认识网页结构

网页一般由三部分组成，分别是 HTML（超文本标记语言）、CSS（层叠样式表）和 （活动脚本语言）。

HTML

HTML 是整个网页的结构，相当于整个网站的框架。带“＜”、“＞”符号的都是属于 HTML 的标签，并且标签都是成对出现的。

常见的标签如下：

.. 表示标记中间的元素是网页
.. 表示用户可见的内容
..
 表示框架
..
 表示段落
..
表示列表
..表示图片
..
表示标题
..表示超链接

CSS

CSS 表示样式，图 1 中第 13 行＜style type=＂text/css＂＞表示下面引用一个 CSS，在 CSS 中定义了外观。

表示功能。交互的内容和各种特效都在 中， 描述了网站中的各种功能。

如果用人体来比喻，HTML 是人的骨架，并且定义了人的嘴巴、眼睛、耳朵等要长在哪里。CSS 是人的外观细节，如嘴巴长什么样子，眼睛是双眼皮还是单眼皮，是大眼睛还是小眼睛，皮肤是黑色的还是白色的等。 表示人的技能，例如跳舞、唱歌或者演奏乐器等。

写一个简单的 HTML

通过编写和修改 HTML，可以更好地理解 HTML。首先打开一个记事本，然后输入下面的内容：

    


    

        
Python 3爬虫与数据清洗入门与实战
    
    

        

            
爬虫
            
数据清洗
        
    

输入代码后，保存记事本，然后修改文件名和后缀名为”HTML.html”；

运行该文件后的效果，如图 2 所示。

图 2

这段代码只是用到了 HTML，读者可以自行修改代码中的中文，然后观察其变化。

关于爬虫的合法性

几乎每一个网站都有一个名为 .txt 的文档，当然也有部分网站没有设定 .txt。对于没有设定 .txt 的网站可以通过网络爬虫获取没有口令加密的数据，也就是该网站所有页面数据都可以爬取。如果网站有 .txt 文档，就要判断是否有禁止访客获取的数据。

以淘宝网为例，在浏览器中访问，如图 3 所示。

图 3 淘宝网的.txt文件内容

淘宝网允许部分爬虫访问它的部分路径，而对于没有得到允许的用户，则全部禁止爬取，代码如下：

User-Agent:*

:/

这一句代码的意思是除前面指定的爬虫外，不允许其他爬虫爬取任何数据。

使用 库请求网站 安装 库

首先在 中安装 库，为此打开 ，单击“File”（文件）菜单，选择“ for New …”命令，如图 4 所示。

图 4

选择“ ”（项目编译器）命令，确认当前选择的编译器，然后单击右上角的加号，如图 5 所示。

图 5

在搜索框输入：（注意，一定要输入完整，不然容易出错），然后单击左下角的“ ”（安装库）按钮。如图 6 所示：

图 6

安装完成后，会在 上显示“‘’ ”（库的请求已成功安装），如图 7 所示；如果安装不成功将会显示提示信息。

图 7 安装成功

爬虫的基本原理

网页请求的过程分为两个环节：

（请求）：每一个展示在用户面前的网页都必须经过这一步，也就是向服务器发送访问请求。

（响应）：服务器在接收到用户的请求后，会验证请求的有效性，然后向用户（客户端）发送响应的内容，客户端接收服务器响应的内容，将内容展示出来，就是我们所熟悉的网页请求，如图 8 所示。

图 8 相应

网页请求的方式也分为两种：

GET：最常见的方式，一般用于获取或者查询资源信息，也是大多数网站使用的方式，响应速度快。

POST：相比 GET 方式，多了以表单形式上传参数的功能，因此除查询信息外，还可以修改信息。

所以，在写爬虫前要先确定向谁发送请求，用什么方式发送。

使用 GET 方式抓取数据

复制任意一条首页首条新闻的标题，在源码页面按【Ctrl+F】组合键调出搜索框，将标题粘贴在搜索框中，然后按【Enter】键。

如图 8 所示，标题可以在源码中搜索到，请求对象是，请求方式是GET（所有在源码中的数据请求方式都是GET），如图 9 所示。

图 9（点此查看高清大图）

确定好请求对象和方式后，在 中输入以下代码：

#导入包

url = ‘#39;

= .get(url) #Get方式获取网页数据

print(.text)

运行结果如图 10 所示：

图 10 运行结果效果图（点此查看高清大图）

加载库使用的语句是 +库的名字。在上述过程中，加载 库的语句是： 。

用 GET 方式获取数据需要调用 库中的 get 方法，使用方法是在 后输入英文点号，如下所示：

.get

将获取到的数据存到 变量中，代码如下：

= .get(url)

