python爬虫基础_requests和bs4
这些都是笔记,还缺少详细整理,后续会更新。
下面这种方式,属于入门阶段,手动成分比较多.
首先安装必要组件:
pip3 install requests
pip3 install beautifulsoup4
一、爬汽车之家
#!/usr/bin/env python
# coding:utf-8 import requests
from bs4 import BeautifulSoup # 1.下载页面
ret = requests.get(url="https://www.autohome.com.cn/news/")
# print(ret) # 得到对象
# ret.encoding="gbk" # 指定编码
# print(ret.apparent_encoding)
ret.encoding = ret.apparent_encoding # 指定编码等于原始页面编码
# print(ret.text) # 2. 解析:获取想要的指定内容 beautifulsoup
soup = BeautifulSoup(ret.text, 'html.parser') # 使用lxml则速度更快 # 如果要加class,则前面加下划线
# div = soup.find(name='div', id='auto-channel-lazyload-article', _class='article-wrapper') # 找到外部DIV
div = soup.find(name='div', attrs={"id":"auto-channel-lazyload-article","class":"article-wrapper"}) # 使用属性字典方式 li_list = div.find_all(name='li') for li in li_list:
h3 = li.find(name='h3')
if not h3:
continue
print(h3.text) a = li.find('a')
# print(a.attrs)
print(a.get('href')) p = li.find(name='p')
print(p.text)
print('----->' * 20) img = li.find(name='img')
src = img.get('src') filename = src.rsplit('__', maxsplit=1)[1] down_img = requests.get(url='https:' + src)
with open(filename, 'wb') as f:
f.write(down_img.content)
当然,从for循环输出开始,将内容写入文件或数据库,就随需求了。
import requests
from bs4 import BeautifulSoup # 1.下载页面
ret = requests.get(url="https://www.autohome.com.cn/news/")
ret.encoding = ret.apparent_encoding # 指定编码等于原始页面编码 # 2. 解析:获取想要的指定内容 beautifulsoup
soup = BeautifulSoup(ret.text, 'html.parser') # 使用lxml则速度更快 # 如果要加class,则前面加下划线 # 使用属性字典方式
div = soup.find(name='div', attrs={"id":"auto-channel-lazyload-article","class":"article-wrapper"}) li_list = div.find_all(name='li') with open('res.txt','w',encoding='utf-8') as t:
for li in li_list:
h3 = li.find(name='h3')
if not h3:
continue
t.write(h3.text+'\n') a = li.find('a')
t.write(a.get('href')+'\n') p = li.find(name='p')
txt = p.text.split(' ',1)[1]
t.write(txt+'\n')
t.write('\n') img = li.find(name='img')
src = img.get('src') filename = src.rsplit('__', maxsplit=1)[1] down_img = requests.get(url='https:' + src)
with open('./img/'+filename, 'wb') as f:
f.write(down_img.content)
二、登录抽屉
#!/usr/bin/env python
# coding:utf-8 import requests # 请求头要加,先访问普通网页,伪造得越像浏览器越好
# 1. 先访问网页,获取cookie(未授权)
ret = requests.get(
url="https://dig.chouti.com/all/hot/recent/1",
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36', }
)
# print(ret.text)
r1_cookie_dict = ret.cookies.get_dict() # 2. 登录 发送用户名和密码认证, 带上未授权的cookie
# 需要注意反爬虫策略
response_login = requests.post(
url="https://dig.chouti.com/login",
data={
"phone": "",
"password": "wodemima",
"oneMonth": ""
},
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
},
cookies=r1_cookie_dict
) # print(response_login.text)
# cookie_dict=response_login.cookies.get_dict() # 第二次返回的cookie # 点赞
r1 = requests.post(
url="https://dig.chouti.com/link/vote?linksId=20630611",
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'},
cookies=r1_cookie_dict
)
print(r1.text)
# {"result":{"code":"9999", "message":"推荐成功", "data":{"jid":"cdu_53074732774","likedTime":"1530752755154000","lvCount":"21","nick":"aabbccdd","uvCount":"1","voteTime":"小于1分钟前"}}}
requests和bs4的几个小片段:
#!/usr/bin/env python
# coding:utf-8 import requests,re
from bs4 import BeautifulSoup '''
requests.get(url="http://www.baidu.com") # requests.request(method="get",url="xxx")
requests.post(url="http://www.baidu.com") # requests.request(method="post",url="xxx") 可以传的参数:
url: 地址
params: URL中传入的参数
headers: 请求头
cookies: Cookie
data: 数据
以上必需牢记
''' ret = requests.get(
url="https://www.baidu.com/s",
params={"wd": "王历宏"}, # https://www.baidu.com/s?wd=%E6%9D%8E%E5%81%A5
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36', },
)
ret.encoding = ret.apparent_encoding
