Python クローラーを 1 つの記事で理解する-Python チュートリアル-php.cn

この記事では、Python に関する関連知識を紹介します。主にクローラーに関する関連知識を紹介します。クローラーとは、簡単に言うと、プログラムを使用してインターネット上のデータを取得するプロセスの名前です。一緒に見てみましょう。できれば幸いです。それはみんなを助けます。

Python クローラーを 1 つの記事で理解する

クローラーとは何ですか?

クローラーとは、プログラムを使用してインターネット上のデータを取得するプロセスの単なる名前です。

クローラーの原理

ネットワーク上のデータを取得したい場合は、クローラーに Web サイトのアドレス (通常、プログラム内では URL と呼ばれます) を与える必要があり、クローラーは HTTP リクエストを次のアドレスに送信します。ターゲット Web ページのサーバーにアクセスし、サーバーはクライアント (つまりクローラ) にデータを返します。その後、クローラはデータの解析や保存などの一連の操作を実行します。

プロセス

クローラーを使用すると時間を節約できます。たとえば、トップ 250 の Douban 映画を取得したい場合、クローラーを使用しない場合は、まず Douban 映画の URL を入力する必要があります。クライアント (ブラウザ) は分析によって Douban Movie Web ページのサーバーの IP アドレスを見つけて接続を確立し、ブラウザは HTTP リクエストを作成して Douban Movie サーバーに送信します。サーバーはリクエストを受信すると、データベースから Top250 リストを抽出し、それを HTTP レスポンスにカプセル化し、そのレスポンス結果をブラウザに返します。ブラウザはレスポンスの内容を表示し、データを確認します。私たちのクローラもこのプロセスに基づいていますが、コード形式に変更されています。

HTTP リクエスト

HTTP リクエストは、リクエスト行、リクエストヘッダー、空行、リクエストボディで構成されます。

リクエスト行は 3 つの部分で構成されます:

1. リクエストメソッド。一般的なリクエストメソッドは GET、POST、PUT、DELETE、HEAD
2. クライアントが取得したいリソースパス
3. クライアントが使用する HTTP プロトコルのバージョン番号です
リクエストヘッダーは、クライアントからサーバーに送信されるリクエストの補足的な説明です。訪問者の身元。これについては後述します。

リクエスト本文は、ユーザーがログインするときに改善する必要があるアカウントやパスワード情報など、クライアントによってサーバーに送信されるデータです。リクエストヘッダーとリクエストボディは空行で区切られます。リクエストボディはすべてのリクエストに含まれるわけではなく、たとえば一般的な GET にはリクエストボディがありません。

上の図は、ブラウザが Douban にログインするときにサーバーに送信される HTTP POST リクエストです。リクエスト本文にはユーザー名とパスワードが指定されています。

HTTP 応答

HTTP 応答の形式は要求形式と非常によく似ており、応答行、応答ヘッダー、空行、および応答本文で構成されます。

応答行には、サーバーの HTTP バージョン番号、応答ステータスコード、ステータスの説明という 3 つの部分も含まれています。

ここには、各ステータスコードの意味に対応するステータスコードの表があります

## パート2 それは応答ヘッダーです。応答ヘッダーはリクエストヘッダーに対応します。応答内容の形式は何か、応答内容の長さ、いつ返されるかなど、サーバーから応答に対する追加の指示です。クライアントに送信され、一部の Cookie 情報も応答ヘッダーに配置されます。

3 番目の部分は応答本文であり、実際の応答データであり、これらのデータは実際には Web ページの HTML ソースコードです。

クローラコードの書き方

クローラは Python、C などの多くの言語を使用できますが、Python が最も簡単だと思います。既製のライブラリは、ほぼ完璧にカプセル化されています。

C にも既製のライブラリがありますが、そのクローラーはまだ比較的ニッチです。唯一のライブラリは十分に単純ではなく、コードはさまざまなコンパイラ上にあります。同じコンパイラであっても、異なるバージョンのコンパイラ間の互換性は強くないため、特に使いやすいとは言えません。そこで今日は主にPythonクローラーを紹介します。

インストールリクエストライブラリ

cmd 実行: pip install リクエストを実行してリクエストをインストールします。

次に、IDLE またはコンパイラ (個人的には VS Code または Pycharm をお勧めします) に

import リクエストを入力して実行します。エラーが報告されなければ、インストールは成功です。

ほとんどのライブラリをインストールする方法は次のとおりです: pip install xxx (ライブラリの名前)

リクエストのメソッド

##requests.request() リクエストを作成し、各メソッドの基本メソッドをサポートします#requests.get() requests.head()## に対応します。 requests.post() To HTTP の POSTrequests.put() に対応する、HTML Web ページに POST リクエストを送信するメソッド HTML に PUT リクエストを送信するメソッドHTTP の PUT に対応する Web ページ requests.patch( ) HTTP の PATCTHTTP の DELETE に対応する、HTML Web ページに削除リクエストを送信します。最も一般的なのは、使用された get メソッドr =requests .get(url)


HTML Web ページを取得する主なメソッド。HTTP の GET
#HTTP HEAD に対応する HTML Web ページのヘッダー情報を取得するメソッド


## に対応する、HTML Web ページへの部分的な変更リクエストを送信します。	#requests.delete()

2 つの重要なオブジェクトが含まれています:

