Ⅰ python爬虫一次可爬多少
导读:今天首席CTO笔记来给各位分享关于python爬虫一次可爬多少的相关内容,如果能碰巧解决你现在面临的问题,别忘了关注本站,现在开始吧!
python爬虫爬取只显示10个一个借口几万条数据但是只返回十条_爬虫实践之爬取10000条菜谱数据
2020-12-0306:37:24
weixin_39990029
码龄5年
关注
.png
爬虫实践之XX行代码爬取10000菜谱数据
什么是爬虫
爬虫:又叫做网络蜘蛛,是一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息。
点击这里了解Python爬虫介绍
如何合法地爬虫
有些网站不允许网络爬虫,或是对可爬取的内容做了限制,一个网站的爬虫协议可通过访问该网站的robots.txt文件获得
以豆瓣网为例
访问该网址(),可了解到豆瓣的爬虫协议如下
.png
可以看到,豆瓣对于不同的访问者有不同的访问限制,其中对于用户名为WandoujiaSpider的访问者,豆瓣不允许访问。
我用到的菜谱网站对爬虫无限制,所以爬虫是合法的。
.png
本篇特色
连续爬取10000个网页
引入第三方库
importrequests#发送请求
importre#正则表达式,用于提取网页数据
importwinsound#提醒程序运行结束
importtime#计算程序运行时间
如果没有安装这些第三方库,可以在命令提示符中输入如下代码,进行下载
pipinstallrequests,re,winsound,time
爬虫的三个步骤
获取要爬取的所有网页的网址
提取网页内容中的有用信息
信息导出
每个步骤对应一个函数
Step_1获取要爬取的所有网页的网址
首先我们打开该网址,查看它的源代码
.png
.png
网页源代码
观察发现每道菜对应的网址在这个目录下
.png
用正则表达式获得该网址,写入列表中
由于每一个网页只有十道菜,点击下一页后发现网页的变化规律为换页时网址只有数字改变
.png
可以看到最多有1000页,也就是有10000道菜
.png
使用循环,将每一页的菜对应的网址都写入列表,每一次写入时写入一行列表,多次写入后,形成一个二维的列表,前两页的菜谱网址在二维列表中显示如下:
.png
代码如下
all_url=[]#创建一个数组用于存储网页地址
defget_all_url(n):#这个函数用于获得网页中的菜的全部网址
if(n==1):
url=""
else:
url=''%n#%s相当于C语言中的%s,表示格式化一个对象为字符,同理%d表示格式化一个对象为整数
headers={"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)
AppleWebKit/537.36(KHTML,likeGecko)Chrome/80.0.3987.122Safari/537.36"}
response=requests.get(url,headers=headers)#访问网页
response.encoding="utf-8"#设置接收编码格式
pattern=re.compile(r'atarget="_blank"href="([a-zA-z]+://[^s]*)"',re.S)
#正则表达式提取网页中的网址,re.S表示在整个文本中进行匹配,如果不加re.S,将只在一行进行匹配
result=pattern.findall(response.text)#获取的网页结果存储到result里
all_url.append(result[0:10])#由于每页只有十道菜,result中只有前十条对应的是菜的网址,故我们只添加前十条
returnall_url#作为返回值返回这个列表
关于headers的说明
在使用python爬虫爬取数据的时候,经常会遇到一些网站的反爬虫措施,一般就是针对于headers中的User-Agent,如果没有对headers进行设置,User-Agent会声明自己是python脚本,而如果网站有反爬虫的想法的话,必然会拒绝这样的连接。而修改headers可以将自己的爬虫脚本伪装成浏览器的正常访问,来避免这一问题。点击这里了解详情
关于编码格式utf-8的说明
utf-8,可以编码中文,大部分python编译器都默认编码方式为utf-8点击这里了解详情
Step_2提取网页中的有用信息
打开一道菜的网址,查看源代码,寻找我们需要的信息在哪里,然后用正则表达式获取,流程与上个函数获取网址相同
主辅料信息在这里
.png
特征信息在这里(包括做法和口味)
.png
defget_info(resp,output):
name_pattern=re.compile(r'h1(.*)/h1')#正则表达式获取菜名信息