# print(ret.text) soup = BeautifulSoup(ret.text, 'html.parser') div = soup.find(name='span', attrs={"class":"nums_text"})
# lis = re.findall("\d+",div.text)
# print("".join(lis)) print(div.text) '''
### json参数
requests.post(
url="http://www.baidu.com",
# json={
# 'name':'alex',
# 'passwd':'123456',
# },
headers={},
cookies={}, # 如果搞不清对方是要Form_data 还是payload 就使用下面的方式。
data=json_dumps({
'name':'alex',
'pwd':'123456',
})
) '''
## 上传文件 # auth 基本弹窗验证
from requests.auth import HTTPBasicAuth,HTTPDigestAuth res = requests.get(
'https://api.github.com/user', auth=HTTPBasicAuth("abc@163.com","")
# 'https://api.github.com/user', auth=HTTPDigestAuth("abc@163.com","11223344") # 方法不一样
)
print(res.text) # timeout 超时时间 # allow_redirects ## proxies 代理
'''
proxies ={
"http":"61.172.249.96:80",
"https":"http://61.185.219.126:3128",
} ret = requests.get("http://www.proxy360.cn/Proxy",proxies=proxies) proxies2 = {"http://10.20.1.128":"http://10.10.1.10:5323"}
''' # 使用代理字典,以及用户名密码
'''
from requests.auth import HTTPProxyAuth proxy_dict={
'http':'77.75.105.165',
'https':'77.75.105.166'
} auth=HTTPProxyAuth('username','mypwd') r = requests.get("http://www.google.com",proxies=proxy_dict,auth=auth)
'''
我上交的作业,还是有不少问题。
#!/usr/bin/env python
# coding:utf-8 import requests
from bs4 import BeautifulSoup username = input("请输入github账号:")
pwd = input("请输入github密码:")
print("请稍等几秒... ") # 1. 打开登录页
ret1 = requests.get(
url="https://github.com/login",
headers={
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0',
}
)
r1_cookie_dict = ret1.cookies.get_dict() # 首次获取cookie soup1 = BeautifulSoup(ret1.text, features='lxml')
token1 = soup1.find(name="input", attrs={"name": "authenticity_token"}).get("value") # 拿到页面token
# print(token1) # 是否取到 authenticity_token # 2. 登录动作
ret2 = requests.post(
url="https://github.com/session",
data={
"commit": "Sign in",
"utf8": "✓",
"authenticity_token": token1,
"login": username,
"password": pwd,
},
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0',
},
cookies=r1_cookie_dict # 带上首次的cookie
)
r2_cookie_dict = ret2.cookies.get_dict() # 获取登录成功后返回的cookie
# print(ret2.text) # 确实是慢了点 # 3. 作业中要求获取个人信息,所以打开个人settings页
ret3 = requests.get(
url="https://github.com/settings/profile",
headers={
'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0',
},
cookies=r2_cookie_dict # 带上登录成功后的cookie
)
# print(ret3.text) # 4. 查找并打印个人信息
soup3 = BeautifulSoup(ret3.text, features='lxml') user_info_name= soup3.find(name="input", attrs={"name": "user[profile_name]"}).get("value")
user_info_email = soup3.find(name="select", attrs={"name": "user[profile_email]"}).get("option") # 可能有问题
user_info_bio = soup3.find(name="textarea", attrs={"name": "user[profile_bio]"}).get("value")
user_info_url = soup3.find(name="input", attrs={"name": "user[profile_blog]"}).get("value")
user_info_company = soup3.find(name="input", attrs={"name": "user[profile_company]"}).get("value")
user_info_location = soup3.find(name="input", attrs={"name": "user[profile_location]"}).get("value") print('Name: ',user_info_name)
print('Public email: ',user_info_email)
print('Bio: ',user_info_bio)
print('URL: ',user_info_url)
print('Company: ',user_info_company)
print('Location: ',user_info_location) '''
以下是API的方式,试过,直接得到字典。 from requests.auth import HTTPBasicAuth res = requests.get(
'https://api.github.com/user', auth=HTTPBasicAuth(username, pwd)
)
print(res.text)
'''
以下是老师给的指导意见,真是非常好的反馈:
1.请了解下python的pep8规范 2.你的请求头一定要写完整,不要这么暴露你的爬虫请求,这种行为是不好的习惯。 3.你代码的注释写在文档里最好了。 4.你每个请求一定要try一下这在爬虫里很重要你要保证你的爬虫稳定运行 5.你的代码应该封装成函数 6.你写任何项目的时候注意下项目结构哈 7.同学作业写的很好了,其实生产中bs4还是不多的。pyquery或者路径获取的方式用的很多。
python爬虫基础_requests和bs4的更多相关文章
- Python爬虫基础
前言 Python非常适合用来开发网页爬虫,理由如下: 1.抓取网页本身的接口 相比与其他静态编程语言,如java,c#,c++,python抓取网页文档的接口更简洁:相比其他动态脚本语言,如perl ...
