Task 05 Python 爬虫入门

最新推荐文章于 2023-02-17 14:27:56 发布

大米2H

最新推荐文章于 2023-02-17 14:27:56 发布

阅读量1k

点赞数

分类专栏：爬虫入门

本文链接：https://blog.csdn.net/m0_57446978/article/details/118255077

版权

爬虫入门专栏收录该内容

3 篇文章 0 订阅

订阅专栏

1.Requests简介

Requests是一款目前非常流行的http请求库，使用python编写，能非常方便的对网页Requests进行爬取，也是爬虫最常用的发起请求第三方库。

安装方法

pip install requests

或者conda安装

conda install requests
1、re.status_code 响应的HTTP状态码

2、re.text 响应内容的字符串形式

3、re.content 响应内容的二进制形式

4、re.encoding 响应内容的编码

1.1访问百度

试一试对百度首页进行数据请求：

项目难度：⭐

import requests

import requests
# 发出http请求
re=requests.get("https://www.baidu.com")
# 查看响应状态
print(re.status_code)
#输出：200
#200就是响应的状态码，表示请求成功
#我们可以通过res.status_code的值来判断请求是否成功。

re.text

'<!DOCTYPE html>\r\n<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css><title>ç\x99¾åº¦ä¸\x80ä¸\x8bï¼\x8cä½\xa0å°±ç\x9f¥é\x81\x93</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus=autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=ç\x99¾åº¦ä¸\x80ä¸\x8b class="bg s_btn" autofocus></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>æ\x96°é\x97»</a> <a href=https://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>å\x9c°å\x9b¾</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>è§\x86é¢\x91</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>è´´å\x90§</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>ç\x99»å½\x95</a> </noscript> <script>document.write(\'<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=\'+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ \'" name="tj_login" class="lb">ç\x99»å½\x95</a>\');\r\n                </script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">æ\x9b´å¤\x9aäº§å\x93\x81</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>å\x85³äº\x8eç\x99¾åº¦</a> <a href=http://ir.baidu.com>About Baidu</a> </p> <p id=cp>&copy;2017&nbsp;Baidu&nbsp;<a href=http://www.baidu.com/duty/>ä½¿ç\x94¨ç\x99¾åº¦å\x89\x8då¿\x85è¯»</a>&nbsp; <a href=http://jianyi.baidu.com/ class=cp-feedback>æ\x84\x8fè§\x81å\x8f\x8dé¦\x88</a>&nbsp;äº¬ICPè¯\x81030173å\x8f·&nbsp; <img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div> </body> </html>\r\n'

1.2下载txt文件

例：用爬虫下载孔乙己的文章，网址是https://apiv3.shanbay.com/codetime/articles/mnvdu

我们打开这个网址可以看到是鲁迅的文章

我们尝试着用爬虫保存文章的内容

项目难度：⭐

re = requests.get('https://apiv3.shanbay.com/codetime/articles/mnvdu')
# 查看页面响应状态
print("页面响应状态:",re.status_code)

页面响应状态: 200

with open('鲁迅文章.txt', 'w') as file:
  # 将数据的字符串形式写入文件中
  print('正在爬取小说')
  file.write(re.text)

正在爬取小说

file
#re.txt就是网页中的内容，将内容保存到txt文件中

<_io.TextIOWrapper name='鲁迅文章.txt' mode='w' encoding='cp936'>

re.encoding

'UTF-8'

1.3下载图片

re.text用于文本内容的获取、下载

re.content用于图片、视频、音频等内容的获取、下载

项目难度：⭐⭐

re = requests.get('https://img-blog.csdnimg.cn/20210424184053989.PNG')
with open('datawhale.png','wb') as picture:
    # 将数据的二进制形式写入文件中
    picture.write(re.content)

re.encoding 爬取内容的编码形似，常见的编码方式有 ASCII、GBK、UTF-8 等。如果用和文件编码不同的方式去解码，我们就会得到一些乱码。

2.HTML解析和提取

浏览器工作原理：

向浏览器中输入某个网址，浏览器回向服务器发出请求，然后服务器就会作出响应。其实，服务器返回给浏览器的这个结果就是HTML代码，浏览器会根据这个HTML代码将网页解析成平时我们看到的那样

res = requests.get('https://baidu.com')
print(res.text)

