标题无意冒犯，就是觉得这个广告挺好玩的
上面这张思维导图喜欢就拿走，反正我也学不了这么多
前言
前期回顾：
我要偷偷学Python（第八天）
上一篇呢，上一篇我们了解了一下网页的基本结构，并且通过对网页的分析抓取了一点数据出来。
但是我们就这么满足了吗？这显然是不可能的，你见过哪个爬虫就爬几个字嘛。
所以今天，我们来一次性爬上一大波数据！！！
我行，你也行！！！
插播一条推送：（如果是小白的话，可以看一下下面这一段）
欢迎来到我们的圈子
我建了一个Python学习答疑群，有兴趣的朋友可以了解一下：
这是个什么群
群里已经有四百多个小伙伴了哦！！！
直通群的传送门：
传送门
本系列文默认各位有一定的C或C++基础，因为我是学了点C++的皮毛之后入手的Python，这里也要感谢齐锋学长送来的支持。
本系列文默认各位会百度，学习‘模块’这个模块的话，还是建议大家有自己的编辑器和编译器的，上一篇已经给大家做了推荐啦？
我要的不多，点个关注就好啦
然后呢，本系列的目录嘛，说实话我个人比较倾向于那两本 Primer Plus，所以就跟着它们的目录结构吧。
本系列也会着重培养各位的自主动手能力，毕竟我不可能把所有知识点都给你讲到，所以自己解决需求的能力就尤为重要，所以我在文中埋得坑请不要把它们看成坑，那是我留给你们的锻炼机会，请各显神通，自行解决。
哎，怪我孤陋寡闻，实在找不到适合我们这个阶段的网站，我的爬虫又不断地让人捏死，只好借鉴别人的栗子了。。。
开手练习：爬取网上书店
目标网址：http://books.toscrape.com/
任务：爬取目标网址中的分类目录：
干！
有没有思路？没思路看我讲。
第一步：找到最小公共父标签
这个会找吧：
第一步，点亮匹配按钮（以后我就叫它匹配按钮了）
第二步，把鼠标放到要选的区域，注意，要颜色完全覆盖住你要选的区域，覆盖不住调整鼠标位置。
第三步，左击鼠标，定位代码。
第四步，再看一眼那行标签是不是最小且公共的了，有虚线，可以看到那行标签管到哪一层。
其实你再认真找一下，就会发现我们上面图中标出的区域并不是最小的，最小的是那个< ul >。
第二步：找到单个目标所在标签
第二步怎么走啊？第一步可以理解吧，第一步做完事要为“find_all”服务的，一篮子全捞出来，那第二步自然是要一个一个拣出来嘛，为“find”服务。
那具体怎么做就不用我再说了吧，参照上一步。
来我带你打开一个标签看一下：
看到没，层次分明。
第三步：代码与自动化
第三步自然就要把目标值取出来了嘛，我们顺便把网址也取了吧。
import requests
from bs4 import BeautifulSoup
res = requests.get('http://books.toscrape.com/')
soup = BeautifulSoup(res.text,'html.parser')
items = soup.
