锐客网

  1. 首页 > 生活百科 > it技术 > >

python爬虫库函数 python的爬虫库有哪些

IT技术爬虫

python爬虫---爬取LOL云顶之弈数据本来是想爬取之后作最佳羁绊组合推算，但是遇到知识点无法消化（知识图谱），所以暂时先不组合了，实力有限
库的安装
1.requests#爬取棋子数据
2.json#棋子数据为js动态，需使用json解析
3.BeautifulSoup
实战前先新建个lol文件夹作为工作目录 ， 并创建子目录data，用于存放数据 。
1.爬取数据，新建个py文件，用于爬取云顶数据，命名为data.py
1.1定义个req函数，方便读取 。//需设定编码格式，否则会出现乱码
def Re_data(url):
re = requests.get(url)
re.encoding = 'gbk'
data = https://www.04ip.com/post/json.loads(re.text)
return data['data']
1.2定义个Get函数，用于读取数据并使用保存函数进行保存数据 ， 保存格式为json 。
def Get_data():
# 获取数据并保存至data目录
base_url = ''
chess = Re_data(base_url'chess.js')
race = Re_data(base_url'race.js')
job = Re_data(base_url'job.js')
equip = Re_data(base_url'equip.js')
Save_data(chess,race,job,equip)
1.3定义save函数实现读取的数据进行文件保存，保存目录为工作目录下的data文件夹 。
def Save_data(t_chess,t_race,t_job,t_equip):
with open('./data/chess.json','w') as f:
json.dump(t_chess,f,indent='\t')
with open('./data/race.json','w') as f:
json.dump(t_race,f,indent='\t')
with open('./data/job.json','w') as f:
json.dump(t_job,f,indent='\t')
with open('./data/equip.json','w') as f:
json.dump(t_equip,f,indent='\t')
1.4定义主函数main跑起来
if __name__ == '__main__':
start = time.time()
Get_data()
print('运行时间：'str(time.time() - start)'秒')
至此，数据爬取完成 。
2.种族和职业进行组合 。
2.1未完成 //未完成，使用穷举方法进行组合会出现内存不够导致组合失败（for循环嵌套导致数组内存超限）
//待学习，使用知识图谱建立组合优选，可参考：
期间遇到的问题：
1.爬取棋子数据时为动态js加载，需通过json模块的loads方法获取
2.3层for循环嵌套数据量大，导致计算失败，需优化计算方法 。
Python编程基础之（五）Scrapy爬虫框架 经过前面四章的学习，我们已经可以使用Requests库、Beautiful Soup库和Re库 ， 编写基本的Python爬虫程序了 。那么这一章就来学习一个专业的网络爬虫框架--Scrapy 。没错，是框架，而不是像前面介绍的函数功能库 。
Scrapy是一个快速、功能强大的网络爬虫框架 。
可能大家还不太了解什么是框架 ， 爬虫框架其实是实现爬虫功能的一个软件结构和功能组件的集合 。
简而言之，Scrapy就是一个爬虫程序的半成品，可以帮助用户实现专业的网络爬虫 。
使用Scrapy框架 ， 不需要你编写大量的代码，Scrapy已经把大部分工作都做好了，允许你调用几句代码便自动生成爬虫程序，可以节省大量的时间 。
当然，框架所生成的代码基本是一致的 ， 如果遇到一些特定的爬虫任务时，就不如自己使用Requests库搭建来的方便了 。
PyCharm安装
测试安装：
出现框架版本说明安装成功 。
掌握Scrapy爬虫框架的结构是使用好Scrapy的重中之重！
先上图：
