【AI白身境】学深度学习你不得不知的爬虫基础

今天是新专栏《AI白身境》的第七篇，所谓白身，就是什么都不会，还没有进入角色。

对于深度学习，一个好的数据集可以说非常重要的，但是通常情况下我们并没有大量的数据，因此我们有必要掌握一定的爬虫知识，从而更好的准备训练数据集。

作者 | 汤兴旺 言有三

编辑 | 汤兴旺 言有三

01

前端网页基础

在介绍爬虫之前我们先说下网页基础，理解前端网页的一些基础知识对于学习爬虫是很有必要的，它是爬虫的基础之一。

1.1 网页构成

通常情况下我们看到的网页由三部分组成，分别是HTML、CSS和JavaScript，接下来我分别介绍它们。

1.1.1 HTML

HTML，全称Hyper Text Markup Language，也就是“超文本链接标示语言”。但它不是一种编程语言，而是一种标记语言。我们通常看到的网页就是HTML使用标记标签来描述的。在HTML中，通常不同类型的文字通过不同类型的标签来表示。如图片用img标签表示，视频用video标签表示，段落用p标签表示。

现在我们看下网易云音乐的源代码，如下图所示：

获取这个网页的源代码很简单，打开网页后，按下F12键就会出现这个源代码了。通过观察这个HTML我们会发现整个网页就是由各种标签嵌套组合而成的，从而形成了整个网页的架构。

1.1.2 CSS

从上面的介绍我们知道HTML定义了网页的架构，可以认为是一个框架，但若只有HTML，那么这样的网页就太简陋了，为了让我们的网页更加好看点，我们就需要用CSS。

CSS，全称Cascading Style Sheets，即层叠样式表。“层叠”是指当在HTML中引用了数个样式文件，并且样式发生冲突时，浏览器能依据层叠顺序处理。“样式”指网页中文字大小、颜色、元素间距、排列等格式。我们来看看网易云音乐的CSS，如下所示。

1.1.3 JavaScript

上面介绍的HTML和CSS只能展现一种静态信息，缺乏交互性。但我们在网页里通常会看到一些交互和动画效果，如提示框、轮播图等，这些动态信息通常就是通过JavaScript完成的。它的出现使得用户与信息之间不只是一种浏览与显示的关系，而是实现了一种实时、动态、交互的页面功能。

这就是网页构成的一些基本知识，你掌握了吗？

1.2 URL

爬虫最主要的处理对象是什么？那毫无疑问肯定是URL，爬虫的实质就是根据URL地址取得所需要的文件内容，然后对它进行进一步的处理。所以说准确理解URL也是理解网络爬虫的基础之一。

URL，全称是Uniform Resource Locator,通俗地说，URL是Internet上描述信息资源的字符串，主要用在各种WWW客户程序和服务器程序上。URL也有它特定的格式，其格式由三部分组成，如下：

1.第一部分是协议(或称为服务方式)。

2.第二部分是存有该资源的主机IP地址(有时也包括端口号)。

3.第三部分是主机资源的具体地址，如目录和文件名等。

通常第一部分和第二部分用“://”符号隔开，第二部分和第三部分用“/”符号隔开。另外第一部分和第二部分是不可缺少的，第三部分有时可以省略。 

我们通过一个URL的一个小例子来解释下上面的三部分，下面是NBA中国官方网站湖人队网页的URL：

http://china.nba.com/lakers/

http这个是协议，也就是HTTP超文本传输协议，它是URL的第一部分；china.nba.com这个是网站名，由服务器名和域名构成，它是URL的第二部分；lakers就是存放网页的根目录，是URL的第三部分。

这就是URL的一些基础知识，希望大家深刻理解。

通过上面的介绍，相信你对网页的基础知识也有了大致的了解，下面我们开始学习爬虫相关库的一些基础知识。

02

python爬虫库

了解了网页的一些基础知识后，我们继续来学习下python爬虫的一些库，通过前面第三篇文章《AI白身境学习AI必备的python基础》我们都知道python有许多库，如NumPy，matplotlib等，针对爬虫它有个自带的库urllib。

