寫簡(jiǎn)單的爬蟲都需要什么

寫爬蟲都需要些什么呢,

A 要爬取的網(wǎng)址難度的大小 (選擇谷歌對(duì)要爬取的網(wǎng)址源代碼進(jìn)行分析)

B 借用Python中的模塊urllib與requests 對(duì)網(wǎng)址進(jìn)行請(qǐng)求與訪問(wèn)
以requests為例:(requests模塊的導(dǎo)入見:https://blog.51cto.com/13747953/2321389)
a 下載圖片

import requests            

ret=requests.get('http://×××w.xiaohuar.com/d/file/20180724/40d83a6709eca21137dcdd80ee28c31b.jpg')
print(ret,type(ret))
print(ret.status_code)
print(ret.content)
with open(r'E:\text1\爬蟲\text_png\p1.png','wb') as f:
    f.write(ret.content)

b 基本文字信息的獲取

import requests
from urllib import request

# ret=requests.get('http://maoyan.com/board')
headers={
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'

}
ret=request.Request('http://maoyan.com/board',headers=headers)
resp=request.urlopen(ret)
print(resp,type(resp))
print(resp.read().decode('utf-8'))

這里不用requests 模塊是因?yàn)樵谡?qǐng)求的過(guò)程中返回了403的錯(cuò)誤
猜想可能的原因是:網(wǎng)址的反爬蟲機(jī)制發(fā)現(xiàn)了來(lái)自pycharm的請(qǐng)求;
所以可以用urllib(Python自帶的模塊)提供的request模塊

結(jié)果如下:

C 如何從B-b中獲取的文字?jǐn)?shù)據(jù)中提取出自己想要的數(shù)據(jù)呢
a 分析數(shù)據(jù)的相同點(diǎn)

b 利用正則表達(dá)式與re模塊

'<div class="item_t">(?:.*?)src="(?P<png>.*?)"(?:.*?)<span class="price">(?P<name>.*?)</span>(?:.*?)'
        '<a  class="img_album_btn">(?P<place>.*?)</a>', re.S)

'<div class="item_t">  # 匹配開始的標(biāo)志
(?:.*?)      # 匹配任意的字符,但用?取消了分組優(yōu)先顯示和貪婪匹配
src="(?P<png>.*?)"    # 要獲取的數(shù)據(jù)優(yōu)先顯示,并?P<名字>命名了
(?:.*?)
<span class="price">
(?P<name>.*?)
</span>
(?:.*?)
''<a  class="img_album_btn">
(?P<place>.*?)
</a>'
,re.S      # 聲明 . 可以匹配任意的字符
)

倆個(gè)實(shí)例:
1爬取簡(jiǎn)單的文字信息:https://blog.51cto.com/13747953/2321800
2爬取圖片: https://blog.51cto.com/13747953/2321803
(程序猿很無(wú)聊多多指教交流)