find('ul',class_ = 'nav nav-list').find('ul').find_all('li')
for item in items:
kind = item.find('a')
print('分类'+kind.text.strip()+'\n网址'+kind['href']+'\n')
这样打出来你会发现那根本不是一个完整的网址，这要怎么办呢？
第四步：填充网址
其实你打开一个目录，就会发现它的网址长这样：（这里我打开的是第一个目录）
http://books.toscrape.com/catalogue/category/books/travel_2/index.html
这有什么特点呢？咱把它分开：
http://books.toscrape.com/
catalogue/category/books/travel_2/index.html
好，现在再问你看到了什么？
这两部分是不是都能找到出处！！
好，现在我们微调一下上面的代码：
import requests
from bs4 import BeautifulSoup
url = 'http://books.toscrape.com/'
res = requests.get(url)
soup = BeautifulSoup(res.text,'html.parser')
items = soup.find('ul',class_ = 'nav nav-list').find('ul').find_all('li')
for item in items:
kind = item.find('a')
print('分类：'+kind.text.strip()+'\n网址：'+url+kind['href']+'\n')
第一题到此告一段落、
小爬虫扑空啦
学完这些之后，我就想着去爬我的CSDN评论了。不过一顿操作下来：
目标网址：https://lion-wu.blog.csdn.net/article/details/108858689
标题：MySQL见闻录 – 入门之旅
目标：评论区
gogogo！！！
好，定位代码段：
好，层层爬取（演示效果，不然我才不一层一层拨开）：
好，结果显示为空。
可以去打印出爬下来的网页源代码：res，然后翻一翻，你会惊奇的发现，评论部分被隐藏了！！！
那怎么办呢？接下来那就进入我们今天的第一个知识点了–json串。
json串
依旧是别人的栗子，我来讲给大家懂。
网页源代码里没有我们想要的数据，那它究竟藏到了哪里呢？
想找到答案，需要用到一项新技能——翻找Network！
还记得我一开始就叫大家用谷歌浏览器吗？现在就体现出优势了。
Network
首先，打开一个界面，这里我选择了志炫的歌单，我比较喜欢他的歌。
小白请跟我来，因为你并不知道哪些网页是用json 传输什么数据的，所以练习的时候不要自己乱找网页。
https://y.qq.com/portal/search.html#page=1&searchid=1&remoteplace=txt.yqq.top&t=song&w=%E6%9E%97%E5%BF%97%E7%82%AB
这个界面应该会打开吧，怕大家看不到，我特地多圈了几圈，兄弟们，点它、
好，然而并没有发生什么。
那不急，我们重新加载一下这个歌单界面，找到空白处，右击，重新加载。
这时候你会看到这么一个界面。
你用别的浏览器试试，会是什么效果。我用火狐试过，找是可以找，一片乱码而已。
Network的功能是：记录在当前页面上发生的所有请求。现在看上去好像空空如也的样子，这是因为Network记录的是实时网络请求。现在网页都已经加载完成，所以不会有东西。
我们点击一下刷新，浏览器会重新访问网络，这样就会有记录。
好，走到这里了，我觉得我有必要介绍一下这个页面上几个比较重要的东西。
重要图标介绍
从左往右看啊，红色的圆钮是启用Network监控（默认高亮打开），灰色圆圈是清空面板上的信息。右侧勾选框Preserve log（放大镜旁边那个），它的作用是“保留请求日志”。如果不点击这个，当发生页面跳转的时候，记录就会被清空。所以，我们在爬取一些会发生跳转的网页时，会点亮它。
再往右是对请求进行分类查看。我们最常用的是：ALL（查看全部）/XHR（仅查看XHR）
哎，不废话了，上操作流程吧。
操作流程
首先，我们要找的东西是文本嘛，那怎么办呢？直接点XHR就好了。
好，现在这么多东西了，我就直接跟你说要的东西就在这里面，你要怎么找？一个一个点开吗？你会发现很多都是传一些边角料，再然后，你会发现那些边角料都比目标文案要小很多，所以就直接找size最大的那个点进去就好。
咱也不绕弯子了，进去之后直接点Preview
。
好，Preview点进去之后自己玩一玩，看看里面都是些啥。
看完之后，回来，跟我点开旁边的Headers。
好，看到了什么？一个网址是吧，复制它，打开它，是不是和Preview里面的一模一样，只是排版乱了些。
我就不贴了啊，密集恐惧症就别点开了。
这说明什么？这说明我们要爬的网址其实是这个。
注：如果这个网址打不开，那就不用爬了，人家并不想让你爬。
那么，对于这份XHR来说：这个XHR是一个字典，键data对应的值也是一个字典；在该字典里，键song对应的值也是一个字典；在该字典里，键list对应的值是一个列表；在该列表里，一共有20个元素；每一个元素都是一个字典；在每个字典里，键name的值，对应的是歌曲名。
会不会乱？我觉得不会啊，除非你没有一步一步实操跟进。
讲到这里还没有讲到 json串 啊，你先把这个网页爬出来，打印出来看看，是一个又有点像字典，又有点像字符串的玩意儿。
这玩意儿就是json串了。
json
why json?