这个时候 是一个 URL 对象，它代表整个网页，但此时只需要网页中的源码，下面的语句表示网页源码：

.text

使用 POST 方式抓取数据

首先输入有道翻译的网址：，进入有道翻译页面。

按快捷键 F12，进入开发者模式，单击 ，此时内容为空，如图 11 所示：

图 11

在有道翻译中输入“我爱中国”，单击“翻译”按钮，如图 12 所示：

图 12

在开发者模式中，依次单击“”按钮和“XHR”按钮，找到翻译数据，如图 13 所示：

图 13

单击 ，发现请求数据的方式为 POST。如图 14 所示：

图 14

找到数据所在之处并且明确请求方式之后，接下来开始撰写爬虫。

首先，将 中的 URL 复制出来，并赋值给 url，代码如下：

url = ‘#39;

POST 的请求获取数据的方式不同于 GET，POST 请求数据必须构建请求头才可以。

Form Data 中的请求参数如图 15 所示：

图 15

将其复制并构建一个新字典：

={‘i’:’我愛中國’,’from’:’zh-CHS’,’to’:’en’,”:’dict’,”:”,’salt’:’258′,’sign’:”,’ts’:’25’,’bv’:”,”:’json’,”:’2.1′,”:’fanyi.web’,”:”,”:’false’}

接下来使用 .post 方法请求表单数据，代码如下：

#导入包

= .post(url,data=)

将字符串格式的数据转换成 JSON 格式数据，并根据数据结构，提取数据，并将翻译结果打印出来，代码如下：

import json
content = json.loads(response.text)
print(content['translateResult'][0][0]['tgt'])

使用 .post 方法抓取有道翻译结果的完整代码如下：

import requests        #导入requests包
import json
def get_translate_date(word=None):
url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
From_data={'i':word,'from':'zh-CHS','to':'en','smartresult':'dict','client':'fanyideskweb','salt':'15477056211258','sign':'b3589f32c38bc9e3876a570b8a992604','ts':'1547705621125','bv':'b33a2f3f9d09bde064c9275bcb33d94e','doctype':'json','version':'2.1','keyfrom':'fanyi.web','action':'FY_BY_REALTIME','typoResult':'false'}
#请求表单数据
response = requests.post(url,data=From_data)
#将Json格式字符串转字典
content = json.loads(response.text)
print(content)
#打印翻译后的数据
#print(content['translateResult'][0][0]['tgt'])
if __name__=='__main__':
get_translate_date('我爱中国')

使用 Soup 解析网页

通过 库已经可以抓到网页源码，接下来要从源码中找到并提取数据。 Soup 是 的一个库，其最主要的功能是从网页中抓取数据。 Soup 目前已经被移植到 bs4 库中，也就是说在导入 Soup 时需要先安装 bs4 库。

安装 bs4 库的方式如图 16 所示:

图 16

安装好 bs4 库以后，还需安装 lxml 库。如果我们不安装 lxml 库，就会使用 默认的解析器。尽管 Soup 既支持 标准库中的 HTML 解析器又支持一些第三方解析器，但是 lxml 库具有功能更加强大、速度更快的特点，因此笔者推荐安装 lxml 库。

安装 第三方库后，输入下面的代码，即可开启 Soup 之旅：

import requests #导入requests包
from bs4 import BeautifulSoup
url='http://www.cntour.cn/'
strhtml=requests.get(url)
soup=BeautifulSoup(strhtml.text,'lxml')
data = soup.select('#main>div>div.mtop.firstMod.clearfix>div.centerBox>ul.newsList>li>a')
print(data)

代码运行结果如图 17 所示。

图 17（点此查看高清大图）

Soup 库能够轻松解析网页信息，它被集成在 bs4 库中，需要时可以从 bs4 库中调用。其表达语句如下：

from bs4

首先，HTML 文档将被转换成 编码格式，然后 Soup 选择最合适的解析器来解析这段文档，此处指定 lxml 解析器进行解析。解析后便将复杂的 HTML 文档转换成树形结构，并且每个节点都是 对象。这里将解析后的文档存储到新建的变量 soup 中，代码如下：

soup=(.text,’lxml’)

接下来用 （选择器）定位数据，定位数据时需要使用浏览器的开发者模式，将鼠标光标停留在对应的数据位置并右击，然后在快捷菜单中选择“检查”命令，如图 18 所示：

图 18

随后在浏览器右侧会弹出开发者界面，右侧高亮的代码（参见图 19(b)）对应着左侧高亮的数据文本（参见图 19(a)）。右击右侧高亮数据，在弹出的快捷菜单中选择“Copy”➔“Copy ”命令，便可以自动复制路径。