整个结构可以简单地概括为： “5 2”结构和3条数据流
5个主要模块（及功能）：
（1）控制所有模块之间的数据流 。
（2）可以根据条件触发事件 。
（1）根据请求下载网页 。
（1）对所有爬取请求进行调度管理 。
（1）解析DOWNLOADER返回的响应--response 。
（2）产生爬取项--scraped item 。
（3）产生额外的爬取请求--request 。
（1）以流水线方式处理SPIDER产生的爬取项 。
（2）由一组操作顺序组成 ， 类似流水线，每个操作是一个ITEM PIPELINES类型 。
（3）清理、检查和查重爬取项中的HTML数据并将数据存储到数据库中 。
2个中间键：
（1）对Engine、Scheduler、Downloader之间进行用户可配置的控制 。
（2）修改、丢弃、新增请求或响应 。
（1）对请求和爬取项进行再处理 。
（2）修改、丢弃、新增请求或爬取项 。
3条数据流：
（1）：图中数字 1-2
1：Engine从Spider处获得爬取请求--request 。
2：Engine将爬取请求转发给Scheduler，用于调度 。
（2）：图中数字 3-4-5-6
3：Engine从Scheduler处获得下一个要爬取的请求 。
4：Engine将爬取请求通过中间件发送给Downloader 。
5：爬取网页后，Downloader形成响应--response，通过中间件发送给Engine 。
6：Engine将收到的响应通过中间件发送给Spider处理 。
（3）：图中数字 7-8-9
7：Spider处理响应后产生爬取项--scraped item 。
8：Engine将爬取项发送给Item Pipelines 。
9：Engine将爬取请求发送给Scheduler 。
任务处理流程：从Spider的初始爬取请求开始爬取，Engine控制各模块数据流 ， 不间断从Scheduler处获得爬取请求，直至请求为空，最后到Item Pipelines存储数据结束 。
作为用户，只需配置好Scrapy框架的Spider和Item Pipelines，也就是数据流的入口与出口，便可完成一个爬虫程序的搭建 。Scrapy提供了简单的爬虫命令语句，帮助用户一键配置剩余文件，那我们便来看看有哪些好用的命令吧 。
Scrapy采用命令行创建和运行爬虫
PyCharm打开Terminal，启动Scrapy：
Scrapy基本命令行格式：
具体常用命令如下：
下面用一个例子来学习一下命令的使用：
1.建立一个Scrapy爬虫工程，在已启动的Scrapy中继续输入：
执行该命令，系统会在PyCharm的工程文件中自动创建一个工程，命名为pythonDemo 。
2.产生一个Scrapy爬虫，以教育部网站为例：
命令生成了一个名为demo的spider，并在Spiders目录下生成文件demo.py 。
命令仅用于生成demo.py文件，该文件也可以手动生成 。
观察一下demo.py文件：
3.配置产生的spider爬虫，也就是demo.py文件：
4.运行爬虫，爬取网页：
如果爬取成功，会发现在pythonDemo下多了一个t20210816_551472.html的文件 ， 我们所爬取的网页内容都已经写入该文件了 。
以上就是Scrapy框架的简单使用了 。
Request对象表示一个HTTP请求，由Spider生成，由Downloader执行 。
Response对象表示一个HTTP响应 ， 由Downloader生成，有Spider处理 。
Item对象表示一个从HTML页面中提取的信息内容 ， 由Spider生成，由Item Pipelines处理 。Item类似于字典类型，可以按照字典类型来操作 。
如何入门 Python 爬虫?“入门”是良好的动机，但是可能作用缓慢 。如果你手里或者脑子里有一个项目 ， 那么实践起来你会被目标驱动 ， 而不会像学习模块一样慢慢学习 。
如果你想要入门Python爬虫，你需要做很多准备 。首先是熟悉python编程；其次是了解HTML；
还要了解网络爬虫的基本原理；最后是学习使用python爬虫库 。
如果你不懂python，那么需要先学习python这门非常easy的语言 。编程语言基础语法无非是数据类型、数据结构、运算符、逻辑结构、函数、文件IO、错误处理这些，学起来会显枯燥但并不难 。