<!DOCTYPE html>
<!--STATUS OK--><html> <head><meta http-equiv=content-type content=text/html;charset=utf-8><meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer><link rel=stylesheet type=text/css href=http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css><title>ç™¾åº¦ä¸€ä¸‹ï¼Œä½ å°±çŸ¥é“</title></head> <body link=#0000cc> <div id=wrapper> <div id=head> <div class=head_wrapper> <div class=s_form> <div class=s_form_wrapper> <div id=lg> <img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129> </div> <form id=form name=f action=//www.baidu.com/s class=fm> <input type=hidden name=bdorz_come value=1> <input type=hidden name=ie value=utf-8> <input type=hidden name=f value=8> <input type=hidden name=rsv_bp value=1> <input type=hidden name=rsv_idx value=1> <input type=hidden name=tn value=baidu><span class="bg s_ipt_wr"><input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus></span><span class="bg s_btn_wr"><input type=submit id=su value=ç™¾åº¦ä¸€ä¸‹ class="bg s_btn"></span> </form> </div> </div> <div id=u1> <a href=http://news.baidu.com name=tj_trnews class=mnav>æ–°é—»</a> <a href=http://www.hao123.com name=tj_trhao123 class=mnav>hao123</a> <a href=http://map.baidu.com name=tj_trmap class=mnav>åœ°å›¾</a> <a href=http://v.baidu.com name=tj_trvideo class=mnav>è§†é¢‘</a> <a href=http://tieba.baidu.com name=tj_trtieba class=mnav>è´´å§</a> <noscript> <a href=http://www.baidu.com/bdorz/login.gif?login&amp;tpl=mn&amp;u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>ç™»å½•</a> </noscript> <script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">ç™»å½•</a>');</script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">æ›´å¤šäº§å“</a> </div> </div> </div> <div id=ftCon> <div id=ftConw> <p id=lh> <a href=http://home.baidu.com>å

³äºŽç™¾åº¦ About Baidu

**HTML(Hyper Text Markup Language)**是一种超文本标记语言，是由一堆标记组成。

我的网页 Hello，World # 3.BeautifulSoup简介

我们一般会使用BeautifulSoup这个第三方库

安装方法：
pip install bs4
或
conda install bs4
我们来解析豆瓣读书 Top250

它的网址是：https://book.douban.com/top250

项目难度：⭐⭐

re = requests.get("https://book.douban.com/top250")

re.status_code

import io
import sys
import requests
from bs4 import BeautifulSoup

headers = {
  'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}
res = requests.get('https://book.douban.com/top250', headers=headers)

with open("豆瓣html.txt","w") as file:
    file.write(res.text,encoding='gb18030')

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-35-f3d05a807223> in <module>
      1 with open("豆瓣html.txt","w") as file:
----> 2     file.write(res.text,encoding='gb18030')


TypeError: write() takes no keyword arguments

soup = BeautifulSoup(res.text, 'lxml')
print(soup.find('a'))

<a class="nav-login" href="https://accounts.douban.com/passport/login?source=book" rel="nofollow">登录/注册</a>

python 打印信息时会有限制我们将打印的编码改成gb18030

headers表示我们的请求网页的头，对于没有headers的请求可能会被服务器判定为爬虫而拒绝提供服务

通过 from bs4 import BeautifulSoup 语句导入 BeautifulSoup

然后使用 BeautifulSoup(res.text, lxmlr’) 语句将网页源代码的字符串形式解析成了 BeautifulSoup 对象

解析成了 BeautifulSoup 对象可以较为方便的提取我们需要的信息

那么如何提取信息呢？

BeautifulSoup 为我们提供了一些方法

find()方法和find_all()方法：

find() 返回符合条件的首个数据
find_all() 返回符合条件的所有**数据

除了传入 HTML 标签名称外，BeautifulSoup 还支持熟悉的定位

# 定位div开头 同时id为'doubanapp-tip的标签
soup.find('div', id='doubanapp-tip')

<div id="doubanapp-tip">
<a class="tip-link" href="https://www.douban.com/doubanapp/app?channel=qipao">豆瓣 <span class="version">6.0</span> 全新发布</a>
<a class="tip-close" href="javascript: void 0;">×</a>
</div>

