django 监控爬虫_django高级之爬虫基础

目录：

爬虫原理

requests模块

beautifulsoup模块

爬虫自动登陆示例

一、爬虫原理

Python非常适合用来开发网页爬虫，理由如下：

1、抓取网页本身的接口

相比与其他静态编程语言，如java，c#，c++，python抓取网页文档的接口更简洁；相比其他动态脚本语言，如perl，shell，python的urllib包提供了较为完整的访问网页文档的API。(当然ruby也是很好的选择)

此外，抓取网页有时候需要模拟浏览器的行为，很多网站对于生硬的爬虫抓取都是封杀的。这是我们需要模拟user agent的行为构造合适的请求，譬如模拟用户登陆、模拟session/cookie的存储和设置。在python里都有非常优秀的第三方包帮你搞定，如Requests，mechanize

2、网页抓取后的处理

抓取的网页通常需要处理，比如过滤html标签，提取文本等。python的beautifulsoap提供了简洁的文档处理功能，能用极短的代码完成大部分文档的处理。

其实以上功能很多语言和工具都能做，但是用python能够干得最快，最干净。

3、爬虫架构

URL管理器：管理待爬取的url集合和已爬取的url集合，传送待爬取的url给网页下载器。

网页下载器(urllib、requests)：爬取url对应的网页，存储成字符串或文件，传送给网页解析器。

网页解析器(BeautifulSoup)：解析出有价值的数据，存储下来，同时补充url到URL管理器。

4、运行流程

5、HTTP请求内容

GET:

http GET /index.html?p=1 http1.1\r\nhost:oldboyedu.com\r\n....\r\n\r\

默认请求头：Content-Type:text/html; charset=utf-8

无请求体

POST:

http POST / http1.1\r\nhost:oldboyedu.com\r\n....\r\n\r\nname=alex&age=18

默认请求头：content-type:application/url-from

请求体：\r\n\r\nname=alex&age=18

http POST / http1.1\r\nhost:oldboyedu.com\r\n....\r\n\r\n{"name": "alex", "age": 18}

默认请求头：content-type:application/json

请求体：\r\n\r\n{"name": "alex", "age": 18}

ps.响应：

- 响应：

响应头

- 浏览器读取

响应体

- 看到的内容

6、提高爬虫性能

【协程】异步非阻塞，并在网页解析器(BeautifulSoup)使用lxml模块(为c语言写的规则模块，效率高)解析。

7、待补充：

二、requests模块

Python标准库中提供了：urllib、urllib2、httplib等模块以供Http请求，但是，它的 API 太渣了。它是为另一个时代、另一个互联网所创建的。它需要巨量的工作，甚至包括各种方法覆盖，来完成最简单的任务。

Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库，其在Python内置模块的基础上进行了高度的封装，从而使得Pythoner进行网络请求时，变得美好了许多，使用Requests可以轻而易举的完成浏览器可有的任何操作。

1、get请求：

1 #1、无参数实例

2

3 importrequests4

5 ret = requests.get('https://github.com/timeline.json')6

7 printret.url8 printret.text9

10

11

12 #2、有参数实例

13

14 importrequests15

16 payload = {'key1': 'value1', 'key2': 'value2'}17 ret = requests.get("http://httpbin.org/get", params=payload)18

19 printret.url20 print ret.text

View Code

2、POST请求

1 #1、基本POST实例

2

3 importrequests4

5 payload = {'key1': 'value1', 'key2': 'value2'}6 ret = requests.post("http://httpbin.org/post", data=payload)7

8 printret.text9

10

11 #2、发送请求头和数据实例

12

13 importrequests14 importjson15

16 url = 'https://api.github.com/some/endpoint'

17 payload = {'some': 'data'}18 headers = {'content-type': 'application/json'}19

20 ret = requests.post(url, data=json.dumps(payload), headers=headers) #等价于request.post(url,json=payload)

21

22 printret.text23 print ret.cookies

View Code

3、其他请求

1 requests.get(url, params=None, **kwargs)2 requests.post(url, data=None, json=None, **kwargs)3 requests.put(url, data=None, **kwargs)4 requests.head(url, **kwargs)5 requests.delete(url, **kwargs)6 requests.patch(url, data=None, **kwargs)7 requests.options(url, **kwargs)8

9 #以上方法均是在此方法的基础上构建

10 requests.request(method, url, **kwargs)

View Code

4、更多参数

method：请求类型(GET、POST、delete、put、head、patch、options)

url：访问地址

Params：在 QueryString、Form、Server Variable 以及 Cookies 找数据，他首先在 QueryString 集合查找数据，如果在 QueryString 找到数据，就返回数据，如果没有找到就去 Form 集合中查找数据，找到就返回，否则在往下一下个集合查找数据。是所有post和get传过来的值的集合

data(json)： POST类型所带参数，声名发送请求体的格式

headers：定制头部信息

cookies：定制cookies信息

files：文件处理

(optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': file-tuple}``) for multipart encoding upload.