food_pattern=re.compile(r'spanclass="t"(.*)/spanspanclass="a"(.*)/span/a/div')#正则表达式获得主料信息
fixing_pattern=re.compile(r'divclass="c_mtr_li"spanclass="t1"(.*)/spanspanclass="a"(.*)/span/div')#正则表达式获得辅料信息
fearture1_pattern=re.compile(r'divclass="cpargscpargs2"divclass="i"/div(.)/div')#正则表达式获得特征_1
fearture2_pattern=re.compile(r'divclass="cpargscpargs3"divclass="i"/div(.*)/div')#正则表达式获得特征_2
name=name_pattern.findall(resp.text)#提取菜名信息
food=food_pattern.findall(resp.text)#提取主料信息
fixing=fixing_pattern.findall(resp.text)#提取辅料信息
fearture1=fearture1_pattern.findall(resp.text)#提取特征_1
fearture2=fearture2_pattern.findall(resp.text)#提取特征_2
output.write(str(name))#将菜名写入output文件,write函数不能写int类型的参数,所以使用str()转化
output.write('t')#进入下一个单元格
output.write(str(fearture1))#将特征_1写入output文件
output.write('t')#进入下一个单元格
output.write(str(fearture2))#将特征_2写入output文件
output.write('t')#进入下一个单元格
foriinrange(len(food)):
forjinrange(len(food[i])):
output.write(str(food[i][j]))#写入主料
output.write('t')
if(len(food)11):
output.write('t'*2*(11-len(food)))#每道菜的主料数目不同,该行代码可使表格内容对齐
foriinrange(len(fixing)):
forjinrange(len(fixing[i])):
output.write(str(fixing[i][j]))#写入辅料
output.write('t')
output.write('n')#换行
Step_3信息导出
defspider():
output=open('E:programingpython苏菜_2.xls','w',encoding='utf-8')#创建一个excel文件,编码格式为utf-8
output.write('名称t做法t特色t主料')#写入标题栏
output.write('t'*22)#使内容对齐
output.write('辅料n')#写入标题栏
foriinrange(len(all_url)):
forjinrange(len(all_url[i])):
url2=all_url[i][j]
response=requests.get(url2)#逐个访问网页,获得数据
response.encoding="utf-8"#设置接收编码格式
get_info(response,output)#处理数据,提取信息
output.close()#关闭文件
主函数
time_start=time.time()#记录程序开始时间
foriinrange(1,2):#逐页获取菜谱网页信息
get_all_url(i)
spider()#进行提取处理并导出
ration=1000#提示音时长,1000毫秒=1秒
freq=440#提示音频率
time_end=time.time()#记录程序结束时间
print('totallycost',time_end-time_start)#打印程序运行时间
winsound.Beep(freq,ration*10)#响铃提示程序结束
经实验,爬取10000条代码需要用时3453秒左右
.png
最后获得的数据如下
.png
写在后面
我是一个C语言上不了80的小白,全靠某度和某歌东拼西凑我的这个程序,在代码风格与写作等方面存在不可避免地会有一些错误和不足的地方,希望大家多多与我交流,多多批评指教我。
Python爬虫可以爬取什么Python爬虫可以爬取的东西有很多,Python爬虫怎么学?简单的分析下:
如果你仔细观察,就不难发现,懂爬虫、学习爬虫的人越来越多,一方面,互联网可以获取的数据越来越多,另一方面,像Python这样的编程语言提供越来越多的优秀工具,让爬虫变得简单、容易上手。