图 19 复制路径

将路径粘贴在文档中，代码如下:

#main > div > div.mtop.. > div. > ul. > li:nth-child(1) > a

由于这条路径是选中的第一条的路径，而我们需要获取所有的头条新闻，因此将 li：nth-child（1）中冒号（包含冒号）后面的部分删掉，代码如下：

#main > div > div.mtop.. > div. > ul. > li > a

使用 soup. 引用这个路径，代码如下：

data = soup.(‘#main > div > div.mtop.. > div. > ul. > li > a’)

清洗和组织数据

至此，获得了一段目标的 HTML 代码，但还没有把数据提取出来，接下来在 中输入以下代码：

for item in data:
result={
'title':item.get_text(),
'link':item.get('href')
}
print(result)

代码运行结果如图 20 所示：

图 20（点此查看高清大图）

首先明确要提取的数据是标题和链接，标题在＜a＞标签中，提取标签的正文用 () 方法。链接在＜a＞标签的 href 属性中，提取标签中的 href 属性用 get() 方法，在括号中指定要提取的属性数据，即 get(＇href＇)。

从图 20 中可以发现，文章的链接中有一个数字 ID。下面用正则表达式提取这个 ID。需要使用的正则符号如下:

d匹配数字

+匹配前一个字符1次或多次

在 中调用正则表达式时使用 re 库，这个库不用安装，可以直接调用。在 中输入以下代码:

import re
for item in data:
result={
"title":item.get_text(),
"link":item.get('href'),
'ID':re.findall('d+',item.get('href'))
}
print(result)

运行结果如图 21 所示：

图 21

这里使用 re 库的 方法，第一个参数表示正则表达式，第二个参数表示要提取的文本。

爬虫攻防战

爬虫是模拟人的浏览访问行为，进行数据的批量抓取。当抓取的数据量逐渐增大时，会给被访问的服务器造成很大的压力，甚至有可能崩溃。换句话就是说，服务器是不喜欢有人抓取自己的数据的。那么，网站方面就会针对这些爬虫者，采取一些反爬策略。

服务器第一种识别爬虫的方式就是通过检查连接的 来识别到底是浏览器访问，还是代码访问的。如果是代码访问的话，访问量增大时，服务器会直接封掉来访 IP。

那么应对这种初级的反爬机制，我们应该采取何种举措？

还是以前面创建好的爬虫为例。在进行访问时，我们在开发者环境下不仅可以找到 URL、Form Data，还可以在 中构造浏览器的请求头，封装自己。服务器识别浏览器访问的方法就是判断 是否为 下的 User-Agent，如图 22 所示。

图 22

因此，我们只需要构造这个请求头的参数。创建请求头部信息即可，代码如下：

={‘User-Agent’:’/5.0 ( NT 10.0; Win64; x64) /537.36 (KHTML, like Gecko) /70.0.3538.110 /537.36′}

= .get(url,=)

写到这里，很多读者会认为修改 User-Agent 很太简单。确实很简单，但是正常人1秒看一个图，而个爬虫1秒可以抓取好多张图，比如 1 秒抓取上百张图，那么服务器的压力必然会增大。也就是说，如果在一个 IP 下批量访问下载图片，这个行为不符合正常人类的行为，肯定要被封 IP。

其原理也很简单，就是统计每个IP的访问频率，该频率超过阈值，就会返回一个验证码，如果真的是用户访问的话，用户就会填写，然后继续访问，如果是代码访问的话，就会被封 IP。

这个问题的解决方案有两个，第一个就是常用的增设延时，每 3 秒钟抓取一次，代码如下：

time

time.sleep(3)

但是，我们写爬虫的目的是为了高效批量抓取数据，这里设置 3 秒钟抓取一次，效率未免太低。其实，还有一个更重要的解决办法，那就是从本质上解决问题。

不管如何访问，服务器的目的就是查出哪些为代码访问，然后封锁 IP。解决办法：为避免被封 IP，在数据采集时经常会使用代理。当然， 也有相应的 属性。

首先，构建自己的代理 IP 池，将其以字典的形式赋值给 ，然后传输给 ，代码如下：

proxies={
"http":"http://10.10.1.10:3128",
"https":"http://10.10.1.10:1080",
}
response = requests.get(url, proxies=proxies)

如果本文对你有帮助，别忘记给我个3连 ，点赞，转发，评论，

关注与私信博主（222）学习更多知识与技巧，课件，源码，安装包，还有最新大厂面试资料等等等

咱们下期见。