# 定位a抬头 同时class为rating_nums的标签
soup.find_all('p', class_='pl')
#class是python中定义类的关键字，因此用class_表示HTML中的class

[<p class="pl">[清] 曹雪芹 著 / 人民文学出版社 / 1996-12 / 59.70元</p>,
 <p class="pl">余华 / 作家出版社 / 2012-8-1 / 20.00元</p>,
 <p class="pl">[哥伦比亚] 加西亚·马尔克斯 / 范晔 / 南海出版公司 / 2011-6 / 39.50元</p>,
 <p class="pl">[英] 乔治·奥威尔 / 刘绍铭 / 北京十月文艺出版社 / 2010-4-1 / 28.00</p>,
 <p class="pl">[美国] 玛格丽特·米切尔 / 李美华 / 译林出版社 / 2000-9 / 40.00元</p>,
 <p class="pl">刘慈欣 / 重庆出版社 / 2012-1-1 / 168.00元</p>,
 <p class="pl">[明] 罗贯中 / 人民文学出版社 / 1998-05 / 39.50元</p>,
 <p class="pl">林奕含 / 北京联合出版公司 / 2018-2 / 45.00元</p>,
 <p class="pl">[日] 东野圭吾 / 刘姿君 / 南海出版公司 / 2013-1-1 / 39.50元</p>,
 <p class="pl">[英] 乔治·奥威尔 / 荣如德 / 上海译文出版社 / 2007-3 / 10.00元</p>,
 <p class="pl">[英] 阿·柯南道尔 / 丁钟华 等 / 群众出版社 / 1981-8 / 53.00元/68.00元</p>,
 <p class="pl">[法] 圣埃克苏佩里 / 马振聘 / 人民文学出版社 / 2003-8 / 22.00元</p>,
 <p class="pl">金庸 / 生活·读书·新知三联书店 / 1994-5 / 96.00元</p>,
 <p class="pl">三毛 / 哈尔滨出版社 / 2003-8 / 15.80元</p>,
 <p class="pl">（丹麦）安徒生 / 叶君健 / 人民文学出版社 / 1997-08 / 25.00元</p>,
 <p class="pl">路遥 / 人民文学出版社 / 2005-1 / 64.00元</p>,
 <p class="pl">[法] 阿尔贝·加缪 / 柳鸣九 / 上海译文出版社 / 2010-8 / 22.00元</p>,
 <p class="pl">钱锺书 / 人民文学出版社 / 1991-2 / 19.00</p>,
 <p class="pl">王小波 / 中国青年出版社 / 1997-10 / 27.00元</p>,
 <p class="pl">当年明月 / 中国海关出版社 / 2009-4 / 358.20元</p>,
 <p class="pl">[哥伦比亚] 加西亚·马尔克斯 / 杨玲 / 南海出版公司 / 2012-9-1 / 39.50元</p>,
 <p class="pl">[美] 乔治·R. R. 马丁 / 谭光磊 / 重庆出版社 / 2005-5 / 68.00元</p>,
 <p class="pl">J.K.罗琳 (J.K.Rowling) / 苏农 / 人民文学出版社 / 2008-12-1 / 498.00元</p>,
 <p class="pl">[美] 哈珀·李 / 高红梅 / 译林出版社 / 2012-9 / 32.00元</p>,
 <p class="pl">[以色列] 尤瓦尔·赫拉利 / 林俊宏 / 中信出版社 / 2014-11 / 68.00元</p>]

4.实践项目1：自如公寓数据抓取

日前 , 国务院办公厅印发《关于加快培育和发展住房租赁市场的若干意见》，你是某新媒体公司的一名员工，老板希望对武汉的租房情况进行深度调研与分析，你想调查自如公寓的数据情况。根据工作的安排，你调研的是自如公寓武汉房屋出租分析的任务。

