网络爬虫优质课件.pptx

  1. 1、本文档共20页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Presentation 网络爬虫入门|以华师图书馆/豆瓣为例 (Python实现) East China Normal University 2022年5月24日 CONTENTS 目录 1 什么是爬虫 2 背景意义 3 三步走 4 模拟登陆 5 豆瓣抓取 6 小结 2022年5月24日 East China Normal University 网络爬虫 网络爬虫:是一个功能很强的自动提取网页的程序/脚本,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成部分。 防爬虫:爬虫行为分为搜索引擎爬虫及扫描程序爬虫,可屏蔽特定的搜索引擎爬虫节省带宽和性能,也可屏蔽扫描程序爬虫,避免网站被恶意抓取页面。(网站洁癖) 2022年5月24日 East China Normal University 选题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 在我们日常上网浏览网页的时候,经常会看到一些好看的图片,我们就希望把这些图片保存下载,或者用户用来做桌面壁纸,或者用来做设计的素材。   我们最常规的做法就是通过鼠标右键,选择另存为。但有些图片鼠标右键的时候并没有另存为选项,还有办法就通过就是通过截图工具截取下来,但这样就降低图片的清晰度。好吧~!其实你很厉害的,右键查看页面源代码。 我们再来看下知乎神贴~ 可以干哪些有趣的事情? 1 2022年5月24日 East China Normal University 选题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 [ 第一步 ] 爬哪里(URL):获取整个页面数据 [第二步 ] [第三步 ] 怎么爬(Method):非常强大的正则表达式,以及许多开源库(urllib,BeautifulSoup) 我们可以通过python 来实现这样一个简单的爬虫功能,把我们想要的代码爬取到本地。下面就看看如何使用python来实现这样一个功能。 一般我们三步走! 三步走 2 2022年5月24日 East China Normal University 爬什么(interesting):你对什么感兴趣 选题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 Review 2022年5月24日 East China Normal University 浏览器访问 服务器的过程 在用户访问网页时,不论是通过、IP,还是点击链接,浏览器向WEB服务器发出了一个Http Request),WEB服务器接收到浏览器的请求之后,响应客户端的请求,发回相应的响应信息(Http Response),浏览器解析引擎,排版引擎分析返回的内容,呈现给用户。交互的过程中,HTTP请求和响应时发送的都是一个消息结构。 实例:(华东师范大学图书馆) 选题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 代码分析:模拟登陆华东师范大学图书馆 爬虫结果:借阅历史.txt 模拟登陆华东师范大学图书馆\并爬取借阅历史 4 2022年5月24日 East China Normal University 当你要模拟登录一个网站时,首先要搞清楚网站的登录处理细节(发了什么样的数据,给谁发等...)。通过抓取http数据包来分析该网站的登录流程。同时,我们还要分析抓到的post包的数据结构和header,要根据提交的数据结构和heander来构造自己的post数据和header。并发送给指定url。我们通过urllib2等几个模块提供的API来实现request请求的发送和相应的接收。 大部分网站登录时需要携带cookie,所以我们还必须设置cookie处理器来保证cookie 选题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 抓取豆瓣上计算机类图书评分最高的top150本书籍,并保存在本地Excel中。 2022年5月24日 East China Normal University 课题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 小结 7 2022年5月24日 使用代理服务器 伪装成浏览器访问 反”反盗链” 多线程并发抓取 验证码的处理 代码简单,使用方便,性能也不俗,可谓居家旅行,杀人放火(黑网站),咳咳,之必备神器。 East China Normal University 压缩,超时设置 多代理自动选择 课题背景 三步走 Review 模拟登陆 豆瓣抓取 小结 小结 7 2022年5月24日 使用代理服务器 伪装成浏览器访问 反”反盗链” 多线程并发抓取 验证码的处理 代码简单,使用方便,性能也不俗,可谓居家旅行,杀人放火(黑网站),咳咳,之必备神器。 East China Normal Univer

文档评论(0)

牧童 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档