#实例2:爬取亚马逊商品详情页————协议头
url='https://www.amazon.cn/dp/B076YGLN6G?smid=A3CQWPW49OI3BQ&ref\_=Oct\_CBBBCard\_dsk\_asin2&pf\_rd\_r=X83064H6KVVDTZ4WWDFB&pf\_rd\_p=5a0738df-7719-4914-81ee-278221dce082&pf\_rd\_m=A1AJ19PSB66TGU&pf\_rd\_s=desktop-3'
try:
res = requests.get(url)
res.raise\_for\_status() #503
res.encoding=r.apparent_encoding #'ISO-8859-1'
print(res.text[:1000])
except:
print("爬取错误")
'''
res.request.headers
Out[7]: {'User-Agent': 'python-requests/2.22.0', 'Accept-Encoding': 'gzip, deflate', 'Accept': '\*/\*', 'Connection': 'keep-alive'}
'''
try:
kv={'user-agent':'Mozilla/5.0'} #浏览器身份标识的字段
r=requests.get(url,headers=kv)
r.raise\_for\_status() #r.status_code 200
r.encoding=r.apparent_encoding
print(r.text[1000:3000])
except:
print("爬取失败")
- 百度/360搜索关键字
#实例3:爬取搜索页面
import requests
try:
kw={'wd':'python'}
r=requests.get('https://www.baidu.com/s',params=kw)
r.raise\_for\_status()
r.encoding=r.apparent_encoding
print(len(r.text))
#r.request.url 返回的是百度安全验证的链接?
except:
print("爬取失败")
import requests
try:
kw={'q':'python'} #360搜索的关键字的键为q
r=requests.get('https://www.so.com/s',params=kw)
r.raise\_for\_status()
r.encoding=r.apparent_encoding
print(len(r.text)) #257468
except:
print("爬取失败")
- 网络图片爬取及存储
#实例4:爬取图片
'''r.content #表示返回内容的二进制格式'''
import requests
import os
root='./Pic/'
path=root+url.split('/')[-1].split('@')[0]
url='http://img0.dili360.com/ga/M00/02/AB/wKgBzFQ26i2AWujSAA\_-xvEYLbU441.jpg@!rw9'
try:
if not os.path.exists(root):
os.mkdir(root) #创建根目录
if not os.path.exists(path):
r=requests.get(url)
# 如何将二进制转化为图片保存
with open(path, 'wb') as f:
f.write(r.content)
f.close()
print('图片保存成功')
else:
print('文件已存在')
except:
print("爬取失败")
- IP地址归属地查询
#实例5:IP地址归属地查询
import requests
url='http://www.ip138.com/iplookup.asp?ip='
try:
r=requests.get(url+'183.216.163.144',headers=kv)
r.raise\_for\_status()
r.encoding=r.apparent_encoding
print(r.text[:-500])
except:
print('爬取失败')
二、urllib.request基础
1.urllib基础:
urllib.request.urlretrieve(url,file) #将网页保存到本地,参数为抓取的网址和保存网页的文件路径
urllib.request.urlcleanup() #将urlretrieve产生的缓存清除
file=urllib.request.urlopen(url) #爬取网页
file.info() #获取header的信息
file.getcode() #获取爬取网页的状态码(200,403,404等)
file.geturl() #获取目前爬取的网址
2.超时设置:根据网速和对方服务器响应的快慢设置相应的超时设置
urllib.request.urlopen("http://read.douban.com/provider/all",timeout=1)
for i in range(0,100):
try:
file=urllib.request.urlopen("http://www.hao123.com",timeout=10)
data=file.read()
print(i,len(data))
except Exception as e:
print("出现异常"+str(e))
3.自动模拟http请求:
①get请求(搜索某些内容)
自动在百度上搜索关键词,获得搜索界面
#get请求
keywd="Python"
url="http://www.baidu.com/s?wd="+keywd #网址构造
print(url)
req=urllib.request.Request(url) #以请求的方式获取,网址
data=urllib.request.urlopen(req).read()
fh=open("C:/Users/admin/Desktop/a.html","wb") #以二进制写入html文件
fh.write(data)
fh.close()
#若搜索关键词为中文
keywd1="亚马孙"
keywd1=urllib.request.quote(keywd1) #利用quote对中文进行编码
url1="http://www.baidu.com/s?wd="+keywd1
req=urllib.request.Request(url1)
data=urllib.request.urlopen(req).read()
fh=open("C:/Users/admin/Desktop/a.html","wb") #二进制
fh.write(data)
fh.close()
②post请求(登录某些网站)
#post请求
import urllib.request
import urllib.parse
url="https://www.iqianyue.com/mypost/" #地址
login=urllib.parse.urlencode(
{"name":"1121640425@qq.com","pass":"123"}
).encode("utf-8") #登录数据
req=urllib.request.Request(url,login)
data=urllib.request.urlopen(req).read()
fh=open("C:/Users/admin/Desktop/a.html","wb")
fh.write(data)
fh.close()
三、bs4库
功能:解析、遍历、维护标签树。
…
- 标签名 p
- 属性名称 class
- 属性值 title
3.1 BeautifulSoup支持的解析器
1.Python标准库:内置库、执行速度适中、文档容错能力强;
2.lxml HTML解析器:速度快,文档容错能力强(推荐);
3.lxml XML解析器:速度快,唯一支持xml的解析器;
4.html5lib:最好的容错性、以浏览器方式解析文档,生成HTML5格式的文档。
具体用法:soup=BeautifulSoup(markup,from_encoding=“编码方式”)
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><span> Elsie </span></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify()) #输出清晰的树形结构
Beautifu Soup将复杂的HTML文档转化为树形结构,每个节点都是Python对象:
- Tag:标签;
- NavigableString:被包裹在tag内的字符串;
- BeautifulSoup:表示一个文档的全部内容,大部分时候可以看做一个tag对象,支持遍历文档树和搜索文档树的方法;
- Comment:特殊NavigableString,会以特殊格式输出,比如注释类型。
3.2 基本用法
搜索文档树:tag.name_按顺序获得第一个标签
获取所有标签?
tag.contents可以将tag的子节点以列表方式输出
tag.children,对tag的子节点进行循环
tag.descendants,子孙节点
tag.string,获取tag(只有一个子节点)下所有的文本内容
迭代的方式找出所有的文本内容
soup.get_text() #从文档中获取所有的文字内容
四、正则(信息提取)
- 中国大学排名案例
import requests
from bs4 import BeautifulSoup
import bs4
#爬取信息
def getHtmlText(url):
try:
res=requests.get(url,timeout=30)
res.raise\_for\_status()
res.encoding=res.apparent_encoding
return res.text
except:
print("error")
return ""
#提取信息
def fillUnivList(ulist,html):
soup=BeautifulSoup(html,"html.parser")
for tr in soup.find("tbody").children:
if isinstance(tr,bs4.element.Tag): #检测tr标签的类型
tds=tr('td')
ulist.append([tds[0].string,tds[1].string,tds[2].string])
#打印信息
def printUnivList(ulist,num): #学习数量
tplt="{0:^10}\t{1:{3}^12}\t{2:^9}" #{}域,格式化输出
#表头
print(tplt.format("排名","学校","地址",chr(12288)))
for i in range(num):
u=ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
print("Suc"+str(num))
#chr(12288)中文空格,解决中英文混排的问题
def mian():
uinfo=[]
### 最后
> **🍅 硬核资料**:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
> **🍅 技术互助**:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
> **🍅 面试题库**:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
> **🍅 知识体系**:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友,可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**