项目难度：⭐⭐⭐⭐

自如公寓官网：https://wh.ziroom.com/z/z/
通过观察官网你发现

第1页的网页为：https://wh.ziroom.com/z/p1/

第2页的网页为：https://wh.ziroom.com/z/p2/

第3页的网页为：https://wh.ziroom.com/z/p3/

…

第50页的网页为：https://wh.ziroom.com/z/p50/

你继续观察，发现

房屋的信息网页为类似于：https://wh.ziroom.com/x/741955798.html

即：https://wh.ziroom.com/x/XXXX.html

因此你有了思路，通过访问自如公寓的网站，获取每个房间后面的数字号然后通过数字号访问房屋的直接信息，然后抓取房屋的信息保存在excel中

于是你访问了房屋的网页：https://wh.ziroom.com/x/741955798.html

通过观察房屋的网页，你发现是这些信息是你需要的

房屋的名称，房屋的面积，房屋的朝向，房屋的户型，房屋的位置，房屋的楼层，是否有电梯，房屋的年代，门锁情况，绿化情况

但是你遇到了困难，不知道这些信息的标签信息，不能用beautifulsoup对他们进行定位

通过百度查询，浏览器按F12时能进入源代码模式或者点击右键进入审查元素

点击左上角的箭头，可以定位到元素的位置

方法掌握后你开始写代码了

import requests
from bs4 import BeautifulSoup
import random
import time
import csv

写到这里的时候，你想到，我多次访问自如的官网，如果只用一个UA头岂不是很容易被反爬虫识别

你想到，我可以做很多个UA头，然后每次访问的时候可以随机选一个，想到这里，你直呼自己是个天才

于是，你到网上找到了很多UA头信息

#这里增加了很多user_agent
#能一定程度能保护爬虫
user_agent = [
    "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
    "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)"]

现在开始正式开始爬取数据了

房屋的名称，房屋的价格，房屋的面积，房屋的朝向，房屋的户型，房屋的位置，房屋的楼层，是否有电梯，房屋的年代，门锁情况，绿化情况

你思考爬取的信息应该保存到csv文件中，于是你导入了csv包并简单的了解了CSV包的用法

第一步，是要获取房屋的数字标签

于是你打开了自如的官网，用浏览器的元素进行定位

发现房屋的信息标签都是这个
< a href=“dd//wh.ziroom.com/x/741955798.html” target="_blank"> 房屋名称< /a >
聪明的你，随手写下了这个代码,便能爬取自如前50页

random.choice(user_agent)

'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)'

def get_info():
    csvheader=['名称','面积','朝向','户型','位置','楼层','是否有电梯','建成时间',' 门锁','绿化']
    with open('wuhan_ziru.csv', 'a+', newline='') as csvfile:
        writer  = csv.writer(csvfile)
        writer.writerow(csvheader)
        for i in range(1,10):  #总共有50页
            print('正在爬取自如第%s页'%i)
            timelist=[1,2,3]
            print('有点累了，需要休息一下啦（￢㉨￢）')
            time.sleep(random.choice(timelist))   #休息1-3秒，防止给对方服务器过大的压力！！！
            url='https://wh.ziroom.com/z/p%s/'%i
            headers = {'User-Agent': random.choice(user_agent)}
            r = requests.get(url, headers=headers)
            r.encoding = r.apparent_encoding
            soup = BeautifulSoup(r.text, 'lxml')
            all_info = soup.find_all('div', class_='info-box')
            print('开始干活咯(๑>؂<๑）')
            for info in all_info:
                href = info.find('a')
                if href !=None:
                    href='https:'+href['href']
                    try:
                        print('正在爬取%s'%href)
                        house_info=get_house_info(href)
                        writer.writerow(house_info)
                    except:
                        print('出错啦，%s进不去啦( •̥́ ˍ •̀ू )'%href)

