1、京东
import requests
url="http://item.jd.com/2967929"
try:
r=requests.get(url)
r.raise_for_status()
r.encoding=r.apparent_encoding
print(r.text[:1000])
except:
print("爬取失败")
2、亚马逊(需要修改header模拟浏览器访问)
import requests
r=requests.get("http://www.amazon.cn/gp/product/B01M8L5Z3Y")
print(r.text)
访问出现错误,即亚马逊不让爬虫访问。我们通过
r.request.headers
查看爬虫头部,看到:
{'Connection': 'keep-alive', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'User-Agent': 'python-requests/2.21.0'},说明爬虫忠实地告诉了服务器“我是爬虫,这次访问是由一个python程序完成地”,如果服务器进行来源审查,是可以被发现地。所以我们现在试试用程序模拟浏览器进行访问。
import requests
url="http://www.amazon.cn/gp/product/B01M8L5Z3Y"
try:
kv={'user-agent':'Mozilla/5.0'}#重新定义user—agent内容,
#Mozilla5.0是一个很标准的浏览器的身份标识的字段
r=requests.get(url,headers=kv)
r.raise_for_status()
r.encoding=r.apparent_encoding
print(r.text[1000:2000])
except:
print("爬取失败")
3、百度搜索关键词提交
百度的关键词接口:http://www.baidu.com/s?wd=keyword,即只要替换keyword。
import requests
keyword="Python"
try:
kv={'wd':'Python'}
r=requests.get("http://www.baidu.com/s",params=kv)
print(r.request.url)
r.raise_for_status()
print(len(r.text))
except:
print("爬取失败")
r.status_code
Out[17]: 200r.request.url
Out[18]: 'http://www.baidu.com/s?wd=Python' //可以看到,关键词已经被替换len(r.text)
Out[19]: 425885 //长度
4、网络图片的爬取和存储
图片是二进制格式,需要将二进制格式保存成文件。response中r.content表示返回内容的二进制形式。
import requests
import os
root="D://abc.jpg"
url="http://image.nationalgeographic.com.cn/2017/0211/20170211061910157.jpg"
path=root+url.split('/')[-1] #以反斜杠分割的最后一部分,即图片名,这样保存下来的名字和网上的名字一样
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path): #判断文件是否存在
r=requests.get(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")
except:
print("爬取失败")
5、IP地址归属地的自动查询
利用iP138网站进行查询
import requests
url="http://m.ip138.com/ip.asp?ip="
try:
r=requests.get(url+'202.204.80.112')
r.raise_for_status()
r.encoding=r.apparent_encoding
print(r.text[-500:])#返回最后500个字,如果太多会崩
except:
print("爬取失败")