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
- Flutter采坑之路 用真机跑起来的时候提示 initGradle失败,IO异常,downloading Gradle-4.6-all.zip失败
这个异常就是Gradle下载异常,进而下面会提示一行IO异常 我这里的原因就是Gradle对应的4.6-all版本下载不下来(一般情况下确实很难下载下来) 所以在正常AS工程呢,我们选择一下Gradl ...
- SpringBoot关于SpringDataJpa中findOne()方法报错问题
问题描述: 首先用的SpringDataJPA的1.11版本,可以使用findOne()方法根据id查询 然后我使用了2.0.5版本,发现findOne()方法报错了,不能用来当作根据id查询了. 当 ...
- Java POJO类直接存储在MongoDB中
记录Java POJO类直接存储在MongoDB中的策略. maven: <dependency> <groupId>org.mongodb</groupId> & ...
- springmvc请求参数异常统一处理
1.ExceptionHandlerController package com.oy.controller; import java.text.MessageFormat; import org.s ...
- Activiti之流程通过、驳回、会签、转办、中止、挂起等核心操作封装(Activiti5.9)
http://blog.csdn.net/rosten/article/details/38300267 package com.famousPro.process.service.impl; imp ...
- 【Java】【10】后台处理Emoji表情
问题:存到数据库的emoji表情,取出来后,在前端显示为乱码 环境:SpringBoot + Oracle(MySQL据说是支持表情的) 解决方案: 引入emoji相关的jar包,使用很方便,不过表情 ...
- Linux进程管理的学习
uptime 简洁显示服务器负载 uptime 显示内核版本 uname -r dstat命令 cpu.内存.io等查看工具 dstat dstat --top-cpu dstat --top-io ...
- Win10 禁止自动更新以及禁止Windows 10升级助手(Windows 10 易升)
微软目前已经重新启用非常烦人的Windows 10升级助手,现在该助手主要帮助用户自动下载以及安装更新. 彻底禁用: 1.在开始菜单右侧的搜索框中输入关键词控制面板,然后打开控制面板后转到程序与功能里 ...
- 通过编写一个简单的日志类库来加深了解C#的文件访问控制
在程序的开发调试过程及发布运行后的状态监控中,日志都有着极其重要的分量,通过在关键逻辑节点将关键数据记录到日志文件当中能帮助我们尽快找到程序问题所在.网上有不少专业成熟的日志组件可用,比如log4ne ...
- baidu-map
1 var map = new BMap.Map("wcp"); // 创建Map实例 2 map.centerAndZoom(new BMap.Point(9.123469591 ...