requests模块介绍
requests模块,python中原生的一款基于网络请求的模块
作用:模拟浏览器发请求
如何使用(requests模块的编码流程):
- 指定url
- 发起请求(post请求Ajax,get请求静态)
- 获取响应数据
- 持久化存储
环境安装:
pip install requests
#需求:爬取搜狗首页的页面数据
import requests
#step 1: 指定url
url = 'https://www.sogou.com/'
#step 2: 发起请求
#get方法会返回一个响应对象
response = requests.get(url=url)
#step 3: 获取响应数据, text返回的是字符串形式的响应数据
page_text = response.text
#step 4: 持久化存储
with open('./sogou.html','w',encoding='utf-8') as fp:
fp.write(page_text)
print('爬取数据结束!')
爬取数据结束!
简易网页采集器
#UA:User-Agent (请求载体的身份标识)
"""
UA检测:门户网站的服务器会检测对应请求的载体身份标识,如果监测到请求
的载体身份表示为某一款浏览器的,则说明该请求是一个正常的请求,但是,
如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示为不正常的请求(爬虫),
则服务端就很有可能拒绝该次请求。
"""
#UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器
import requests
#UA伪装:将对应的User-Agent封装到一个字典中。
#user-agent获取:页面--检查--network--下面列表栏,随便点击一行--在Headers下找到user-agent
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.57'
}
#地址栏中主要信息为下面字符串,至query=‘搜索关键词’
url = 'https://www.sogou.com/web'#缺少参数,为动态
#处理url携带的参数,封装到字典中
kw = input('enter a word:')
param = {
'query':kw
}
#对指定的url发起的请求对应的url是携带参数的,并且请求过程中处理了参数
response = requests.get(url=url,params=param,headers=headers)
page_text = response.text
fileName = kw+'.html'
with open(fileName,'w',encoding='utf-8') as fp:
fp.write(page_text)
print(fileName,'保存成功!')
破解百度翻译
#post请求(携带了参数)
#响应数据是一组json数据
import requests
import json
#1.指定url
post_url = 'https://fanyi.baidu.com/sug'
#2.进行UA伪装
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.57'
}
#3.post请求参数处理(同get请求)
word = input('enter a word:')
data = {
'kw':word
}
#4.请求发送
response = requests.post(url=post_url,data=data,headers=headers)
#5.获取响应数据,json返回的object对象(如果确认响应数据是json类型,才能使用json)
dic_obj = response.json()
#进行持久存储
fileName = word+'.json'
fp = open(fileName,'w',encoding='utf-8')
json.dump(dic_obj,fp=fp,ensure_ascii=False)
print('over!')
enter a word:dog
over!
豆瓣电影爬取
import requests
import json
url = 'https://movie.douban.com/j/chart/top_list'
param = {
'type': '24',
'interval_id': '100:90',
'action': '',
'start': '0', #从库中的第几部电影去取
'limit': '20', #一次取出的个数
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.57'
}
response = requests.get(url=url,params=param,headers=headers)
list_data = response.json()
fp = open('./douban.json','w',encoding='utf-8')
json.dump(list_data,fp=fp,ensure_ascii=False)
print('over!')
over!
import requests
import json
url = 'http://www.kfc.com.cn/kfccda/storelist/index.aspx'
param = {
'cname': '',
'pid':'',
'keyword': '上海',
'pageIndex': '1',
'pageSize': '10'
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.60'
}
response = requests.post(url=url,params=param,headers=headers)
page_text = response.text
with open('./KFC.html','w',encoding='utf-8') as fp:
fp.write(page_text)
print('保存成功!')
保存成功!
中国国药监局信息爬取 - 综合
import requests
import json
url = 'http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36 Edg/87.0.664.60'
}
id_list = [] #存储企业的ID
all_data_list = [] #存储所有的企业详情数据
for page in range(1,6):
page = str(page)
data_param = {
'on': 'true',
'page': page,
'pageSize': '15',
'productName':'',
'conditionType':