- python 3.9
- pycharm
模块使用
- requests
模块介绍
- requests
requests是一个很实用的Python HTTP客户端库，爬虫和测试服务器响应数据时经常会用到，requests是Python语言的第三方的库，专门用于发送HTTP请求，使用起来比urllib简洁很多。
- parsel
parsel是一个python的第三方库，相当于css选择器+xpath+re。
parsel由scrapy团队开发，是将scrapy中的parsel独立抽取出来的，可以轻松解析html，xml内容，获取需要的数据。
相比于BeautifulSoup，xpath，parsel效率更高，使用更简单。
- re
re模块是python独有的匹配字符串的模块，该模块中提供的很多功能是基于正则表达式实现的，而正则表达式是对字符串进行模糊匹配，提取自己需要的字符串部分，他对所有的语言都通用。
- os
os 就是 “operating system” 的缩写，顾名思义，os模块提供的就是各种 Python 程序与操作系统进行交互的接口。通过使用 os 模块，一方面可以方便地与操作系统进行交互，另一方面也可以极大增强代码的可移植性。
- csv
它是一种文件格式，一般也被叫做逗号分隔值文件，可以使用 Excel 软件或者文本文档打开 。其中数据字段用半角逗号间隔（也可以使用其它字符），使用 Excel 打开时，逗号会被转换为分隔符。csv 文件是以纯文本形式存储了表格数据，并且在兼容各个操作系统。
模块安装问题:
- 如果安装python第三方模块:
win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车
在pycharm中点击Terminal(终端) 输入安装命令
- 安装失败原因:
- 失败一: pip 不是内部命令
解决方法: 设置环境变量
- 失败二: 出现大量报红 (read time out)
解决方法: 因为是网络链接超时, 需要切换镜像源
清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：https://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学：https://pypi.hustunique.com/ 山东理工大学：https://pypi.sdutlinux.org/ 豆瓣：https://pypi.douban.com/simple/ 例如：pip3 install -i https://pypi.doubanio.com/simple/ 模块名
- 失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入
解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好，或者你pycharm里面python解释器没有设置好。
代码实现
什么是代理ip池？
通俗地比喻一下，它就是一个池子，里面装了很多代理ip。它有如下的行为特征：
- 池子里的ip是有生命周期的，它们将被定期验证，其中失效的将被从池子里面剔除。
- 池子里的ip是有补充渠道的，会有新的代理ip不断被加入池子中。
- 池子中的代理ip是可以被随机取出的。
这样，代理池中始终有多个不断更换的、有效的代理ip，且我们可以随机从池子中取出代理ip，然后让爬虫程序使用代理ip访问目标网站，就可以避免爬虫被ban的情况。
如何使用呢？
import requests f = open('IP.txt',"r") file = f.readline item = [] for proxies in file: proxies =eval(proxies.replace('\','')) item.append(proxies) proxies = random.choice(item) response = requests.get(url=url,headers=headers,proxies=proxies) print(response)
我们这里先是把IP保存到了一个文件里面，我们在请求的时候加入proxies参数即可，这里的url就填我们要请求的网址。
批量采集
接下来，我们就进入到我们的正式学习中，我们今天请求的是某大学网站，由于涉及到隐私，网址不发了，这里教一个思路，其他网站也是一样的。
单线程
我们先试试单线程采集80张图片需要多少秒？
import re import requests import datetime urls = [] startime = datetime.datetime.now() def download(url): name = re.findall('(\d+).jpg',url)[0] img_content = requests.get(url=url).content with open('img\\' +name+'.jpeg', mode='wb') as f: f.write(img_content) for i in range(1,80): url = f"http://**********/student/{i}.jpg" urls.append(url) for url in urls: download(url) endtime = datetime.datetime.now() print((endtime-startime).seconds)
我们这里就是把我们所有要下载的地址遍历到urls里面去，然后执行下载图片函数，我这里用时28秒，我们看看多线程多快。
多线程
我们这里加上多线程，多线程的数量取决于你的电脑性能，话不多说，直接上代码。
from concurrent.futures import ThreadPoolExecutor import re import requests import datetime urls = [] startime = datetime.datetime.now() def download(url): name = re.findall('(\d+).jpg',url)[0] img_content = requests.get(url=url).content with open('img\\' +name+'.jpeg', mode='wb') as f: f.write(img_content) for i in range(1,80): url = f"http://**********/student/{i}.jpg" urls.append(url) with ThreadPoolExecutor(max_workers=10) as executor: for url in urls: executor.submit(download,url) endtime = datetime.datetime.now() print((endtime-startime).seconds)
我们这里开了10个线程，下载完80张图片，只要3s，提升了很快，当我们的图片很多的时候，我们多线程的优势越来越明显。
总结
有的网站回限制IP，所以，我们就要用到IP代理池，本文就到这里了。
