Python爬虫之requests与lxml模块

最新推荐文章于 2023-09-18 16:02:38 发布

阳光在浪尖跳动ゞ

最新推荐文章于 2023-09-18 16:02:38 发布

阅读量1.3k

点赞数

分类专栏： Python爬虫文章标签： python json 爬虫

本文链接：https://blog.csdn.net/qq_29499041/article/details/108466402

版权

Python爬虫专栏收录该内容

1 篇文章 0 订阅

订阅专栏

安装

pip install resquests
pip install lxml

requests的基本使用

基本GET请求

import requests
url = "http://www.baidu.com/"
# 添加请求头 headers 是一个字典，可以添加请求头参数，如cookis等
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
response = requests.get(url=url, headers=headers)

# 查看响应内容，response.text 返回的是Unicode格式的数据
print(response.text)

# 查看响应内容，response.content返回的字节流数据，通常是以utf-8来解码
print(response.content.decode())

# 查看完整url地址，输出为：https://www.baidu.com/
print(response.url)

# 查看响应头部字符编码，输出为：utf-8
print(response.encoding)

# 查看响应码， 输出为：200
print(response.status_code)

基本POST请求

import requests
import json

url = "http://fy.iciba.com/ajax.php?a=fy"

# 添加请求头 headers 是一个字典，可以添加请求头参数，如cookis等
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# data数据
data = {
	"f": "auto",
    "t": "auto",
    "w": "你好"
}
response = requests.post(url=url, headers=headers, data=data)

data_json = response.content.decode()
# 将json数据转换成字典
data_dict = json.loads(data_json)
print(data_dict)

代理（proxies参数）

   可以代理ip，避免被识别出爬虫封ip地址

import requests

# 根据协议类型，选择不同的代理
proxy = {
  "http": "http://12.34.56.79:9527",
  "https": "http://12.34.56.79:9527",
}
# 私密代理ip写法
proxy = {
    'http': 'http://user:pwd@101.231.104.82:80',
    'https': 'https://user:pwd@101.231.104.82:80',
    # 'https': 'https://1.192.246.63:9999',
}
response = requests.get("http://www.baidu.com", proxies=proxy)
print(response.text)

Cookies 和 Sission

  					Cookies
  如果一个响应中包含了cookie，那么我们可以利用 cookies参数拿到：

import requests

response = requests.get("http://www.baidu.com/")

# 返回CookieJar对象:
cookiejar = response.cookies

# 将CookieJar转为字典：
cookiedict = requests.utils.dict_from_cookiejar(cookiejar)

print(cookiejar)

print(cookiedict)
"""
输出： 
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
{'BDORZ': '27315'}
"""

							session
	在 requests 里，session对象是一个非常常用的对象，这个对象代表一次用户会话：从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。
	会话能让我们在跨请求时候保持某些参数，比如在同一个 Session 实例发出的所有请求之间保持 cookie 。

import requests

# 1. 创建session对象，可以保存Cookie值
ssion = requests.session()

# 2. 处理 headers
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# 3. 需要登录的用户名和密码
data = {"email":"XXXXXX@163.com", "password":"password"}  

# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里
ssion.post("http://www.renren.com/PLogin.do", data = data)

# 5. ssion包含用户登录后的Cookie值，可以直接访问那些登录后才可以访问的页面
response = ssion.get("http://www.renren.com/410043129/profile")

# 6. 打印响应内容
print(response.text)

处理HTTPS请求 SSL证书验证

在这里插入代码片如果我们想跳过SSL的证书验证，把 verify 设置为 False 就可以正常请求了。

r = requests.get("https://www.12306.cn/mormhweb/", verify = False)

数据提取-lxml模块

# 使用 lxml 的 etree 库
from lxml import etree

text = '''
<div>
    <ul>
         <li class="item-0"><a href="link1.html">first item</a></li>
         <li class="item-1"><a href="link2.html">second item</a></li>
         <li class="item-inactive"><a href="link3.html">third item</a></li>
         <li class="item-1"><a href="link4.html">fourth item</a></li>
         <li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签
     </ul>
 </div>
'''

#利用etree.HTML，将字符串解析为HTML文档
html = etree.HTML(text)

