京东网站爬虫，保存格式为csv。 （10） QQ 群爬虫 https://github.com/caspartse/QQ-Groups-Spider 批量抓取 QQ 群信息，包括群名称、群号、群人数、群主、群简介等内容，最终生成 XLS(X) / CSV 结果文件。 （11）乌云爬虫 https://github.com/hanc00l/wooyun_public 乌云公开漏洞、知识库爬虫和搜索。全部公开漏洞的列表和每个漏洞的文本内容存在MongoDB中，大概约2G内容；如果整站爬全部文本和图片作为离线查询，大概需要10G空间、2小时（10M电信带宽）；爬取全部知识库，总共约500M空间。漏洞搜索使用了Flask作为web server，bootstrap作为前端。 念无心：python步入高薪，踏上人生巅峰之路zhuanlan.zhihu.com  （12）hao123网站爬虫 https://github.com/hanc00l/wooyun_public 以hao123为入口页面，滚动爬取外链，收集网址，并记录网址上的内链和外链数目，记录title等信息，windows7 32位上测试，目前每24个小时，可收集数据为10万左右。 （13）机票爬虫（去哪儿和携程网） https://github.com/hanc00l/wooyun_public Findtrip是一个基于Scrapy的机票爬虫，目前整合了国内两大机票网站（去哪儿 + 携程）。 （14）163spider https://github.com/leyle/163spider 基于requests、MySQLdb、torndb的网易客户端内容爬虫。 （15）doubanspiders https://github.com/sdfzy/doubanspiders 豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python （16） QQ空间爬虫 https://github.com/LiuXingMing/QQSpider 包括日志、说说、个人信息等，一天可抓取 400 万条数据。 （17）baidu-music-spider https://github.com/Shu-Ji/baidu-music-spider 百度mp3全站爬虫，使用redis支持断点续传。 （18） 淘宝和天猫的爬虫 https://github.com/pakoo/tbcrawler 根据搜索关键词,物品id来抓取页面的信息，数据存储在mongodb。 （19）stockholm https://github.com/benitoro/stockholm 一个股票数据（沪深）爬虫和选股策略测试框架。根据选定的日期范围抓取所有沪深两市股票的行情数据。支持使用表达式定义选股策略。支持多线程处理。保存数据到JSON文件、CSV文件。 （20）BaiduyunSpider https://github.com/k1995/BaiduyunSpider 百度云盘爬虫。 （21）社交数据爬虫 https://github.com/Qutan/Spider 支持微博,知乎,豆瓣。 （22）proxy pool https://github.com/Qutan/Spider Python爬虫代理IP池(proxy pool)。 （23）网易云音乐 https://github.com/RitterHou/music-163 爬取网易云音乐所有歌曲的评论。 （24）CnblogsSpider https://github.com/jackgitgz/CnblogsSpider cnblogs列表页爬虫。 （25）spider_smooc https://github.com/jackgitgz/CnblogsSpider 爬取慕课网视频。 （26）knowsecSpider https://github.com/littlethunder/knowsecSpider2 知道创宇爬虫题目。 （27）SinaSpider https://github.com/szcf-weiya/SinaSpider 动态IP解决新浪的反爬虫机制，快速抓取内容。 （28）csdn-spider https://github.com/Kevinsss/csdn-spider 爬取CSDN上的博客文章。 一、爬虫是什么？如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序。 从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用； 二、爬虫的基本流程用户获取网络数据的方式： 方式1：浏览器提交请求--->下载网页代码--->解析成页面 方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中 爬虫要做的就是方式2。  1、发起请求 使用http库向目标站点发起请求，即发送一个Request Request包含：请求头、请求体等 Request模块缺陷：不能执行JS 和CSS 代码 2、获取相应内容 如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等 3、解析内容 解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等 解析json数据：json模块 解析二进制数据:以wb的方式写入文件 4、保存数据 数据库（MySQL，Mongdb、Redis） 文件 三、http协议 请求与响应 Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。 四、 request1、请求方式： 常见的请求方式：GET / POST 2、请求的URL url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定 url编码
图片会被编码（看示例代码） 网页的加载过程是： 加载一个网页，通常都是先加载document文档， 在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求 3、请求头 User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host； cookies：cookie用来保存登录信息 注意：一般做爬虫都会加上请求头    请求头需要注意的参数： （1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟） （2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序） （3）cookie：请求头注意携带 4、请求体 请求体如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到）如果是post方式，请求体是format dataps：1、登录窗口，文件上传等，信息都会被附加到请求体内2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post五、 响应Response1、响应状态码 200：代表成功 301：代表跳转 404：文件不存在 403：无权限访问 502：服务器错误 2、respone header 响应头需要注意的参数： （1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来 （2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面 3、preview就是网页源代码 JSON数据 如网页html，图片 二进制数据等 六、总结1、总结爬虫流程： 爬取--->解析--->存储 2、爬虫所需工具： 请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；） 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis 看完的点个赞关注一下呗，谢谢大家了，以下是我的文章总的目录纲领，里面收录了许多关于python学习方面的文章，包括但不限于：python的学习方法、零基础入门、爬虫、开源框架、数据库、开发工具、一些实用技巧还有面试题等等，总会有你感兴趣的，嘿嘿** 好啦我们今天就说到这里哈，有需要更多资料的小伙伴可以私信小编“学习”来获取哈 |
|
|