def get_house_info(href):
    #得到房屋的信息
    time.sleep(1)
    headers = {'User-Agent': random.choice(user_agent)}
    response = requests.get(url=href, headers=headers)
    response=response.content.decode('utf-8', 'ignore')
    soup = BeautifulSoup(response, 'lxml')
    name = soup.find('h1', class_='Z_name').text
    sinfo=soup.find('div', class_='Z_home_b clearfix').find_all('dd')
    area=sinfo[0].text
    orien=sinfo[1].text
    area_type=sinfo[2].text
    dinfo=soup.find('ul',class_='Z_home_o').find_all('li')
    location=dinfo[0].find('span',class_='va').text
    loucen=dinfo[1].find('span',class_='va').text
    dianti=dinfo[2].find('span',class_='va').text
    niandai=dinfo[3].find('span',class_='va').text
    mensuo=dinfo[4].find('span',class_='va').text
    lvhua=dinfo[5].find('span',class_='va').text
    ['名称','面积','朝向','户型','位置','楼层','是否有电梯','建成时间',' 门锁','绿化']
    room_info=[name,area,orien,area_type,location,loucen,dianti,niandai,mensuo,lvhua]
    return room_info

4.1步骤拆分

csvheader=['名称','面积','朝向','户型','位置','楼层','是否有电梯','建成时间',' 门锁','绿化']
with open('wuhan_ziru.csv', 'a+', newline='') as csvfile:
    writer  = csv.writer(csvfile)
    writer.writerow(csvheader)

re = requests.get("https://wh.ziroom.com/z/p1/")
re.status_code

# print('正在爬取自如第%s页'%i)
i = 1
timelist=[1,2,3]
print('有点累了，需要休息一下啦（￢㉨￢）')
# time.sleep(random.choice(timelist))   #休息1-3秒，防止给对方服务器过大的压力！！！
url='https://wh.ziroom.com/z/p%s/'%i
headers = {'User-Agent': random.choice(user_agent)}
r = requests.get(url, headers=headers)
r.encoding = r.apparent_encoding
soup = BeautifulSoup(r.text, 'lxml')
soup_info = soup.find_all('h5', class_='title turn')
print(soup_info)

有点累了，需要休息一下啦（￢㉨￢）
[<h5 class="title turn"><a href="//wh.ziroom.com/x/807988393.html" target="_blank">合租·纽宾凯公园里4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807827295.html" target="_blank">合租·凯乐桂园3居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807953610.html" target="_blank">合租·纽宾凯公园里4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/808037785.html" target="_blank">合租·保利华都3居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807919198.html" target="_blank">合租·常青花园十一小区4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/793749918.html" target="_blank">合租·汇悦天地4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/767210815.html" target="_blank">合租·星星新城3居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/789408295.html" target="_blank">合租·国创光谷上城5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/768041620.html" target="_blank">合租·千禧城5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/795938432.html" target="_blank">合租·千家鑫苑3居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807753018.html" target="_blank">合租·琨瑜府5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807215719.html" target="_blank">合租·汉口新界广场5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807853636.html" target="_blank">合租·光明上海公馆5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/779302932.html" target="_blank">合租·惠东花园4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/765812075.html" target="_blank">合租·金地国际花园5居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807251426.html" target="_blank">合租·电建地产盛世江城3居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807979615.html" target="_blank">合租·万科金域时代4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/785748194.html" target="_blank">合租·统建新干线4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/745251276.html" target="_blank">合租·磨山港湾4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807917147.html" target="_blank">合租·圆梦美丽家园4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/793643315.html" target="_blank">合租·新地盛世东方4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/790675697.html" target="_blank">合租·当代国际花园三期4居室-南卧</a></h5>, <h5 class="title turn"><a href="//wh.ziroom.com/x/807995540.html" target="_blank">合租·兴华尚都国际3居室-南卧</a></h5>]

for info_list in soup_info:
    href = info_list.find('a')
    print(href)

