/pythonCrawler

python3网络爬虫笔记与实战源码。记录python爬虫学习全程笔记、参考资料和常见错误，约40个爬取实例与思路解析，涵盖urllib、requests、bs4、jsonpath、re、 pytesseract、PIL等常用库的使用。

Primary LanguageHTML

pythonCrawler

Notice

  1. exe_file 是本程序爬取的附录，全部测试、实战读写路径全部指向exe_file
  2. 本爬虫笔记基于b站 Python爬虫从入门到高级实战【92集】千锋Python高级教程
  3. 在该教程的基础上对教程中的思路进行实践，对教程出现的错误进行修正，并且另外扩展，并非教程源码照搬
  4. 由于时间有限，笔记与代码都位于.py文件中，以注释及代码形式存在，对学习过程中会出现的bug以及难点进行分析
  5. 由于作者能力有限以及爬虫技术迭代速度快，代码可能会存在bug，如有此情况，欢迎联系我更正或者pull request
  6. 更新日志的正确打开方式：
    • 数字代表每一章，每个数字的第一个py文件是基础知识讲解及简单实践
    • x.x形式的py文件一般是实战内容
    • 例如6.基于xpath...是基础知识，那么6.1就是项目实战内容
    • 所有的py文件都会有思路、踩坑以及知识点的介绍
    • 人性化设置，md文件的更新日志附属笔记的超链接跳转
  7. 如果笔记对您有用，麻烦Star谢谢

Update log

  1. 2019/03-2019/03/12
  2. 2019/04-
  3. 2019/07/10
  4. 2019/07/11
  5. 2019/07/15
    • 8.基于jsonpath的json文件解析方法
      • 实例：智联招聘，填补之前智联爬虫采用正则表达式解析json文件的繁琐方法
      • b站教程以爬取淘宝评论为例，但现淘宝系统过于难爬，此处留坑
  6. 2019/07/16
    • 谷歌浏览器驱动，适配谷歌75版本---在exeFile目录下
  7. 2019/07/17
  8. 2019/07/19
  9. 2019/07/20
    • 告知：
      • 为方便实例的各种测试文件的查找，在第10章包括以后，每章的测试文件保存在exe_file/x/下
      • x为对应章节，例如第10章，则位于exe_file/10/
    • 10.Requests库的基本用法
      • 实例：百度搜索，必应翻译，登陆人人网为例介绍post、cookie、get的用法
      • 代理使用
    • 10.1.Requests库实战
    • 11.验证码登陆方式
      • 实例：利用返回验证码到本地的方法登陆古诗文网
      • 运用：Requests库（创建会话用于支持cookie），美味汤(beautifulSoup)
  10. 2019/07/21-2019/07/26
  11. 2019/07/28
    • 12.视频爬取
      • 基于xpath, json, chromeDrive-headless的视频爬取方案
  12. 2019/07/29-2019/07/31
  13. 2019/03-2019/05

Contributing

如果你对这个项目感兴趣，非常乐意你可以将.py文件的笔记和代码进行格式加工

[版权声明]笔记内容是我原创并且开源到github上的，所有内容仅限于学习，不作商用，欢迎star/download/fork，但务必遵守相关开源协议进行使用，原创不易，请勿copy。在实践时遵守爬虫协议，目的只是为了更好的掌握爬虫知识，如果有所影响，请联系我删除，谢谢！