- python爬虫-基础入门-python爬虫突破封锁
python爬虫-基础入门-python爬虫突破封锁 >> 相关概念 >> request概念:是从客户端向服务器发出请求,包括用户提交的信息及客户端的一些信息.客户端可通过H ...
- python爬虫-基础入门-爬取整个网站《3》
python爬虫-基础入门-爬取整个网站<3> 描述: 前两章粗略的讲述了python2.python3爬取整个网站,这章节简单的记录一下python2.python3的区别 python ...
- python爬虫-基础入门-爬取整个网站《2》
python爬虫-基础入门-爬取整个网站<2> 描述: 开场白已在<python爬虫-基础入门-爬取整个网站<1>>中描述过了,这里不在描述,只附上 python3 ...
- python爬虫-基础入门-爬取整个网站《1》
python爬虫-基础入门-爬取整个网站<1> 描述: 使用环境:python2.7.15 ,开发工具:pycharm,现爬取一个网站页面(http://www.baidu.com)所有数 ...
- python爬虫基础要学什么,有哪些适合新手的书籍与教程?
一,爬虫基础: 首先我们应该了解爬虫是个什么东西,而不是直接去学习带有代码的内容,新手小白应该花一个小时去了解爬虫是什么,再去学习带有代码的知识,这样所带来的收获是一定比你直接去学习代码内容要多很多很 ...
- Python爬虫基础之认识爬虫
一.前言 爬虫Spider什么的,老早就听别人说过,感觉挺高大上的东西,爬网页,爬链接~~~dos黑屏的数据刷刷刷不断地往上冒,看着就爽,漂亮的校花照片,音乐网站的歌曲,笑话.段子应有尽有,全部都过来 ...
- python 爬虫基础知识一
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本. 网络爬虫必备知识点 1. Python基础知识2. P ...
- Python爬虫基础(一)——HTTP
前言 因特网联系的是世界各地的计算机(通过电缆),万维网联系的是网上的各种各样资源(通过超文本链接),如静态的HTML文件,动态的软件程序······.由于万维网的存在,处于因特网中的每台计算机可以很 ...
随机推荐
- 简单了解 DLL中, .def 文件及C#调用C++方法
DLL中导出函数的声明有两种方式: 1.在函数声明中加上__declspec(dllexport) //以下内容为 .h 文件中的内容 //向外界提供的端口 extern"C" _ ...
- 文献导读 | Single-Cell Sequencing of iPSC-Dopamine Neurons Reconstructs Disease Progression and Identifies HDAC4 as a Regulator of Parkinson Cell Phenotypes
文献编号:19Mar - 11 2019年04月23日三读,会其精髓: 相信这种方法的话,那么它的精髓是什么,如何整合出这个core gene set. 首先要考虑样本的选择,样本里是否存在明显的分层 ...
- locate 和 find
因工作需求,需要查找到系统内是否有 密钥文件 id_rsa 或 id_dsa;想到两个工具find 和 locate find 可以对指定范围内的文件进行实时查找,但是 考虑到这种方法非常耗时. lo ...
- C++之标准库map
目录 1.成员函数 2.元素访问 3.迭代器Iterators(C++ 11) 4.容量Capacity 5.修改函数(C++ 11和C++ 17) 6.查找表Lookup 7.观察Observers ...
- EF开发中EntityFramework在web.config中的配置问题
异常: 未找到具有固定名称“System.Data.SqlClient”的 ADO.NET 提供程序的实体框架提供程序.请确保在应用程序配置文件的“entityFramework”节中注册了该提供程序 ...
- Python 安装包报错
以管理员身份运行cmd (requests为为所安装的包名) >>pip install reuqestsCollecting reuqests Could not find a vers ...
- mycat环境搭建
最近工作中突然让搞mycat,特意私下在家先搞一套练个手: 1.先下载一个CentOS7 mini版本就可以(本人机器性能有限): 2.使用VMware创建虚拟机,过程百度下一大堆,这里不做详细介绍. ...
- python编程学习--Pygame - Python游戏编程入门(0)---转载
原文地址:https://www.cnblogs.com/wuzhanpeng/p/4261015.html 引言 博客刚开,想把最近学习的东西记录下来,算是一种笔记.最近打算开始学习Python,因 ...
- Abp 中 模块 加载及类型自动注入 源码学习笔记
注意 互相关联多使用接口注册,所以可以 根据需要替换. 始于 Startup.cs 中的 通过 AddApplication 扩展方法添加 Abp支持 1 services.AddApplicati ...
- 小白的python之路Linux部分10/27&28
用户 创建流程模拟 总代码 [root@localhost ~]# vim /etc/passwd #1 [root@localhost ~]# mkdir /home/rose [root@loc ...