``file-tuple`` can be a 2-tuple ``('filename', fileobj)``, 3-tuple ``('filename', fileobj, 'content_type')``

or a 4-tuple ``('filename', fileobj, 'content_type', custom_headers)``, where ``'content-type'`` is a string

defining the content type of the given file and ``custom_headers`` a dict-like object containing additional headers

to add for the file.

auth：登陆使用，适用于类似ftp之类封装好的简单登陆验证。

(optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.

timeout：请求等待响应多长时间，数据发送多长时间。 仅对连接过程有效，与响应体的下载无关。

(optional) How long to wait for the server to send data

before giving up, as a float, or a :ref:`(connect timeout, read

timeout) ` tuple.

allow_redirects：网络请求中可能会遇到重定向，我们需要一次处理一个请求，可以把重定向禁止。模拟打开

(optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.

proxies：代理访问配置。

(optional) Dictionary mapping protocol to the URL of the proxy.

verify：https是否访问开启，配合cert的CA证书使用

(optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.

stream：(optional) if ``False``, the response content will be immediately downloaded.

1 块编码请求2 对于出去和进来的请求，Requests 也支持分块传输编码。要发送一个块编码的请求，仅需为你的请求体提供一个生成器(或任意没有具体长度的迭代器)：3

4 defgen():5 yield 'hi'

6 yield 'there'

7

8 requests.post('http://some.url/chunked', data=gen())9 对于分块的编码请求，我们最好使用 Response.iter_content() 对其数据进行迭代。在理想情况下，你的 request 会设置 stream=True，这样你就可以通过调用 iter_content 并将分块大小参数设为 None，从而进行分块的迭代。如果你要设置分块的最大体积，你可以把分块大小参数设为任意整数。

View Code

cert：私有证书配置。

(optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.

使用方法：

1 defparam_method_url():2 #requests.request(method='get', url='http://127.0.0.1:8000/test/')

3 #requests.request(method='post', url='http://127.0.0.1:8000/test/')

4 pass

5

6

7 defparam_param():8 #- 可以是字典

9 #- 可以是字符串

10 #- 可以是字节(ascii编码以内)

11

12 #requests.request(method='get',

13 #url='http://127.0.0.1:8000/test/',

14 #params={'k1': 'v1', 'k2': '水电费'})

15

16 #requests.request(method='get',

17 #url='http://127.0.0.1:8000/test/',

18 #params="k1=v1&k2=水电费&k3=v3&k3=vv3")

19

20 #requests.request(method='get',

21 #url='http://127.0.0.1:8000/test/',

22 #params=bytes("k1=v1&k2=k2&k3=v3&k3=vv3", encoding='utf8'))

23

24 #错误

25 #requests.request(method='get',

26 #url='http://127.0.0.1:8000/test/',

27 #params=bytes("k1=v1&k2=水电费&k3=v3&k3=vv3", encoding='utf8'))

28 pass

29

30

31 defparam_data():32 #可以是字典

33 #可以是字符串

34 #可以是字节

35 #可以是文件对象

36

37 #requests.request(method='POST',

38 #url='http://127.0.0.1:8000/test/',

39 #data={'k1': 'v1', 'k2': '水电费'})

40

41 #requests.request(method='POST',

42 #url='http://127.0.0.1:8000/test/',

43 #data="k1=v1; k2=v2; k3=v3; k3=v4"

44 #)

45

46 #requests.request(method='POST',

47 #url='http://127.0.0.1:8000/test/',

48 #data="k1=v1;k2=v2;k3=v3;k3=v4",

49 #headers={'Content-Type': 'application/x-www-form-urlencoded'}

50 #)

51

52 #requests.request(method='POST',

53 #url='http://127.0.0.1:8000/test/',

54 #data=open('data_file.py', mode='r', encoding='utf-8'), # 文件内容是：k1=v1;k2=v2;k3=v3;k3=v4

55 #headers={'Content-Type': 'application/x-www-form-urlencoded'}

56 #)

57 pass

58

59

60 defparam_json():61 #将json中对应的数据进行序列化成一个字符串，json.dumps(...)

62 #然后发送到服务器端的body中，并且Content-Type是 {'Content-Type': 'application/json'}

63 requests.request(method='POST',64 url='http://127.0.0.1:8000/test/',65 json={'k1': 'v1', 'k2': '水电费'})66

67

68 defparam_headers():69 #发送请求头到服务器端

70 requests.request(method='POST',71 url='http://127.0.0.1:8000/test/',72 json={'k1': 'v1', 'k2': '水电费'},73 headers={'Content-Type': 'application/x-www-form-urlencoded'}74 )75

76

77 defparam_cookies():78 #发送Cookie到服务器端

79 requests.request(method='POST',80 url='http://127.0.0.1:8000/test/',81 data={'k1': 'v1', 'k2': 'v2'},82 cookies={'cook1': 'value1'},83 )84 #也可以使用CookieJar(字典形式就是在此基础上封装)