# 按字符串序列化HTML文档
result = etree.tostring(html)

print(result)
输出结果：

<html>
	<body>
	<div>
	    <ul>
	         <li class="item-0"><a href="link1.html">first item</a></li>
	         <li class="item-1"><a href="link2.html">second item</a></li>
	         <li class="item-inactive"><a href="link3.html">third item</a></li>
	         <li class="item-1"><a href="link4.html">fourth item</a></li>
	         <li class="item-0"><a href="link5.html">fifth item</a></li>
		</ul>
	</div>
	</body>
</html>

lxml 可以自动修正 html 代码，例子里不仅补全了 li 标签，还添加了 body，html 标签。

再利用 etree.parse() 方法来读取文件。

from lxml import etree

# 读取外部文件 hello.html
html = etree.parse('./hello.html')
result = etree.tostring(html, pretty_print=True)

print(result)

使用lxpath语法，提取数据

from lxml import etree

text = ''' <div>
            <ul>
                <li class="item-1"><a>first item</a></li> 
                <li class="item-1"><a href="link2.html">second item</a></li>
                <li class="item-inactive"><a href="link3.html">third item</a></li>
                <li class="item-1"><a href="link4.html">fourth item</a></li> 
                <li class="item-0"><a href="link5.html">fifth item</a>
            </ul> 
           </div> '''

html = etree.HTML(text)
print(html)
#查看element对象中包含的字符串
# print(etree.tostring(html).decode())

#获取class为item-1 li下的a的herf
ret = html.xpath("//li[@class=\"item-1\"]/a/@href")
print(ret)

requests和lxml模块，爬虫实例

import requests
from lxml import etree
import json

class QiuShiBaiKe():

    def __init__(self):
        self.url = "https://www.qiushibaike.com/text/{}"
        self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36"}

    def parse_url(self, url):
        # 发送请求，获取响应
        print(url)
        html_str = requests.get(url, headers=self.headers)
        return html_str.content.decode()

    def draw_data(self, response):
        # 提取数据
        html = etree.HTML(response)

        content_list = []
        # 根据div来分组
        div_list = html.xpath("//div[contains(@class,'article block untagged mb15')]")
        
        for div in div_list:
            item = {}
            # 提取头像
            item["title_img"] = "https:" + div.xpath(".//img/@src")[0] if len(div.xpath(".//img/@src")) > 0 else None

            # 提取名字
            item["name"] = div.xpath(".//img/@alt")[0] if len(div.xpath(".//img/@alt")) > 0 else None

            # 提取性别
            item["gender"] = div.xpath(".//div[contains(@class,'articleGender')]/@class")
            item["gender"] = item["gender"][0].split(" ")[-1].replace("Icon", " ") if len(item["gender"]) > 0 else None

            # 提取年龄
            item["age"] = div.xpath(".//div[contains(@class,'articleGender')]/text()")[0] if len(div.xpath(".//div[contains(@class,'articleGender')]/text()")) > 0 else None

            # 提取内容
            item["content"] = div.xpath(".//div[@class='content']/span/text()") if len(div.xpath(".//div[@class='content']/span/text()")) > 0 else None
            item["content"] = [i.replace("\n", " ") for i in item["content"]]
            # 提取好笑数
            item["laughable"] = div.xpath(".//i[@class='number']/text()")[0] if len(div.xpath(".//span[@class='stats-vote']/i")) else None

            # 提取评论数
            item["comment"] = div.xpath(".//i[@class='number']/text()")[1] if len(div.xpath(".//i[@class='number']/text()")) else None

            # 提取详情页的url
            item["content_url"] = "https://www.qiushibaike.com" + div.xpath(".//a[@class='contentHerf']/@href")[0] if len(div.xpath(".//a[@class='contentHerf']/@href")) else None

            # 提取最佳评论
            item["best_comment"] = div.xpath("//div[@class='main-text']/text()")[0] if len(div.xpath(".//div[@class='main-text']/text()")) else None
            
            content_list.append(item)
            print(content_list)

        return content_list

    def save_data(self, content_list):
    
        # 保存数据
        with open("糗事百科.txt", 'a', encoding="utf-8") as f:
            for content in content_list:
                f.write(json.dumps(content, ensure_ascii=False))
                f.write("\n")
        print("保存成功")

    def run(self):
        # 1.star_url 构造url地址
        for i in range(1, 14):
            print(i)
            url = self.url.format(i)
            # 2.发起请求，获取响应
            response = self.parse_url(url)
            # 3.提取数据
            content_list = self.draw_data(response)
            # 4.保存数据
            self.save_data(content_list)


if __name__ == '__main__':
    qiushibaike = QiuShiBaiKe()
    qiushibaike.run()