サーバーからリソースを要求する Request オブジェクトを構築し、次の内容を含む Response オブジェクトを返します。サーバーリソース

#r.status_code

# HTTP リクエストの戻りステータス。200 は接続の成功を示し、404 は失敗を示しますに対応するページコンテンツrequests.ConnectionError

#r.text	HTTP 応答コンテンツの文字列形式、つまり URL
r.encoding	HTTP ヘッダーから推測される応答コンテンツのエンコード方式 (ヘッダーの文字セットが存在しない場合、エンコードは ISO-8859-1 とみなされます)
r.apparent_encoding	コンテンツから分析された応答コンテンツのエンコード方式 (代替エンコード方式)
r.content	HTTP 応答コンテンツのバイナリ形式

DNS クエリの失敗、接続の拒否などのネットワーク接続エラー例外#requests.URLRequiredURL が欠落している例外#requests.TooManyRedirectsrequests.ConnectTimeout #requests.Timeout リクエスト URL がタイムアウトになり、タイムアウト例外が発生しますクローラの小さなデモ

requests.HTTPError	HTTP エラー例外

リダイレクトの最大数を超え、リダイレクト例外が生成されます
タイムアウト例外リモートサーバーに接続するとき

requests は最も基本的なクローラライブラリですが、簡単な翻訳を行うことができます	最初に、私が作成した小さなクローラプロジェクトのプロジェクト構造を置きます。ソースコードは私とのプライベートチャットでダウンロードできます。

以下は、翻訳部分のソースコードです。

import requests
def English_Chinese():
	url = "https://fanyi.baidu.com/sug"
	s = input("请输入要翻译的词(中/英):")
	dat = {
		"kw":s
		}
	resp = requests.post(url,data = dat)# 发送post请求
	ch = resp.json() # 将服务器返回的内容直接处理成json => dict
	resp.close()
	dic_lenth = len(ch['data'])
	for i in range(dic_lenth):
		print("词:"+ch['data'][i]['k']+" "+"单词意思:"+ch['data'][i]['v'])

ログイン後にコピー

コードの詳細な説明:

リクエストモジュールをインポートし、URL を設定しますBaidu 翻訳 Web ページの URL にアクセスします。

次に、post メソッドを通じてリクエストを送信し、返された結果を dic (辞書) に入力します。今回はそれを出力してみたところ、次のようになっています。これ。

辞書内のリスト内の辞書は次のようになります。おそらく次のようになります。

{ xx:xx , xx:

[

{xx:xx} , {xx:xx} , {xx:xx} , {xx:xx}

]

}

私がマークした場所赤は必要な情報です。

青色でマークされたリストに n 個の辞書があると仮定すると、len() 関数を通じて n の値を取得でき、そして for ループを使用してトラバースして結果を取得できます。

dic_lenth = len(ch['data']
for i in range(dic_lenth):
    print("词:"+ch['data'][i]['k']+" "+"单词意思:"+ch['data'][i]['v'])

ログイン後にコピー

最後にわかりました、今日の共有はこれで終わりです、さようなら~

ねえ?一つ忘れていました。天気をクロールするコードをもう 1 つ教えてください。

# -*- coding:utf-8 -*-
import requests
import bs4


def get_web(url):
    header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36 Edg/91.0.864.59"}
    res = requests.get(url, headers=header, timeout=5)
    # print(res.encoding)
    content = res.text.encode('ISO-8859-1')
    return content


def parse_content(content):
    soup = bs4.BeautifulSoup(content, 'lxml')

    '''
    存放天气情况
    '''
    list_weather = []
    weather_list = soup.find_all('p', class_='wea')
    for i in weather_list:
        list_weather.append(i.text)

    '''
    存放日期
    '''
    list_day = []
    i = 0
    day_list = soup.find_all('h1')
    for each in day_list:
        if i <= 6:
            list_day.append(each.text.strip())
            i += 1
    # print(list_day)

    &#39;&#39;&#39;
    存放温度：最高温度和最低温度
    &#39;&#39;&#39;
    tem_list = soup.find_all(&#39;p&#39;, class_=&#39;tem&#39;)
    i = 0
    list_tem = []
    for each in tem_list:
        if i == 0:
            list_tem.append(each.i.text)
            i += 1
        elif i > 0:
            list_tem.append([each.span.text, each.i.text])
            i += 1
    # print(list_tem)

    '''
    存放风力
    '''
    list_wind = []
    wind_list = soup.find_all('p', class_='win')
    for each in wind_list:
        list_wind.append(each.i.text.strip())
    # print(list_wind)
    return list_day, list_weather, list_tem, list_wind


def get_content(url):
    content = get_web(url)
    day, weather, tem, wind = parse_content(content)
    item = 0
    for i in range(0, 7):
        if item == 0:
            print(day[i]+':\t')
            print(weather[i]+'\t')
            print("今日气温："+tem[i]+'\t')
            print("风力："+wind[i]+'\t')
            print('\n')
            item += 1
        elif item > 0:
            print(day[i]+':\t')
            print(weather[i] + '\t')
            print("最高气温："+tem[i][0]+'\t')
            print("最低气温："+tem[i][1] + '\t')
            print("风力："+wind[i]+'\t')
            print('\n')

ログイン後にコピー

【関連する推奨事項:

Python3 ビデオチュートリアル