2.1 urllib介绍                        

urllib是python自带的一个主要用来爬虫的标准库，无需安装可以直接用，它能完成如下任务：网页请求、响应获取、代理和cookie设置、异常处理和URL解析，可以说要想学会爬虫，必须要学会它。

2.2 urllib基础用法

我们已经知道urllib能完成网页请求、响应获取等许多任务，现在我来介绍下它的基本用法。

2.2.1 发起GET/POST请求

在用urllib实现GET和POST之前，我们先解释下什么是GET？什么是POST？它们的区别又是啥？

GET和POST实际上就是HTTP请求的两种基本方法，通常GET是从指定的资源请求数据，而POST是向指定的资源提交要被处理的数据。我们再看看它的区别是啥，请看下面表格：

哈哈，你现在看到这些肯定很闷逼。

我们从头（HTTP)来分析下，我们已经知道HTTP是基于TCP/IP的关于数据如何在万维网中如何通信的协议。HTTP的底层是TCP/IP，所以GET和POST的底层也是TCP/IP，也就是说，GET/POST都是TCP连接，GET和POST能做的事情是一样的。

那它们的区别体现在哪呢？对于GET方式的请求，浏览器会把http header和data一并发送出去；而对于POST，浏览器先发送header，服务器响应后，浏览器再发送data。

也就是说，在大万维网世界中，TCP就像汽车，我们用TCP来运输数据，HTTP给汽车运输设定了好几个运输方式，有GET, POST等。GET只需要汽车跑一趟就把货送到了，而POST得跑两趟，第一趟，先去和服务器打个招呼“嗨，我等下要送一批货来，你们打开门迎接我”，然后再回头把货送过去。

你现在明白它们的区别了吗？我们再看看urllib是如何使用这两个方法的。

在urllib中有个request这个模块，它主要是来负责构造和发起网络请求。它有个urlopen()访问方法，默认的访问方法是GET，我们在urlopen()方法中传入字符串格式的url地址后，此方法会访问目标网址，然后返回访问的结果。请看下面的实例：

from urllib import request

url = "https://zhuanlan.zhihu.com/p/20751612"

html = request.urlopen(url).read().decode("utf-8")

print(html)

urlopen()方法请求返回的对象类型为HTTPResponse对象。

from urllib import request

url = "https://zhuanlan.zhihu.com/p/20751612"

html = request.urlopen(url)

print(type(html))

返回的状态为200，即返回数据。

print(html.status)

返回的数据会是bytes的二进制格式，所以需要decode()一下，转换成字符串格式。

print(html.read().decode("utf-8")

这就是GET方式的一个最基本的运用，对于POST方法的实现其实和GET差不多，只不过多了一个data参数。即若添加data参数，就是以POST请求方式进行，如果没有data参数就是GET请求方式，请看下面一个POST案例。

这里通过使用http://httpbin.org/post网站演示（该网站可以作为练习如何使用urllib的一个站点使用，能够模拟各种请求操作)完成了一次POST请求。

通过上面的介绍我相信你对urllib的基础知识有了一个比较深刻的了解，但这远远不够，需要我们在实践中不断丰富我们的知识库，另外，urllib只是爬虫一个最基础的库，务必掌握，其他一些高端的库根据需要可以自行学会。