刚开始入门爬虫，你甚至不需要去学习python的类、多线程、模块之类的略难内容 。找一个面向初学者的教材或者网络教程 ， 花个十几天功夫，就能对python基础有个三四分的认识了 。
网络爬虫的含义：
网络爬虫 ， 其实也可以叫做网络数据采集更容易理解 。就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据 。
这会涉及到数据库、网络服务器、HTTP协议、HTML、数据科学、网络安全、图像处理等非常多的内容 。但对于初学者而言 ， 并不需要掌握这么多 。
Python爬虫：想听榜单歌曲？只需要14行代码即可搞定虽然说XPath比正则表达式用起来方便，但是没有最方便，只有更方便 。我们的BeautifulSoup库就能做到更方便的爬取想要的东西 。
使用之前，还是老规矩 ， 先安装BeautifulSoup库 ， 指令如下：
其中文开发文档：
BeautifulSoup库是一个强大的Python语言的XML和HTML解析库 。它提供了一些简单的函数来处理导航、搜索、修改分析树等功能 。
BeautifulSoup库还能自动将输入的文档转换为Unicode编码，输出文档转换为UTF-8编码 。
所以，在使用BeautifulSoup库的过程中 ， 不需要开发中考虑编码的问题，除非你解析的文档，本身就没有指定编码方式 ， 这才需要开发中进行编码处理 。
下面，我们来详细介绍BeautifulSoup库的使用规则 。
下面，我们来详细介绍BeautifulSoup库的重点知识 。
首先，BeautifulSoup库中一个重要的概念就是选择解释器 。因为其底层依赖的全是这些解释器，我们有必要认识一下 。博主专门列出了一个表格：
从上面表格观察 ， 我们一般爬虫使用lxml HTML解析器即可 ， 不仅速度快，而且兼容性强大，只是需要安装C语言库这一个缺点（不能叫缺点，应该叫麻烦） 。
要使用BeautifulSoup库，需要和其他库一样进行导入，但你虽然安装的是beautifulsoup4，但导入的名称并不是beautifulsoup4，而是bs4 。用法如下：
运行之后，输出文本如下：
基础的用法很简单，这里不在赘述 。从现在开始，我们来详细学习BeautifulSoup库的所有重要知识点，第一个就是节点选择器 。
所谓节点选择器，就是直接通过节点的名称选择节点，然后再用string属性就可以得到节点内的文本，这种方式获取最快 。
比如 ， 基础用法中，我们使用h1直接获取了h1节点，然后通过h1.string即可得到它的文本 。但这种用法有一个明显的缺点，就是层次复杂不适合 。
所以，我们在使用节点选择器之前，需要将文档缩小 。比如一个文档很多很大，但我们获取的内容只在id为blog的p中，那么我们先获取这个p，再在p内部使用节点选择器就非常合适了 。
HTML示例代码：
下面的一些示例，我们还是使用这个HTML代码进行节点选择器的讲解 。
这里，我们先来教会大家如何获取节点的名称属性以及内容，示例如下：
运行之后 ， 效果如下：
一般来说一个节点的子节点有可能很多，通过上面的方式获取，只能得到第一个 。如果要获取一个标签的所有子节点，这里有2种方式 。先来看代码：
运行之后 ， 效果如下：
如上面代码所示，我们有2种方式获取所有子节点，一种是通过contents属性，一种是通过children属性 ， 2者遍历的结果都是一样的 。
既然能获取直接子节点，那么获取所有子孙节点也是肯定可以的 。BeautifulSoup库给我们提供了descendants属性获取子孙节点，示例如下：
运行之后，效果如下：
同样的，在实际的爬虫程序中，我们有时候也需要通过逆向查找父节点，或者查找兄弟节点 。
BeautifulSoup库，给我们提供了parent属性获取父节点，同时提供了next_sibling属性获取当前节点的下一个兄弟节点，previous_sibling属性获取上一个兄弟节点 。
示例代码如下：
运行之后，效果如下：
对于节点选择器，博主已经介绍了相对于文本内容较少的完全可以这么做 。但实际的爬虫爬的网址都是大量的数据，开始使用节点选择器就不合适了 。所以，我们要考虑通过方法选择器进行先一步的处理 。
find_all()方法主要用于根据节点的名称、属性、文本内容等选择所有符合要求的节点 。其完整的定义如下所示：