利用爬虫我们可以获取大量的价值数据,从而获得感性认识中不能得到的信息,比如:
知乎:爬取优质答案,为你筛选出各话题下最优质的内容。
淘宝、京东:抓取商品、评论及销量数据,对各种商品及用户的消费场景进行分析。
安居客、链家:抓取房产买卖及租售信息,分析房价变化趋势、做不同区域的房价分析。
拉勾网、智联:爬取各类职位信息,分析各行业人才需求情况及薪资水平。
雪球网:抓取雪球高回报用户的行为,对股票市场进行分析和预测。
爬虫是入门Python最好的方式,没有之一。Python有很多应用的方向,比如后台开发、web开发、科学计算等等,但爬虫对于初学者而言更友好,原理简单,几行代码就能实现基本的爬虫,学习的过程更加平滑,你能体会更大的成就感。
掌握基本的爬虫后,你再去学习Python数据分析、web开发甚至机器学习,都会更得心应手。因为这个过程中,Python基本语法、库的使用,以及如何查找文档你都非常熟悉了。
对于小白来说,爬虫可能是一件非常复杂、技术门槛很高的事情。比如有人认为学爬虫必须精通Python,然后哼哧哼哧系统学习Python的每个知识点,很久之后发现仍然爬不了数据;有的人则认为先要掌握网页的知识,遂开始HTMLCSS,结果入了前端的坑,瘁……
但掌握正确的方法,在短时间内做到能够爬取主流网站的数据,其实非常容易实现,但建议你从一开始就要有一个具体的目标。
在目标的驱动下,你的学习才会更加精准和高效。那些所有你认为必须的前置知识,都是可以在完成目标的过程中学到的。这里给你一条平滑的、零基础快速入门的学习路径。
1.学习Python包并实现基本的爬虫过程
2.了解非结构化数据的存储
3.学习scrapy,搭建工程化爬虫
4.学习数据库知识,应对大规模数据存储与提取
5.掌握各种技巧,应对特殊网站的反爬措施
6.分布式爬虫,实现大规模并发采集,提升效率
一
学习Python包并实现基本的爬虫过程
大部分爬虫都是按“发送请求——获得页面——解析页面——抽取并储存内容”这样的流程来进行,这其实也是模拟了我们使用浏览器获取网页信息的过程。
Python中爬虫相关的包很多:urllib、requests、bs4、scrapy、pyspider等,建议从requests+Xpath开始,requests负责连接网站,返回网页,Xpath用于解析网页,便于抽取数据。
如果你用过BeautifulSoup,会发现Xpath要省事不少,一层一层检查元素代码的工作,全都省略了。这样下来基本套路都差不多,一般的静态网站根本不在话下,豆瓣、糗事网络、腾讯新闻等基本上都可以上手了。
当然如果你需要爬取异步加载的网站,可以学习浏览器抓包分析真实请求或者学习Selenium来实现自动化,这样,知乎、时光网、猫途鹰这些动态的网站也可以迎刃而解。
二
了解非结构化数据的存储
爬回来的数据可以直接用文档形式存在本地,也可以存入数据库中。
开始数据量不大的时候,你可以直接通过Python的语法或pandas的方法将数据存为csv这样的文件。
当然你可能发现爬回来的数据并不是干净的,可能会有缺失、错误等等,你还需要对数据进行清洗,可以学习pandas包的基本用法来做数据的预处理,得到更干净的数据。
三
学习scrapy,搭建工程化的爬虫
掌握前面的技术一般量级的数据和代码基本没有问题了,但是在遇到非常复杂的情况,可能仍然会力不从心,这个时候,强大的scrapy框架就非常有用了。
scrapy是一个功能非常强大的爬虫框架,它不仅能便捷地构建request,还有强大的selector能够方便地解析response,然而它最让人惊喜的还是它超高的性能,让你可以将爬虫工程化、模块化。
学会scrapy,你可以自己去搭建一些爬虫框架,你就基本具备爬虫工程师的思维了。
四
学习数据库基础,应对大规模数据存储
爬回来的数据量小的时候,你可以用文档的形式来存储,一旦数据量大了,这就有点行不通了。所以掌握一种数据库是必须的,学习目前比较主流的MongoDB就OK。
MongoDB可以方便你去存储一些非结构化的数据,比如各种评论的文本,图片的链接等等。你也可以利用PyMongo,更方便地在Python中操作MongoDB。
因为这里要用到的数据库知识其实非常简单,主要是数据如何入库、如何进行提取,在需要的时候再学习就行。
五
掌握各种技巧,应对特殊网站的反爬措施
当然,爬虫过程中也会经历一些绝望啊,比如被网站封IP、比如各种奇怪的验证码、userAgent访问限制、各种动态加载等等。
遇到这些反爬虫的手段,当然还需要一些高级的技巧来应对,常规的比如访问频率控制、使用代理IP池、抓包、验证码的OCR处理等等。
往往网站在高效开发和反爬虫之间会偏向前者,这也为爬虫提供了空间,掌握这些应对反爬虫的技巧,绝大部分的网站已经难不到你了.
