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、 request
1、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
https://www.baidu.com/s?wd=图片
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Response
1、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**