【邵奈一】Python爬虫专栏（一）之Python爬虫热身

心已赠人 2021-09-24 10:48 482阅读 0赞

### 教程目录 ###

*  0x00 教程内容
 *  0x01 Python环境准备
 *   *   *   *   *  1. Windows环境
                 *  2. MacOS环境
 *  0x02 Python语法熟悉
 *   *   *   *   *  1. Python模拟日志生成例子
                 *  2. 语法示例
                 *  3. 数据类型
 *  0x03 爬虫初体验
 *  0xFF 总结

# 0x00 教程内容 #

1.  为什么要学习Python
2.  学会安装好Python环境
3.  熟悉Python的语法
4.  Python爬虫初体验

学习前提：  
1、需要有编程基础，可以不熟悉Python。

# 0x01 Python环境准备 #

##### 1. Windows环境 #####

步骤非常简单，在此不详细展开。  
请参考教程：[Python3的安装（Windows）][Python3_Windows]

##### 2. MacOS环境 #####

MacOS一般都会自带2.X版本的Python，一般都额外装一个Python3版本。  
操作有Windows版本类似，此处不再详细说明，自己可找教程。

# 0x02 Python语法熟悉 #

##### 1. Python模拟日志生成例子 #####

代码及演示教程：[Python模拟日志生成][Python]

##### 2. 语法示例 #####

1、设置字符集

#coding=UTF-8

2、导入包

import random

如果需要导入包的特定模块，并重命名，则可如下所示：  
`from pyquery import PyQuery as pq`

3、定义数组

url_paths = [
        "article/112.html",
        "article/113.html",
        "article/114.html",
        "article/115.html",
        "article/116.html",
        "article/117.html",
        "article/118.html",
        "article/119.html",
        "video/821",
        "tag/list"
    ]
    
    ip_splices = [102,71,145,33,67,54,164,121]

数组最后一个元素不需要加英文逗号，字符串与其他语言一样，用双引号括起来。

4、定义函数

def sample_url():
        return random.sample(url_paths,1)[0]

函数体只需要在函数名右边加上冒号`:`即可，Python语言必须要有缩进，函数体的范围就是根据缩进来确认的。

5、for循环

def sample_ip():
        splice = random.sample(ip_splices,4)
        return ".".join([str(item) for item in splice])

任意取ip\_splices里的四个数字，转成字符串，并用点`.`连接起来。

def sample_referer():
        if random.uniform(0, 1) > 0.2:
            return "-"
        refer_str = random.sample(http_referers, 1)
        query_str = random.sample(search_keyword, 1)
        return refer_str[0].format(query=query_str[0])

随机取一个http\_referers，如取到了：`https://www.baidu.com/s?wd={query},`再随机取一个query\_str，如：`Docker搭建Spark集群（实践篇）`，然后通过format方法，将query\_str赋值到\{query\}里，最终将会得到类似于这样的结果：`https://www.baidu.com/s?wd=Docker搭建Spark集群（实践篇）`。此处需要注意的是`random.sample(http_referers, 1)`取到的是一个数组，所以，之后使用的时候，还需要取到里面的值，如：`refer_str[0]`。

def generate_log(count = 10):
    
        time_str = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime())
    
        f = open("D:\\python-logs.txt","w+")
    
        while count >= 1:
            generate_log = "{ip}\t{localtime}\t \"GET /{url} HTTP/1.1 \" \t{referer}\t{code}".format(
                url = sample_url(),
                ip = sample_ip(),
                referer = sample_referer(),
                code = sample_status_code(),
                localtime = time_str
                )
            print generate_log
            f.write(generate_log + "\n")
            count = count - 1

代码解释：  
1、`time.strftime("%Y-%m-%d %H:%M:%S",time.localtime())`，time.localtime()为获取本地时间，然后按照特定的格式进行格式化。

strftime()参考教程：[Python time strftime()方法][Python time strftime]

2、`f = open("D:\\python-logs.txt","w+")`，新建一个文件`f`，`w+`的意思是：表示权限为可读可写，如果待打开文件已存在，会先清空，不存在则创建。

open()参考教程：[Python中的open()方法总结][Python_open]

3、`print generate_log`，打印输出

4、`f.write(generate_log + "\n")`，写到`f`文件里。

# URL IP信息 referer 状态码 日志访问时间
    if __name__ == '__main__':
        generate_log(100)

main函数，主方法。

##### 3. 数据类型 #####

1、Python有五个标准的数据类型

`Numbers`（数字）  
`String`（字符串）  
`List`（列表）  
`Tuple`（元组）  
`Dictionary`（字典）

Python支持四种不同的数字类型：

`int`（有符号整型）  
`long`（长整型\[也可以代表八进制和十六进制\]）  
`float`（浮点型）  
`complex`（复数）

**注意**：在Python 2.2 以后的版本中，int 类型数据溢出后会自动转为long类型。long 类型只存在于 Python2.X 版本中，在 Python3.X 版本中 long 类型被移除了，使用 int 替代。

# 0x03 爬虫初体验 #

1.  体验教程：[Python第一个爬虫项目][Python 1]
2.  补充知识：

`!/usr/bin/python`与`#!/usr/bin/env python`的区别是？

`#!/usr/bin/python`指去`/usr/bin/`目录下找`python`执行  
`#!/usr/bin/env python`指去`#!/usr/bin/env`中找到`python`的安装路径，然后去执行它，此处可执行的python路径不管是不是在/usr/bin下都行，用法比较灵活，而`#!/usr/bin/python`就写成了绝对路径，只能去`/usr/bin`下找。  
**结论**：**推荐使用 `#!/usr/bin/env python`**

# 0xFF 总结 #

1.  本专栏不是小白教程，需要有编程基础，甚至需要一点Python基础。
2.  实战性强，不拖泥带水，请点赞、评论、收藏，继续往下面学。

--------------------

**福利：**  
[邵奈一的技术博客导航][Link 6]  
[邵奈一][Link 1] 原创不易，如转载请标明出处。

--------------------

[Python3_Windows]: https://blog.csdn.net/shaock2018/article/details/100016915
[Python]: https://blog.csdn.net/shaock2018/article/details/103744344
[Python time strftime]: https://www.runoob.com/python/att-time-strftime.html
[Python_open]: https://www.cnblogs.com/sy_test/p/12160301.html
[Python 1]: https://blog.csdn.net/shaock2018/article/details/100033780
[Link 1]: https://blog.csdn.net/shaock2018
[Link 2]: https://img-blog.csdnimg.cn/20190608000417972.jpeg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg=,size_16,color_FFFFFF,t_70
[Link 3]: https://img-blog.csdnimg.cn/20190514084602748.png
[Link 4]: https://weibo.com/5680168183/
[Link 5]: https://www.jianshu.com/u/6f033c6a3b90
[Link 6]: https://blog.csdn.net/shaock2018/article/details/89349249