爬虫常用笔记总结

方法

import requests
from bs4 import BeautifulSoup
from fake_useragent import FakeUserAgent

hd = {'User-Agent': FakeUserAgent().random}
r = requests.get('https://www.meishij.net/fenlei/zaocan/', headers=hd)
# r.status_code   # 查看状态
# r.encoding  # 编码 ISO-8859-1
r.encoding = 'UTF-8'  # 转换编码格式
soup = BeautifulSoup(r.text, 'html.parser')  # r.content

"""

"""
# 指定标签
alst = soup.find_all('table')
for i in alst:
    print(i.a.get('title'), i.span.string, '\t', i.p.string)

# 指定样式 class_
info_all = soup.find_all('div', class_='list_s2_item')
for i in info_all:
    info1 = i.find('a', class_='list_s2_item_info').strong.string
    info2 = i.find('a', class_='list_s2_item_info').span.string

# 指定元素
address = soup.select(
    'body > div.comm-content-box.clearfloat > div > div.comm-content-left.clearfloat > div > div.xq_toggle > div:nth-child(2) > table:nth-child(1) > tbody > tr:nth-child(2) > td:nth-child(2)')
print(address[0].string)



"""
获取内容语法
data.get_text()   # 获取data中文本内容
p.string  # <p>张三<p>
a.get('title')  # <a>title='张三'</a>
.text    # 获取div中的内容
"""


"""
# find('p') 获取第一个p标签
# find_all('p') 获取所有标签 得到的是一个列表
title = a.p.a.get_text()  # 获取数据a中 第一个p标签的第一个a标签的内容
author = a.find_all('p')[1].find('a').string  # 获取数据a中 所有p标签的第二个p标签中所有a标签中的第一个内容
dynasty = a.find_all('p')[1].find_all('a')[1].string  # 获取数据a中 所有p标签的第二个p标签中所有a标签中的第二个内容
content = a.find('div', style='display:none;').text
"""

借用网站功能查IP地址：

import requests
from bs4 import BeautifulSoup
from fake_useragent import FakeUserAgent


def get_address_by_ip(ip):
    hd = {'User-Agent': FakeUserAgent().random}
    url = 'https://ip.hao86.com/' + ip + '/'
    r = requests.get(url, headers=hd)
    r.encoding = 'UTF-8'
    soup = BeautifulSoup(r.text, 'html.parser')
    address = soup.select(
        'body > div.comm-content-box.clearfloat > div > div.comm-content-left.clearfloat > div > div.xq_toggle > div:nth-child(2) > table:nth-child(1) > tbody > tr:nth-child(2) > td:nth-child(2)')
    return address[0].string


IP = input('输入你要查询的IP:')  # 221.218.142.209
address = get_address_by_ip(IP)
print(address)

保存图片：

import requests
import os

'''
爬取指定url图片
可能出现的问题：图片地址不合法，缺少http
http://upload.techweb.com.cn/s/310/2018/0410/1523330175838.jpg
'''
url4 = 'http://img.netbian.com/file/2022/1127/small1208244iXg61669522104.jpg'

theUrl = url4  # 指定要爬取的url

# 爬取到的图片存在电脑那个磁盘位置
root = "d://pythonZoneHH//pic2HH//"

path = root + theUrl.split("/")[-1]  # 这句话可以保证原来图片叫什么名字，爬下来时候还叫什么名字
print(path)
try:
    if not os.path.exists(root):  # 判断磁盘制定文件夹是否存在，
        os.makedirs(root)  # 如果不存在就创建文件夹

    r = requests.get(theUrl)
    print("文件大小", len(r.content) / 1024, "kb")
    with open(path, "wb") as f:
        print("正在保存文件...")
        f.write(r.content)  # 向文件中写入二进制内容
        print("文件保存成功")
except Exception as e:
    print("爬取失败", e)

页面中不存在的数据爬取：

右键检查，从网络的请求中的找到对应数据，在标头中复制出URL

import json

from bs4 import BeautifulSoup
import requests
from fake_useragent import FakeUserAgent

re_url = 'https://www.thecfa.cn/index.html'
url = 'https://www.thecfa.cn/nvzgjd/dataApi/text/v1?contId=30235&next=-1'
hd = {'User-Agent': FakeUserAgent().random, 'Referer': re_url}  # Referer:re_url 设置引用页
r = requests.get(url, headers=hd)
r.encoding = 'UTF-8'
# r.text 获取到的是一个字符串  {"text":"<h3> 国际足联排名..."}  类型：<class:'str'>
dic = json.loads(r.text)  # 字符串转json数据  用 json.loads(内容)
html_doc = dic.get('text')  # 通过 .get('键')  取出值即可
soup = BeautifulSoup(html_doc, 'html.parser')
info_all = soup.find_all('li')
for i in info_all:
    # print(i, '....')
    date = i.find('div', class_='date').get_text()
    img_url = i.find_all('div', class_='country')[0].p.img.get('src')
    score = i.find('div', class_='score').get_text()
    img_url2 = i.find_all('div', class_='country')[1].p.img.get('src')
    print(date, '\t', img_url, '\n', score, '\t', img_url2)