到目前为止我们还没有进行爬一些张图片或者视频的实验。下面我们看看如何来爬一些图片。

03

爬虫小实验

在本节我将介绍如何对知乎上某个专栏的一些图片进行爬虫。

话不多说，直接上这个小实验的代码（写在pachong.py文件中）如下：

from urllib import request

from bs4 import BeautifulSoup

import re

import time

url = "https://zhuanlan.zhihu.com/p/20751612"

html = request.urlopen(url).read().decode("utf-8")

soup = BeautifulSoup(html,"html.parser")

links = soup.find_all("img","origin_image zh-lightbox-thumb",src = re.compile(r'.jpg$'))

path = r"/home/tangxingwang/paichong_picture"

for link in links:

    print(link.attrs['src'])

    request.urlretrieve(link.attrs["src"],path+'\%s.jpg' % time.time())  

在本实例中，我们用Beautiful Soup结合正则表达式的方式来提取符合要求的链接，链接要求是在img标签中，class=origin_image zh-lightbox-thumb，而且链接是.jpg结尾。

soup = BeautifulSoup(html,"html.parser")

links = soup.find_all("img","origin_image zh-lightbox-thumb",src = re.compile(r'.jpg$'))

提取出所有链接后，使用request.urlretrieve来将所有链接保存到本地

在终端执行上面程序代码即可爬取图片

python3  pachong.py

04

github爬虫工程

接下来我们看看github上一些优秀的爬虫工程。

4.1 github图片爬虫工程

在github上有许多优秀的图片爬虫项目，我们选择一个对百度图片爬虫的工程详细解释下。下面是这个工程项目的github链接：

https://github.com/kong36088/BaiduImageSpider

我们将其clone下来后，有下图所示的一些文件：

接下来我们打开index.py这个文件，按照自己的需求修改自己的下面这一行代码

我把索引改成了科比，总数为1页，然后运行下面代码

python3 index.py

执行python3 index.py后你会发现有大量的图片在下载,如下图所示：

我们再看下文件的变化，你会现在的文件比我们之前clone下来的多了个科比文件夹，如下图所示：

打开科比这个文件夹，你会发现有许多科比的照片。

关于对百度图片爬虫就讲解到这，github上还有大量这样的项目，如下：

1.该github工程是关于对知乎里面某个问题下所有的图片进行爬虫。下面是链接：

https://github.com/ladingwu/python_zhihu

2.该github工程是关于对微博某个用户相册里面所有的图片进行爬虫。下面是链接：

https://github.com/lincanbin/Sina-Weibo-Album-Downloader

3.该github工程是关于对花瓣里面旅游模块图片进行爬虫，下面是链接

https://github.com/darrenfantasy/image_crawler/tree/master/Huaban

4.该github工程是关于对google image进行爬虫。下面是链接：

https://github.com/Ehco1996/Python-crawler/tree/master/Google-Image

这就是github上一些关于图片爬虫的工程，当然github上关于图片爬虫的工程还有很多，有需要可以自己search再学习学习。

4.2 github视频爬虫工程

说完图片的一些工程，我们再看看github上一些比较好的视频工程。下面这个链接是关于对抖音视频进行爬虫的一个项目。链接如下：

https://github.com/loadchange/amemv-crawler

clone下来有如下文件

现在打开文件`share-url.txt`,把你想要下载的抖音号分享链接编辑进去，以逗号/空格/tab/表格鍵/回车符分隔都行，可以多行。

样式如下：

然后在终端执行 下面代码即可下载

python3 amemv-video-ripper.py

下载后的视频保存在download文件件里面，里面有各个抖音号的小视频

在github中关于视频爬虫的工程实际上还有很多，大家可以去上面看看！

最后附上一个github上关于学习爬虫比较好的干货。链接如下。

https://github.com/Ehco1996/Python-crawler

总结

AI领域必须掌握的数据爬虫基础就讲到这里，这方面的知识还有很多，大家平时还需要多注意学习！

下期预告：下一期我们会讲用可视化来理解你的数据，如果你有建议，欢迎留言，我们会及时采纳的。

转载文章请后台联系

侵权必究

更多请关注知乎专栏《有三AI学院》

往期白身境

想要变身”AI专家“，就戳戳手指关注我们吧

别忘了点“好看”支持作者噢  👇👇👇