爬虫requests+综合练习详解

Day2 - 1.requests第一血_哔哩哔哩_bilibili

requests作用：模拟浏览器发请求

requests流程：指定url -> 发起请求 -> 获取响应数据 -> 持续化存储

爬取搜狗首页的页面数据

import requests

# 指定url
url = 'https://sogou.com'
# 发起请求
response = requests.get(url)
# 获取响应数据,text返回字符串形式的响应数据
page_txt = response.text
# 持久化存储
with open('./sogpu.html', 'w', encoding='utf-8') as fp:
    fp.write(page_txt)

简易网页采集器

输入关键词后，爬取搜索结果的页面信息

https://www.sogou.com/web?query=%E8%B5%B5%E6%B5%A9%E7%84%B6&_asf=www.sogou.com&_ast=&w=01019900&p=40040100&ie=utf8&from=index-nologin&s_from=index&sut=2106&sst0=1705812059807&lkt=0%2C0%2C0&sugsuv=1705811188521571&sugtime=1705812059807

把url中多余的参数去掉

https://www.sogou.com/web?query=%E8%B5%B5%E6%B5%A9%E7%84%B6

这里的中文变成了乱码，无需处理，当然想手动换成中文也行

为了使关键词可变，需要处理url携带的参数：封装到字典中

再把url中的参数删干净https://www.sogou.com/web

import requests

url = 'https://www.sogou.com/web'
keyword = input()
param = {
    'query': keyword
}
response = requests.get(url, params=param)
page_txt = response.text
filename = keyword+'.html'
with open(filename, 'w', encoding='utf-8') as fp:
    fp.write(page_txt)

UA伪装

此次案例中需要介绍一种反扒机制——UA检测

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，如果检测到载体身份标识为某一款浏览器，则认为是正常的请求；否则认为是不正常的请求

UA伪装：将对应的User-Agent封装到headers字典中

f12或者检查页面，找到网络部分，先清楚网络日志再刷新页面，找到需要的请求对应的UA

然后把这个headers字典放入get请求中

import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36 Edg/120.0.0.0'
}
url = 'https://www.sogou.com/web'
keyword = input()
param = {
    'query': keyword
}
response = requests.get(url, params=param, headers=headers)
page_txt = response.text
filename = keyword+'.html'
with open(filename, 'w', encoding='utf-8') as fp:
    fp.write(page_txt)

破解百度翻译

爬取百度翻译中，对应单词翻译的结果

由于我们不是想要爬取整个页面，而是爬取页面中的部分信息，经常需要用到数据解析

但不使用数据解析也能获取局部信息，这次我们就不使用

从上面两张图我们可以看出，输入单词后页面做了一个局部的刷新，我们知道局部的刷新是可以通过Ajax实现的，也就意味着我们在文本框中输入字符后，会自动进行Ajax的请求发送，Ajax请求成功后会对页面进行局部刷新

经过分析，我们是不是应该利用抓包工具，捕获一下对应的Ajax请求

点击XHR，XHR中对应的是Ajax请求的数据包

输入dog

在xhr类型中一个个找

查看post请求携带的参数是d，不清楚是什么东西，所以接着往下看

三个sug包对应的是每输入一个字符后的Ajax请求，我们需要的是dog的翻译结果，所以要抓最后一个sug包

这样我们就拿到了请求的url，Content-Type这里是指我们输入一个字符后，服务器端响应回来的是一组json串

分析总结

（1）post请求(携带了参数)

（2）响应数据是一组json数据

import requests
import json

post_url = 'https://fanyi.baidu.com/sug'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.84 Safari/537.36 HBPC/12.1.3.303'
}
word = input()
data = {
    'kw': word
}
response = requests.post(url=post_url, data=data, headers=headers)
# 响应数据是json数据，如果继续使用.text获取的是一组字符串形式的json，而.json返回的是一个obj，json是什么对象就是什么对象，在这里是字典
dict_obj = response.json()
# 由于是字典对象，所以不能直接write
filename = './' + word + '.json'
fp = open(filename, 'w', encoding='utf-8')
json.dump(dict_obj, fp, ensure_ascii=False)  # 字典中有中文，不用ascii编码

豆瓣电影排名

爬取豆瓣电影某一分区的电影排名，以喜剧片为例

第一种方法：利用数据解析，如果对当前url进行整个页面信息的爬取，则能拿到页面信息，再利用数据解析就可以获取电影名、主演名、上映时间等等信息

第二种方法：思考它会不会像百度翻译一样，使用Ajax请求进行局部刷新呢？我们用滚轮滑到底部

发现新的电源被加载出来了，滚轮回到中间，但是我们的url并没有改变，所以确实是一个Ajax请求

加载新电影时果然捕获了一个Ajax请求，GET请求且携带了5个参数，服务器端返回json串

5个参数中，我们大概可以猜测出来start和limit含义：

start：从豆瓣数据库中第几部电源开始取出来

limit：取多少部

在响应中看到json串是列表对象

import requests
import json

url = 'https://movie.douban.com/j/chart/top_list'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36 Edg/120.0.0.0'
}
param = {
    'type': '24',
    'interval_id': '100:90',
    'action': '',
    'start': '0',  # 从豆瓣数据库中第几部电源开始取出来
    'limit': '20'  # 一次取多少部
}
response = requests.get(url, params=param, headers=headers)

list_obj = response.json()

fp = open('douban_movie.json', 'w', encoding='utf-8')
json.dump(list_obj, fp, ensure_ascii=False)

肯德基餐厅查询

肯德基官方网站 - Welcome to KFC.com.cn

爬取肯德基餐厅位置

输入关键字后发现url并没有改变，说明是Ajax请求

import requests
from bs4 import BeautifulSoup

url = 'https://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36 Edg/120.0.0.0'
}
word = input()
data = {
    'cname': '',
    'pid': '',
    'keyword': word,
    'pageIndex': '1',
    'pageSize': '10'
}
response = requests.post(url, data=data, headers=headers)
text = response.text

with open('kfc_' + word + '.html', 'w', encoding='utf-8') as fp:
    fp.write(text)

国家药监局化妆品生产许可证

由于找不到网站在哪，所以无法敲代码实战，以下是需求分析：