爬虫入门到入手实战项目

作用

模拟浏览器发请求

如何使用

requests模块的编码流程
①指定url
②发起请求(get/post)
③获取响应数据
④持久化存储

环境安装

pip install requests

实战编码

需求：爬取搜狗首页的页面数据

import requests
if __name__ == "__main__":
    #step1:指定url
    url = 'https://baidu.com/'
    #step2:发送请求
    #get方法会返回一个响应对象
    response = requests.get(url)
    #step3:获取相应数据
    #text 返回的是字符串形式的响应数据
    page_text = response.text
    print(page_text)
    #step4:持久化存储
    with open('./baidu.html','w',encoding='utf-8') as fp:
        fp.write(page_text)
    print('爬取数据结束！')

实战巩固

需求：爬取搜狗指定词条对应的搜索结果页面

    UA检测
    UA伪装

#需求：爬取搜狗首页页面数据
import requests

#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网站的身份标识，如果检测的身份标识是某一款浏览器
#说明该请求是一个正常的请求，但是，如果检测到的请求载体身份标识不是基于某一款浏览器的，
#则标识该请求为不正常请求，则服务器端很可能拒绝该次请求

#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
if __name__ == "__main__":
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36'
    }
    url = 'https://www.sogou.com/web'
    #处理url携带的参数：封装到字典中
    kw = input('enter a word：')
    params = {
        '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 = params,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")

需求：破解百度翻译

    POST请求（携带参数）
    响应数据是一组json数据

import requests
import json

if __name__ == "__main__":
    #step1指定url
    post_url = 'https://fanyi.baidu.com/sug'
    kw = input("enter key word\n")
    #step2post请求参数处理
    data = {
        'kw': kw
    }
    #step3进行UA伪装
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36'
    }
    #step4请求发送
    response = requests.post(url=post_url, data=data,headers=headers)
    #step5获取响应数据:json（）方法返回的是obj（如果确认响应的数据类型是json类型，才可以使用json（）
    dic_obj = response.json()
    #step6持久化存储
    file = kw+'.json';
    fp = open(file, 'w', encoding='utf-8')
    json.dump(dic_obj, fp=fp, ensure_ascii=False)#防止中文乱码
    print(file+'爬取完毕！！！')

需求：爬取豆瓣电影分类排行榜

需求：爬取肯德基餐厅中指定地点的餐厅数目

需求：爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据