【爬虫实战】3初学Python网络爬虫（5个实例）

实例1：京东商品页面的爬取

要爬取的页面为：https://item.jd.com/2967929.html
代码如下：

import requests


def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()     # 如果状态不是200，引发HTTPError异常
        print(r.status_code)
        r.encoding = r.apparent_encoding
        print(r.encoding)
        return r.text
    except:
        print('爬取失败')


if __name__ == "__main__":
    url = "https://item.jd.com/2967929.html"
    print(getHTMLText(url)[:1000])

结果为：

200
ascii
<script>window.location.href='https://passport.jd.com/new/login.aspx?ReturnUrl=http%3A%2F%2Fitem.jd.com%2F2967929.html'</script>

需要登入京东，待解决的问题

实例2：亚马逊商品页面的爬取

第一次需要Marketplace APIs ，需要修改r.request.headers

import requests


def getHTMLText(url):
    try:
        kv = {'User-Agent':'Mozilla/5.0'}
        r = requests.get(url, headers=kv, timeout=30)
        # print(r.request.headers)
        r.raise_for_status()     # 如果状态不是200，引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print('爬取失败')


if __name__ == "__main__":
    url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
    print(getHTMLText(url))

实例3：百度/360搜索关键字提交

搜索引|擎关键词提交接口：http://www.baidu.com/s?wd=keyword

import requests


def getHTMLText(url):
    try:
        kv = {'wd': 'Python'}
        r = requests.get(url, params=kv, timeout=30)
        print(r.status_code)
        r.raise_for_status()     # 如果状态不是200，引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r.text
    except:
        print('爬取失败')


if __name__ == "__main__":
    url = "http://www.baidu.com/s?wd=keyword"
    print(len(getHTMLText(url)))

这里的url应该为"http://www.baidu.com/s?“或"http://www.baidu.com/s”

实例4：网络图片的爬取和存储

图片地址：https://edu-image.nosdn.127.net/3321D6673EB82C94D08E1B80E8344166.jpg

这个代码请动手敲一下，第一次爬图片QAQ

import requests
import os


def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        print(r.status_code)
        r.raise_for_status()  # 如果状态不是200，引发HTTPError异常
        r.encoding = r.apparent_encoding
        return r
    except:
        print('爬取失败')


if __name__ == "__main__":
    url = "https://edu-image.nosdn.127.net/3321D6673EB82C94D08E1B80E8344166.jpg"
    root = "D://University_Study//2021毕设//2020毕业设计//Code//教师授课视频//第一周/"
    path = root + url.split('/')[-1]        # 在root新建3321D6673EB82C94D08E1B80E8344166.jpg
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = getHTMLText(url)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print('文件保存成功')
    else:
        print('文件已存在')

实例5：IP地址归属地的自动查询

https://m.ip138.com/iplookup.asp?ip=ipaddress
爬取失败，可能需要校园网或者需要登陆

小结

MOOC第一周网络爬虫之规则完毕