<a href="//wh.ziroom.com/x/807988393.html" target="_blank">合租·纽宾凯公园里4居室-南卧</a>
<a href="//wh.ziroom.com/x/807827295.html" target="_blank">合租·凯乐桂园3居室-南卧</a>
<a href="//wh.ziroom.com/x/807953610.html" target="_blank">合租·纽宾凯公园里4居室-南卧</a>
<a href="//wh.ziroom.com/x/808037785.html" target="_blank">合租·保利华都3居室-南卧</a>
<a href="//wh.ziroom.com/x/807919198.html" target="_blank">合租·常青花园十一小区4居室-南卧</a>
<a href="//wh.ziroom.com/x/793749918.html" target="_blank">合租·汇悦天地4居室-南卧</a>
<a href="//wh.ziroom.com/x/767210815.html" target="_blank">合租·星星新城3居室-南卧</a>
<a href="//wh.ziroom.com/x/789408295.html" target="_blank">合租·国创光谷上城5居室-南卧</a>
<a href="//wh.ziroom.com/x/768041620.html" target="_blank">合租·千禧城5居室-南卧</a>
<a href="//wh.ziroom.com/x/795938432.html" target="_blank">合租·千家鑫苑3居室-南卧</a>
<a href="//wh.ziroom.com/x/807753018.html" target="_blank">合租·琨瑜府5居室-南卧</a>
<a href="//wh.ziroom.com/x/807215719.html" target="_blank">合租·汉口新界广场5居室-南卧</a>
<a href="//wh.ziroom.com/x/807853636.html" target="_blank">合租·光明上海公馆5居室-南卧</a>
<a href="//wh.ziroom.com/x/779302932.html" target="_blank">合租·惠东花园4居室-南卧</a>
<a href="//wh.ziroom.com/x/765812075.html" target="_blank">合租·金地国际花园5居室-南卧</a>
<a href="//wh.ziroom.com/x/807251426.html" target="_blank">合租·电建地产盛世江城3居室-南卧</a>
<a href="//wh.ziroom.com/x/807979615.html" target="_blank">合租·万科金域时代4居室-南卧</a>
<a href="//wh.ziroom.com/x/785748194.html" target="_blank">合租·统建新干线4居室-南卧</a>
<a href="//wh.ziroom.com/x/745251276.html" target="_blank">合租·磨山港湾4居室-南卧</a>
<a href="//wh.ziroom.com/x/807917147.html" target="_blank">合租·圆梦美丽家园4居室-南卧</a>
<a href="//wh.ziroom.com/x/793643315.html" target="_blank">合租·新地盛世东方4居室-南卧</a>
<a href="//wh.ziroom.com/x/790675697.html" target="_blank">合租·当代国际花园三期4居室-南卧</a>
<a href="//wh.ziroom.com/x/807995540.html" target="_blank">合租·兴华尚都国际3居室-南卧</a>

href['href']

'//wh.ziroom.com/x/807995540.html'

for info_list in soup_info:
    href = info_list.find('a')
    if href !=None:
        href='https:'+href['href']
        try:
            print('正在爬取%s'%href)
        except:
            pass

正在爬取https://wh.ziroom.com/x/807988393.html
正在爬取https://wh.ziroom.com/x/807827295.html
正在爬取https://wh.ziroom.com/x/807953610.html
正在爬取https://wh.ziroom.com/x/808037785.html
正在爬取https://wh.ziroom.com/x/807919198.html
正在爬取https://wh.ziroom.com/x/793749918.html
正在爬取https://wh.ziroom.com/x/767210815.html
正在爬取https://wh.ziroom.com/x/789408295.html
正在爬取https://wh.ziroom.com/x/768041620.html
正在爬取https://wh.ziroom.com/x/795938432.html
正在爬取https://wh.ziroom.com/x/807753018.html
正在爬取https://wh.ziroom.com/x/807215719.html
正在爬取https://wh.ziroom.com/x/807853636.html
正在爬取https://wh.ziroom.com/x/779302932.html
正在爬取https://wh.ziroom.com/x/765812075.html
正在爬取https://wh.ziroom.com/x/807251426.html
正在爬取https://wh.ziroom.com/x/807979615.html
正在爬取https://wh.ziroom.com/x/785748194.html
正在爬取https://wh.ziroom.com/x/745251276.html
正在爬取https://wh.ziroom.com/x/807917147.html
正在爬取https://wh.ziroom.com/x/793643315.html
正在爬取https://wh.ziroom.com/x/790675697.html
正在爬取https://wh.ziroom.com/x/807995540.html

href

'https://wh.ziroom.com/x/807995540.html'

headers = {'User-Agent': random.choice(user_agent)}
response = requests.get(url=href, headers=headers)

response.status_code

response.content.decode

<function bytes.decode(encoding='utf-8', errors='strict')>

response=response.content.decode('utf-8', 'ignore')

response.content.decode

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

<ipython-input-145-8942591645b2> in <module>
----> 1 response.content.decode


AttributeError: 'str' object has no attribute 'content'

soup = BeautifulSoup(response, 'lxml')