答案很简单，因为不是所有的编程语言都能读懂Python里的数据类型（如，列表/字典），但是所有的编程语言，都支持文本（比如在Python中，用字符串这种数据类型来表示文本）这种最朴素的数据类型。
如此，json数据才能实现，跨平台，跨语言工作。
而json和XHR之间的关系：XHR用于传输数据，它能传输很多种数据，json是被传输的一种数据格式。就是这样而已。
我们总是可以将json格式的数据，转换成正常的列表/字典，也可以将列表/字典，转换成json。
how json?
方法很简单，请求到数据之后，使用json()方法即可成功读取。接下来的操作，就和列表/字典相一致。
import requests
res_music = requests.get('https://c.y.qq.com/soso/fcgi-bin/client_search_cp?ct=24&qqmusic_ver=1298&new_json=1&remoteplace=txt.yqq.song&searchid=67818388354301120&t=0&aggr=1&cr=1&catZhida=1&lossless=0&flag_qc=0&p=1&n=10&w=%E6%9E%97%E5%BF%97%E7%82%AB&g_tk_new_20200303=5381&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8¬ice=0&platform=yqq.json&needNewCode=0')
json_music = res_music.json()
print(json_music)
所以接下来怎么办呢？
import requests
res_music = requests.get('https://c.y.qq.com/soso/fcgi-bin/client_search_cp?ct=24&qqmusic_ver=1298&new_json=1&remoteplace=txt.yqq.song&searchid=67818388354301120&t=0&aggr=1&cr=1&catZhida=1&lossless=0&flag_qc=0&p=1&n=10&w=%E6%9E%97%E5%BF%97%E7%82%AB&g_tk_new_20200303=5381&g_tk=5381&loginUin=0&hostUin=0&format=json&inCharset=utf8&outCharset=utf-8¬ice=0&platform=yqq.json&needNewCode=0')
json_music = res_music.json()
list_music = json_music['data']['song']['list']
for music in list_music:
print(music['name'])
print
('所属专辑：'+music['album']['name'])
print('播放时长：'+str(music['interval'])+'秒')
print('播放链接：https://y.qq.com/n/yqq/song/'+music['mid']+'.html\n\n')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
小爬虫又来啦
这回，通过我们的一顿操作猛如虎，可算是找对了网址啊：
https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=1&size=10&commentId=
这是第一页的评论网址。
好极，我们开始吧。
import requests
res = requests.get('https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=1&size=10&commentId=')
print(res.status_code)
print(res.text)
好极，就试了下水就让人给怼回来了。。。
莫非今天还真爬不过去了？
不知道，再说吧。。
易容术：请求头Request Headers
服务器可能会对我们这些“投机取巧”的爬虫做限制处理。一来可以降低服务器的访问压力，毕竟成千上万次的访问对代码来说就是一个for循环的事儿；二来可以拦截那些想要通过爬虫窃取数据的竞争者。
那这就有一个问题，服务器怎么判断访问者是一个普通的用户（通过浏览器），还是一个爬虫者（通过代码）呢？
这需要我们回到浏览器中，重新认识一个新的信息栏：请求头Request Headers。
什么是Request Headers
看下面这张图
每一个请求，都会有一个Request Headers，我们把它称作请求头。它里面会有一些关于该请求的基本信息，比如：这个请求是从什么设备什么浏览器上发出？这个请求是从哪个页面跳转而来？
如上图，user-agent（中文：用户代理）会记录你电脑的信息和浏览器版本，如果我们想告知服务器，我们不是爬虫，而是一个正常的浏览器。就要去修改user-agent。倘若不修改，那么这里的默认值就会是Python，会被服务器认出来。
origin（中文：源头）和referer（中文：引用来源）则记录了这个请求，最初的起源是来自哪个页面。它们的区别是referer会比origin携带的信息更多些。
对于爬取某些特定信息，也要求你注明请求的来源，即origin或referer的内容。
如何添加Request Headers
import requests
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=1&size=10&commentId='
headers = {
'origin':'https://lion-wu.blog.csdn.net',
'referer':'https://lion-wu.blog.csdn.net/article/details/108858689',
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
}
res = requests.get(url,headers=headers)
好极，干！！！
进击吧！小爬虫
这次，我给小爬虫进行了一波易容，可能是它长得不符合服务器的审美吧，所以次次碰壁，这次易容之后，不知道有没有长到服务器的审美上去呢？让我们拭目以待吧！！！
import requests
