python爬虫示例_python爬虫整理（包含实例）

python爬虫整理(包含实例)

先放一波课程资源(来源：传智播客)：

一、requests模块的学习

使用事前

pip install requests

发送get，post请求，获取相应

response = requests.get(url) #发送get请求，请求url地址对应的响应

实例：使用手机版的百度翻译：

response = requests.post(url, data={请求体的字典}) #发送post请求，请求url地址对应的响应

response的方法

response.text

该方式往往会导致出现乱码，因为此时获取的是网页html的字符串，出现乱码使用response.encoding = "utf-8"

response.content.decode()

把响应的二进制字节流转换成str类型

response.requests.headers #请求头

response.headers #响应头

response.requests.url #发送请求的地址

response.url #响应地址

获取网页源码的正确打开方式

1.response.content.decode()

2.response.content.decode("gbk")

3.response.text #自动猜测编码

发送带headers的请求

为了模拟浏览器，获取和浏览器一模一样的内容

当不添加headers的时候会发现返回的内容只有一段，但是在添加了headers后就会发现返回的是整个网页的html

headers = {

"User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit/604.1.38 (KHTML, like Gecko) "

"Version/11.0 Mobile/15A372 Safari/604.1", "Referer": "https://fanyi.baidu.com/"}

requests.get(url, headers=headers)

使用超时参数

requests.get(url, headers=headers, timeout=3) #3秒内必须做出响应，否则就会报错

二、retrying模块的学习

pip install retrying

from retrying import retry

@retry(stop_max_attempt_number=3)

def fun1():

print("this is func1")

raise ValueError("this is a test error")

处理cookie相关的请求

人人网{"email":"your account",

"password":"password"}

直接携带cookie请求url地址

可以把cookie放进headers中

headers = {"User-Agent":"....","cookie":"cookie 字符串"}

2. cookie字典传给cookies参数

- requests.get(url, cookie=cookie_dict) #注意是字典而不是上面的字符串

先发送post请求，获取cookie(这个cookie在session中)，带上cookie请求登录后页面

1.session = requests.session() #session具有的方法与requests一样

2.session.post(uel, data, headers) #服务器设置在本地的cookie会保存在session中

3.session.get(url) #再次请求的时候会携带上之前保存在session中的cookie，能够请求成功

三、数据提取方法

json

数据交换格式，看起来像python类型(列表，字典)的字符串

使用json之前需要导入

哪里会返回json的数据

把浏览器切换成手机版

抓包app

json.laods

把json字符串转化成为python类型

json.loads(json字符串)

json.dumps

把python类型转换成json字符串

json.dumps({"a":1,"b":2}))

ensure_ascii：让中文显示成中文

indent：能够让下一行在上一行的基础上空几格

四、xpath和xml

xpath

一门从html中提取数据的语言

xpath语法

xpath helper插件：帮助我们从elements中定位数据

1.选择节点(标签)

/html/head/meta：当前能勾选中html下的所有meta标签

2.//tag：能够从任意节点开始选择

//li：当前页面上的所欲li标签

/html/head//link：当前页面上head下所有的link标签

3.@符号的用途

选择具体某个元素//ul[@class='btns']/li选择class='btns'下面的ul下面的所有li标签

a/@href:选择a标签的href的值(当然也可以是其他标签的属性值)

4.获取文本：

/a/text()：获取a标签的文本

/a//text()：获取a下的所有文本(包括a标签下的子标签中的文本值)

5.当前

./a:当前节点下的a标签

lxml

安装：pip install lxml

使用：

from lxml import etree

element = etree.HTML("html字符串")

element.xpath("")

五、基础知识点学习

列表推导式

帮助我们快速生成包含一堆数据的列表

[i+10 for i in range(10)] -->[10,11,12,...19]

["11月{}日".format(i) for i in range(30)]-->["10月1日"，"10月2日",...]

字典推导式

帮助我们生成包含一堆字典的数据

{i+10:i for i in range(10)} # {10:0,11:1...}

{"a{}".format(i):10 for i in range(10)} # {"a0":10,"a1":10...}

三元运算符

六、写爬虫的讨论

1.URL

知道url地址的规律和总页码数：构造url地址列表

不知道url地址但是知道start_ur

2.发送请求获取响应

requests

3.提取数据

返回json字符串：json模块

返回的html字符串：lxml模块配合xpath提取数据

4.保存

保存到数据库

保存为文件