内容参考 北京理工大学 嵩天等 Mooc课程————《Python网络爬虫与信息提取》
- 天猫商品页面爬取
- 百度/360搜索关键词提交
- 网络图片的爬取和存储
一、天猫商品页面的爬取
本例以https://chaoshi.detail.tmall.com/item.htm
全部代码:
import requests
url="https://chaoshi.detail.tmall.com/item.htm"
try:
r=requests.get("https://chaoshi.detail.tmall.com/item.htm")
r.raise_for_status()
r.encoding=r.apparent_encoding
print(r.text[:1000])#截取文本的前1000个字符
except:
print("爬取失败")
二、百度/360搜索关键词提交
搜索引擎关键词提交接口
百度的关键词接口:
http://www.baidu.com/s?wd=keywords
360的关键词接口:
http://www.so.com/s?q=keywords
百度搜索全代码
import requests
keyword="python"
try:
kv={"wd":keyword}#利用字典将原本URL中的关键词替换成其他的关键词
r=requests.get("http://www.baidu.com/s",params=keyword)
print(r.request.url)
r.raise_for_status()
print(len(r.text))#提取信息的具体内容在下节详细学习
except:
print("爬取失败")
360搜索全代码
import requests
keyword="python"
try:
kv={"q":keyword}#注意其字典中的关键词与百度中的不同
r=requests.get("http://www.so.com/s",params=keyword)
print(r.request.url)
r.raise_for_status()
print(len(r.text))#提取信息的具体内容在下节详细学习
except:
print("爬取失败")
三、网络图片的爬取和存储
网络图片链接格式:
http://www.example.com/picture.jpg
图片爬取和存储全代码
URL以https://t1.hxzdhn.com/uploads/tu/202003/9999/b888de47d8.jpg为例
import requests
import os
url="https://t1.hxzdhn.com/uploads/tu/202003/9999/b888de47d8.jpg"
r=requests.get("https://t1.hxzdhn.com/uploads/tu/202003/9999/b888de47d8.jpg")
root="D://pics//"
path=root+url.split("/")[-1]
#split("/")[-1] 和 split("/",-1)的区别
#-1 :全切 0 :不切 1:切一刀 (每一块都保留)
#[-1]:将最后一块切割出来 [-2]:将倒数第二块切割出来 (只保留切出来的一块)
try:
if not os.path.exists(root):
os.mkdir(root)
#os.mkdir() 方法用于以数字权限模式创建目录。默认的模式为 0777 (八进制)。
#如果目录有多级,则创建最后一级,如果最后一级目录的上级目录有不存在的,则会抛出一个 OSError
if not os.path.exists(path):
r=requests.get(url)
with open(path,'wb') as f:
f.write(r.content)#r.content返回二进制形式的数据
f.close()
print("文件保存成功")
else:
print("文件已存在")
except:
print("爬取失败")