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=1&size=10&commentId='
headers = {
'origin':'https://lion-wu.blog.csdn.net',
'referer':'https://lion-wu.blog.csdn.net/article/details/108858689',
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
}
res = requests.get(url,headers=headers)
print(res.status_code)
print(res.text)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
bash:129$ python ~/classroom/apps-2-id-5c3d89848939b4000100e7f5/129/main.py
200
{"code":200,"message":"success","data":{"count":60,"pageCount":6,"floorCount":59,"list":[{"info":{"commentId":13646053,"articleId":108858689,"parentId":0,"postTime":"2020-10-30 11:03:45","content":"删除多张表：自己想 O(∩_∩)O~","userName":"qq_43055855","digg":2,"diggArr":[],"parentUserName":null,"parentNickName":null,"avatar":"https://profile.csdnimg.cn/C/B/3/3_qq_43055855","nickName":"海海不掉头发","dateFormat":"6天前","tag":"码皇","parentTag":null,"years":null,"vip":null,"vipIcon":null,"companyBlog":null,"companyBlogIcon":null,"flag":null,"flagIcon":null,"levelIcon":null},"sub":
我就截取一点吧，太大了，可以看出来截下来了就好。
别说了，也可以自己去解析一下，这个以我们之前学的解不了。后面我解给你看。
小爬虫被骗啦
当服务器遇上了整容过后的小爬虫，终于“门户大开”，大方的给了一页的数据，一页的数据，一页。。。
但是我要的是全部啊，你就给我一页就想打发我？打发叫花子呢？
那怎么办呢？这个死渣男，小气得很呐，看来又要我们自己动脑筋咯。
带参请求数据
还记得我们最开始是怎么找到评论区的包吗？对，我没说，我是先将页面清空，然后请求访问了第二个页面，这时候就出现了一个新包，用脚指头想都知道那就是第二个页面的包，不过我还是想用第一个页面，于是我就切回去了。
那我们再想想，这些数据我们是在哪里找到的？我不希望看到你们说Preview啊，想清楚啊，想这样说的朋友，给你们一次重新组织语言的机会。
对，明明就是在Headers的General的url里面找到的嘛，Preview怎么爬？对吧。
本来不想多废话，但是我喜欢分析url，所以就多说两句呗。
第一个页面的URL：https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=1&size=10&commentId=
第二个页面的URL：https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=2&size=10&commentId=
第三个页面的URL：https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page=3&size=10&commentId=
一目了然了吧，不用我再多放了。
import requests
from bs4 import BeautifulSoup
import json
headers = {
'origin':'https://lion-wu.blog.csdn.net',
'referer':'https://lion-wu.blog.csdn.net/article/details/108858689',
'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
}
for i in range(5):
res = requests.get('https://blog.csdn.net/phoenix/web/v1/comment/list/108858689?page='+str(i)+'&size=10&commentId=',headers=headers)
print(res.status_code)
soup = BeautifulSoup(res.text,'html.parser')
json_items = json.loads(soup.text)
items = json_items['data']['list']
for item in items:
print(item['info']['content'])
print('\n'+'----------'+'\n')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
强行灌输知识点
有时候呢，你会发现你抓取的几个页面不过是在重复（强行灌输知识点）
那就灌一下吧。
我也不知道什么是就要用上，反正先写上。
所以，其实我们可以把Query String Parameters里的内容，直接复制下来，封装为一个字典，传递给params。只是有一点要特别注意：要给他们打引号，让它们变字符串。
所以，代码最后可能长这样：
伪代码
import requests
url = 'https://blog.csdn.net/phoenix/web/v1/comment/list/108858689'
for i in range(5):
'params' = {
'page': str(i)
'size': '10'
'commentId':
}
res_comments = requests.get(url,params=params,头)
好极，好极，这篇就到这里啦，爽呐。
下一篇会比较轻松一些，这篇信息量有点大啊。