六
分布式爬虫,实现大规模并发采集
爬取基本数据已经不是问题了,你的瓶颈会集中到爬取海量数据的效率。这个时候,相信你会很自然地接触到一个很厉害的名字:分布式爬虫。
分布式这个东西,听起来很恐怖,但其实就是利用多线程的原理让多个爬虫同时工作,需要你掌握Scrapy+MongoDB+Redis这三种工具。
Scrapy前面我们说过了,用于做基本的页面爬取,MongoDB用于存储爬取的数据,Redis则用来存储要爬取的网页队列,也就是任务队列。
所以有些东西看起来很吓人,但其实分解开来,也不过如此。当你能够写分布式的爬虫的时候,那么你可以去尝试打造一些基本的爬虫架构了,实现一些更加自动化的数据获取。
你看,这一条学习路径下来,你已然可以成为老司机了,非常的顺畅。所以在一开始的时候,尽量不要系统地去啃一些东西,找一个实际的项目(开始可以从豆瓣、小猪这种简单的入手),直接开始就好。
因为爬虫这种技术,既不需要你系统地精通一门语言,也不需要多么高深的数据库技术,高效的姿势就是从实际的项目中去学习这些零散的知识点,你能保证每次学到的都是最需要的那部分。
当然唯一麻烦的是,在具体的问题中,如何找到具体需要的那部分学习资源、如何筛选和甄别,是很多初学者面临的一个大问题。
以上就是我的回答,希望对你有所帮助,望采纳。
python爬虫一秒钟最快爬多少条数据我见过3秒钟喝完一“瓶”啤酒的人,也见过一小时才喝完一“杯”啤酒的人;
我见过一口吃完像巴掌大的面包的人,也见过几天才吃完像手指头大的面包;
——————我是一条可爱的分割线——————
回到正题:
爬虫能爬多少,能爬多快。取决于算法和网速。当然,说白了还是和工程师自己的实力有关。
#好的爬虫一秒可以爬上万条数据,
#有的爬虫一天只能爬一条。
print“人生苦短,python当歌”
结语:以上就是首席CTO笔记为大家介绍的关于python爬虫一次可爬多少的全部内容了,希望对大家有所帮助,如果你还想了解更多这方面的信息,记得收藏关注本站。
Ⅱ 学习爬虫到什么地步才能接单
学习爬虫必须要中级以上的地步才能接单。
我们将爬虫技术分为三段,分别是初中高级。那么需要到达中级以上才能接单,如果仅凭着初级的爬虫技术来接单,一来实力不足不能满足甲方需求,二来就算能做成一单也不能做成第二单,无法形成正向的循环。
中级爬虫的水平可以算是职业爬虫师的基本水平,除了初级爬虫的知识点之外,还应该掌握以下一些知识点:
1、爬取方式
当你的requests 不顶用的时候,你就应该想到数据来源可能是Ajax,你去分析网站的时候就得懂JavaScript;如果想绕过分析Ajax和一些JavaScript逻辑的过程来爬取数据,我们就得用 Puppeteer、Pyppeteer、Selenium、Splash等来模拟浏览器的方式来爬取。
2、爬取速度
除了爬取方式,还有爬取速度,这时候你就得有多进程、多线程、协程的知识储备了。
3、爬APP
如果你只会网页爬虫,那你还算不上中级爬虫的水平,你还得会爬APP,APP也占据着半壁江山。这个时候你就得会Charles、Fiddler抓包了,抓到之后拿来模拟就行;如果接口被加密了,可以用 mitmproxy直接监听接口数据或者走Hook,比如上Xposed也可以拿到。
爬虫简介:
网络爬虫是一个自动提取网页的程序,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。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
聚焦爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。
另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索;对于聚焦爬虫来说,这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。