4.2 soup.find的两种解析

soup.find('h1',class_='Z_name')

<h1 class="Z_name"><i class="status iconicon_turn"></i>自如友家·兴华尚都国际·3居室-01卧</h1>

soup.find_all('h1',class_='Z_name')

[<h1 class="Z_name"><i class="status iconicon_turn"></i>自如友家·兴华尚都国际·3居室-01卧</h1>]

soup.find('h1',class_='Z_name').text

在这里插入图片描述

'自如友家·兴华尚都国际·3居室-01卧'

soup.find_all('h1',class_='Z_name')[0].text

'自如友家·兴华尚都国际·3居室-01卧'

soup.find_all('div',class_='Z_home_b clearfix')[0].find_all('dd')[0]

<dd>15.4㎡</dd>

soup.find_all('div',class_='Z_home_b clearfix')[0].find_all('dd')[1]

<dd>朝南</dd>

soup.find_all('div',class_='Z_home_b clearfix')[0].find_all('dd')[2]

<dd>3室1厅</dd>

soup.find_all('span',class_='ad')[0].text

'小区距3号线双墩站步行约542米'

re = requests.get('https://movie.douban.com/chart')

re.status_code

soup = BeautifulSoup(re.text,'lxml')

5.实践项目2：36kr信息抓取与邮件发送

本节内容为作者原创的项目，课程难度为5星，建议读者跟着课程一步一步的来，如果有不明白的地方，可以在群里面与其他伙伴进行交流。

在输出本节内容时，请注明来源，Datawhale自动化办公课程，谢谢~

如果没有多个邮箱，可以百度搜索临时邮箱进行实践学习
项目难度：⭐⭐⭐⭐⭐

完成了上面的实践项目1后，你膨胀到不行，觉得自己太厉害了。通过前面的学习，你了解到使用python进行电子邮件的收发，突然有一天你想到，如果我用A账户进行发送，同时用B账户进行接受，在手机上安装一个邮件接受的软件，这样就能完成信息从pc端投送到移动端。

在这样的思想上，就可以对动态变化的信息进行监控，一旦信息触发了发送的条件，可以将信息通过邮件投送到手机上，从而让自己最快感知到。

具体路径是：

python爬虫–>通过邮件A发送–>服务器—>通过邮件B接收

因此我们本节的内容就是爬取36kr的信息然后通过邮件发送

36kr官网：https://36kr.com/newsflashes

通过python发送邮件需要获得pop3的授权码

具体获取方式可参考：

https://blog.csdn.net/wateryouyo/article/details/51766345

接下来就爬取36Kr的网站

通过观察我们发现消息的标签为
中国平安：推动新方正集团聚集医疗健康等核心业务发展
因此我们爬取的代码为

需要注意的是，邮箱发送消息用的HTML的模式，而HTML模式下换行符号为 < br>

def main(): 
    print('正在爬取数据')
    url = 'https://36kr.com/newsflashes'
    headers = {'User-Agent': random.choice(user_agent)}
    response = requests.get(url, headers=headers)
    response=response.content.decode('utf-8', 'ignore')
    soup = BeautifulSoup(response, 'lxml')
    news = soup.find_all('a', class_='item-title')  
    news_list=[]
    for i in news:
        title=i.get_text()
        href='https://36kr.com'+i['href']
        news_list.append(title+'<br>'+href)
    info='<br></br>'.join(news_list)

接下来就是配置邮箱的发送信息

smtpserver = 'smtp.qq.com'