【实战】还是测试上面的HTML ， 我们获取name=a，attr={"class":"aaa"}，并且文本等于text="Python板块"板块的节点 。
示例代码如下所示：
运行之后 ， 效果如下所示：
find()与find_all()仅差一个all，但结果却有2点不同：
1.find()只查找符合条件的第一个节点，而find_all()是查找符合条件的所有节点2.find()方法返回的是bs4.element.Tag对象，而find_all()返回的是bs4.element.ResultSet对象
下面，我们来查找上面HTML中的a标签，看看返回结果有何不同，示例如下：
运行之后，效果如下：
首先，我们来了解一下CSS选择器的规则：
1..classname：选取样式名为classname的节点，也就是class属性值是classname的节点2.#idname：选取id属性为idname的节点3.nodename：选取节点名为nodename的节点
一般来说，在BeautifulSoup库中，我们使用函数select()进行CSS选择器的操作 。示例如下：
这里，我们选择class等于li1的节点 。运行之后，效果如下：
因为，我们需要实现嵌套CSS选择器的用法 ， 但上面的HTML不合适 。这里，我们略作修改，仅仅更改
如何入门 Python 爬虫现在之所以有这么多的小伙伴热衷于爬虫技术，无外乎是因为爬虫可以帮我们做很多事情 ， 比如搜索引擎、采集数据、广告过滤等，以Python为例，Python爬虫可以用于数据分析，在数据抓取方面发挥巨大的作用 。
但是这并不意味着单纯掌握一门Python语言，就对爬虫技术触类旁通，要学习的知识和规范还有喜很多，包括但不仅限于HTML 知识、HTTP/HTTPS 协议的基本知识、正则表达式、数据库知识，常用抓包工具的使用、爬虫框架的使用等 。而且涉及到大规模爬虫，还需要了解分布式的概念、消息队列、常用的数据结构和算法、缓存 ， 甚至还包括机器学习的应用，大规模的系统背后都是靠很多技术来支撑的 。
零基础如何学爬虫技术？对于迷茫的初学者来说，爬虫技术起步学习阶段，最重要的就是明确学习路径，找准学习方法，唯有如此 ， 在良好的学习习惯督促下，后期的系统学习才会事半功倍，游刃有余 。
用Python写爬虫，首先需要会Python，把基础语法搞懂，知道怎么使用函数、类和常用的数据结构如list、dict中的常用方法就算基本入门 。作为入门爬虫来说，需要了解 HTTP协议的基本原理，虽然 HTTP 规范用一本书都写不完，但深入的内容可以放以后慢慢去看 ， 理论与实践相结合后期学习才会越来越轻松 。关于爬虫学习的具体步骤，我大概罗列了以下几大部分，大家可以参考：
网络爬虫基础知识:
爬虫的定义
爬虫的作用
Http协议
基本抓包工具(Fiddler)使用
Python模块实现爬虫：
urllib3、requests、lxml、bs4 模块大体作用讲解
使用requests模块 get 方式获取静态页面数据
使用requests模块 post 方式获取静态页面数据
使用requests模块获取 ajax 动态页面数据
使用requests模块模拟登录网站
使用Tesseract进行验证码识别
Scrapy框架与Scrapy-Redis：
Scrapy 爬虫框架大体说明
Scrapy spider 类
Scrapy item 及 pipeline
Scrapy CrawlSpider 类
通过Scrapy-Redis 实现分布式爬虫
借助自动化测试工具和浏览器爬取数据：
SeleniumPhantomJS 说明及简单实例
SeleniumPhantomJS 实现网站登录
SeleniumPhantomJS 实现动态页面数据爬取
爬虫项目实战：
分布式爬虫Elasticsearch 打造搜索引擎
【python爬虫库函数 python的爬虫库有哪些】python爬虫库函数的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于python的爬虫库有哪些、python爬虫库函数的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：js的高级循环的简单介绍

    下一篇：同城老乡直播话术，主播同城