目錄
- 一、爬蟲是什么？
- 二、使用步驟
- 1.引入庫
- 2.讀入數(shù)據(jù)
- 3.隨機選擇一個ip地址構建代理服務器
- 4.運行代碼
- 總結
一、爬蟲是什么？
在進行大數(shù)據(jù)分析或者進行數(shù)據(jù)挖掘的時候，數(shù)據(jù)源可以從某些提供數(shù)據(jù)統(tǒng)計的網(wǎng)站獲得，也可以從某些文獻或內部資料中獲得，但是這些獲得數(shù)據(jù)的方式，有時很難滿足我們對數(shù)據(jù)的需求，而手動從互聯(lián)網(wǎng)中去尋找這些數(shù)據(jù)，則耗費的精力過大。此時就可以利用爬蟲技術，自動地從互聯(lián)網(wǎng)中獲取我們感興趣的數(shù)據(jù)內容，并將這些數(shù)據(jù)內容爬取回來，作為我們的數(shù)據(jù)源，從而進行更深層次的數(shù)據(jù)分析，并獲得更多有價值的信息。 在使用爬蟲前首先要了解爬蟲所需的庫（requests）或者( urllib.request )，該庫是為了爬取數(shù)據(jù)任務而創(chuàng)建的。
二、使用步驟
1.引入庫
代碼如下（示例）：
import os
import urllib.request
import random
import time
class BeikeSpider:
def __init__(self, save_path="./beike"):
"""
貝殼爬蟲構造函數(shù)
:param save_path: 網(wǎng)頁保存目錄
"""
2.讀入數(shù)據(jù)
代碼如下 ：
# 網(wǎng)址模式
self.url_mode = "http://{}.fang.ke.com/loupan/pg{}/"
# 需爬取的城市
self.cities = ["cd", "sh", "bj"]
# 每個城市爬取的頁數(shù)
self.total_pages = 20
# 讓爬蟲程序隨機休眠5-10秒
self.sleep = (5, 10)
# 網(wǎng)頁下載保存根目錄
self.save_path = save_path
# 設置用戶代理，是爬蟲程序偽裝成瀏覽器
self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.114 Safari/537.36"}
# 代理IP的信息
self.proxies = [
{"https": "123.163.67.50:8118"},
{"https": "58.56.149.198:53281"},
{"https": "14.115.186.161:8118"}
]
# 創(chuàng)建保存目錄
if not os.path.exists(self.save_path):
os.makedirs(self.save_path)
def crawl(self):
"""
執(zhí)行爬取任務
:return: None
"""
該處使用的url網(wǎng)絡請求的數(shù)據(jù)。
3.隨機選擇一個ip地址構建代理服務器
for city in self.cities:
print("正在爬取的城市:", city)
# 每個城市的網(wǎng)頁用單獨的目錄存放
path = os.path.join(self.save_path, city)
if not os.path.exists(path):
os.makedirs(path)
for page in range(1, self.total_pages+1):
# 構建完整的url
url = self.url_mode.format(city, page)
# 構建Request對象, 將url和請求頭放入對象中
request = urllib.request.Request(url, headers=self.headers)
# 隨機選擇一個代理IP
proxy = random.choice(self.proxies)
# 構建代理服務器處理器
proxy_handler = urllib.request.ProxyHandler(proxy)
# 構建opener
opener = urllib.request.build_opener(proxy_handler)
# 使用構建的opener打開網(wǎng)頁
response = opener.open(request)
html = response.read().decode("utf-8")
# 網(wǎng)頁保存文件名(包含路徑)
filename = os.path.join(path, str(page)+".html")
# 保存網(wǎng)頁
self.save(html, filename)
print("第%d頁保存成功！" % page)
# 隨機休眠
sleep_time = random.randint(self.sleep[0], self.sleep[1])
time.sleep(sleep_time)
該處除隨機選擇ip地址以外還會限制爬取數(shù)據(jù)的速度，避免暴力爬取。
4.運行代碼
def save(self, html, filename):
"""
保存下載的網(wǎng)頁
:param html: 網(wǎng)頁內容
:param filename: 保存的文件名
:return:
"""
f = open(filename, 'w', encoding="utf-8")
f.write(html)
f.close()
def parse(self):
"""
解析網(wǎng)頁數(shù)據(jù)
:return:
"""
pass
if __name__ == "__main__":
spider = BeikeSpider()
spider.crawl()
運行結果就會這樣，會保存在你的文件夾中。
總結
這里對文章進行總結：今天分析這波代碼目的是為了讓大家清晰明亮的了解python爬蟲的運作，和大家一起學習
以上就是今天要講的內容，本文僅僅簡單介紹了pandas的使用，而urllib.request提供了大量能使我們快速便捷地爬取數(shù)據(jù)。
您可能感興趣的文章:- Python scrapy爬取蘇州二手房交易數(shù)據(jù)
- Python爬蟲之爬取我愛我家二手房數(shù)據(jù)
- python爬取鏈家二手房的數(shù)據(jù)
- Python爬蟲之爬取二手房信息
- 基于python爬取鏈家二手房信息代碼示例
- python爬蟲 爬取58同城上所有城市的租房信息詳解
- Python爬蟲入門案例之爬取二手房源數(shù)據(jù)