# 发送邮箱用户名密码
user = ''
password = ''

# 发送和接收邮箱
sender = ''
receive = ''

def send_email(content):
    # 通过QQ邮箱发送
    title='36kr快讯'
    subject = title
    msg = MIMEText(content, 'html', 'utf-8')
    msg['Subject'] = Header(subject, 'utf-8')
    msg['From'] = sender
    msg['To'] = receive
    # SSL协议端口号要使用465
    smtp = smtplib.SMTP_SSL(smtpserver, 465)  # 这里是服务器端口！
    # HELO 向服务器标识用户身份
    smtp.helo(smtpserver)
    # 服务器返回结果确认
    smtp.ehlo(smtpserver)
    # 登录邮箱服务器用户名和密码
    smtp.login(user, password)
    smtp.sendmail(sender, receive, msg.as_string())
    smtp.quit()

import requests
import random
from bs4 import BeautifulSoup
import smtplib  # 发送邮件模块
from email.mime.text import MIMEText  # 定义邮件内容
from email.header import Header  # 定义邮件标题

smtpserver = 'smtp.qq.com'

# 发送邮箱用户名密码
user = ''
password = ''

# 发送和接收邮箱
sender = ''
receive = ''

user_agent = [
    "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
    "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)"]

def main():
    print('正在爬取数据')
    url = 'https://36kr.com/newsflashes'
    headers = {'User-Agent': random.choice(user_agent)}
    response = requests.get(url, headers=headers)
    response=response.content.decode('utf-8', 'ignore')
    soup = BeautifulSoup(response, 'lxml')
    news = soup.find_all('a', class_='item-title')  
    news_list=[]
    for i in news:
        title=i.get_text()
        href='https://36kr.com'+i['href']
        news_list.append(title+'<br>'+href)
    info='<br></br>'.join(news_list)
    print('正在发送信息')
    send_email(info)

def send_email(content):
    # 通过QQ邮箱发送
    title='36kr快讯'
    subject = title
    msg = MIMEText(content, 'html', 'utf-8')
    msg['Subject'] = Header(subject, 'utf-8')
    msg['From'] = sender
    msg['To'] = receive
    # SSL协议端口号要使用465
    smtp = smtplib.SMTP_SSL(smtpserver, 465)  # 这里是服务器端口！
    # HELO 向服务器标识用户身份
    smtp.helo(smtpserver)
    # 服务器返回结果确认
    smtp.ehlo(smtpserver)
    # 登录邮箱服务器用户名和密码
    smtp.login(user, password)
    smtp.sendmail(sender, receive, msg.as_string())
    smtp.quit()

if __name__ == '__main__':
    main()

正在爬取数据
正在发送信息



---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-203-9e205b049b97> in <module>
     75 
     76 if __name__ == '__main__':
---> 77     main()


<ipython-input-203-9e205b049b97> in main()
     53     info='<br></br>'.join(news_list)
     54     print('正在发送信息')
---> 55     send_email(info)
     56 
     57 def send_email(content):


<ipython-input-203-9e205b049b97> in send_email(content)
     70     smtp.ehlo(smtpserver)
     71     # 登录邮箱服务器用户名和密码
---> 72     smtp.login(user, password)
     73     smtp.sendmail(sender, receive, msg.as_string())
     74     smtp.quit()


C:\ProgramData\Anaconda3\lib\smtplib.py in login(self, user, password, initial_response_ok)
    719                 (code, resp) = self.auth(
    720                     authmethod, getattr(self, method_name),
--> 721                     initial_response_ok=initial_response_ok)
    722                 # 235 == 'Authentication successful'
    723                 # 503 == 'Error: already authenticated'


C:\ProgramData\Anaconda3\lib\smtplib.py in auth(self, mechanism, authobject, initial_response_ok)
    629         if initial_response is not None:
    630             response = encode_base64(initial_response.encode('ascii'), eol='')
--> 631             (code, resp) = self.docmd("AUTH", mechanism + " " + response)
    632         else:
    633             (code, resp) = self.docmd("AUTH", mechanism)


TypeError: can only concatenate str (not "bytes") to str

关于Datawhale： Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。本次数据挖掘路径学习，专题知识将在天池分享，详情可关注Datawhale：

大米2H

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Task 05 Python 爬虫入门

1.Requests简介Requests是一款目前非常流行的http请求库，使用python编写，能非常方便的对网页Requests进行爬取，也是爬虫最常用的发起请求第三方库。安装方法pip install requests或者conda安装conda install requests1、re.status_code 响应的HTTP状态码2、re.text 响应内容的字符串形式3、re.content 响应内容的二进制形式4、re.encoding 响应内容的编码1.1访问百度试一试对
复制链接

扫一扫