85 from http.cookiejar importCookieJar86 from http.cookiejar importCookie87

88 obj =CookieJar()89 obj.set_cookie(Cookie(version=0, name='c1', value='v1', port=None, domain='', path='/', secure=False, expires=None,90 discard=True, comment=None, comment_url=None, rest={'HttpOnly': None}, rfc2109=False,91 port_specified=False, domain_specified=False, domain_initial_dot=False, path_specified=False)92 )93 requests.request(method='POST',94 url='http://127.0.0.1:8000/test/',95 data={'k1': 'v1', 'k2': 'v2'},96 cookies=obj)97

98

99 defparam_files():100 #发送文件

101 #file_dict = {

102 #'f1': open('readme', 'rb')

103 #}

104 #requests.request(method='POST',

105 #url='http://127.0.0.1:8000/test/',

106 #files=file_dict)

107

108 #发送文件，定制文件名

109 #file_dict = {

110 #'f1': ('test.txt', open('readme', 'rb'))

111 #}

112 #requests.request(method='POST',

113 #url='http://127.0.0.1:8000/test/',

114 #files=file_dict)

115

116 #发送文件，定制文件名

117 #file_dict = {

118 #'f1': ('test.txt', "hahsfaksfa9kasdjflaksdjf")

119 #}

120 #requests.request(method='POST',

121 #url='http://127.0.0.1:8000/test/',

122 #files=file_dict)

123

124 #发送文件，定制文件名

125 #file_dict = {

126 #'f1': ('test.txt', "hahsfaksfa9kasdjflaksdjf", 'application/text', {'k1': '0'})

127 #}

128 #requests.request(method='POST',

129 #url='http://127.0.0.1:8000/test/',

130 #files=file_dict)

131

132 pass

133

134

135 defparam_auth():136 from requests.auth importHTTPBasicAuth, HTTPDigestAuth137

138 ret = requests.get('https://api.github.com/user', auth=HTTPBasicAuth('wupeiqi', 'sdfasdfasdf'))139 print(ret.text)140

141 #ret = requests.get('http://192.168.1.1',

142 #auth=HTTPBasicAuth('admin', 'admin'))

143 #ret.encoding = 'gbk'

144 #print(ret.text)

145

146 #ret = requests.get('http://httpbin.org/digest-auth/auth/user/pass', auth=HTTPDigestAuth('user', 'pass'))

147 #print(ret)

148 #149

150

151 defparam_timeout():152 #ret = requests.get('http://google.com/', timeout=1)

153 #print(ret)

154

155 #ret = requests.get('http://google.com/', timeout=(5, 1))

156 #print(ret)

157 pass

158

159

160 defparam_allow_redirects():161 ret = requests.get('http://127.0.0.1:8000/test/', allow_redirects=False)162 print(ret.text)163

164

165 defparam_proxies():166 #proxies = {

167 #"http": "61.172.249.96:80",

168 #"https": "http://61.185.219.126:3128",

169 #}

170

171 #proxies = {'http://10.20.1.128': 'http://10.10.1.10:5323'}

172

173 #ret = requests.get("http://www.proxy360.cn/Proxy", proxies=proxies)

174 #print(ret.headers)

175

176

177 #from requests.auth import HTTPProxyAuth

178 #179 #proxyDict = {

180 #'http': '77.75.105.165',

181 #'https': '77.75.105.165'

182 #}

183 #auth = HTTPProxyAuth('username', 'mypassword')

184 #185 #r = requests.get("http://www.google.com", proxies=proxyDict, auth=auth)

186 #print(r.text)

187

188 pass

189

190

191 defparam_stream():192 ret = requests.get('http://127.0.0.1:8000/test/', stream=True)193 print(ret.content)194 ret.close()195

196 #from contextlib import closing

197 #with closing(requests.get('http://httpbin.org/get', stream=True)) as r:

198 ## 在此处理响应。

199 #for i in r.iter_content():

200 #print(i)

201

202

203 defrequests_session():204 importrequests205

206 session =requests.Session()207

208 ### 1、首先登陆任何页面，获取cookie

209

210 i1 = session.get(url="http://dig.chouti.com/help/service")211

212 ### 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权

213 i2 =session.post(214 url="http://dig.chouti.com/login",215 data={216 'phone': "8615131255089",217 'password': "xxxxxx",218 'oneMonth': ""

219 }220 )221

222 i3 =session.post(223 url="http://dig.chouti.com/link/vote?linksId=8589623",224 )225 print(i3.text)

View Code

官方文档：http://cn.python-requests.org/zh_CN/latest/user/quickstart.html#id4

三、beautifulsoup模块

BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。

解析器使用方法优势劣势

Python标准库

BeautifulSoup(markup, “html.parser”)

Python的内置标准库

执行速度适中

文档容错能力强

Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差

lxml HTML 解析器

BeautifulSoup(markup, “lxml”)

速度快

文档容错能力强

需要安装C语言库

lxml XML 解析器

BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”)

速度快

唯一支持XML的解析器

需要安装C语言库

html5lib

BeautifulSoup(markup, “html5lib”)

最好的容错性

以浏览器的方式解析文档

生成HTML5格式的文档

速度慢

不依赖外部扩展

1 from bs4 importBeautifulSoup2

3 html_doc = """

4

The Dormouse's story5 6 asdf7

8 The Dormouse's story总共9

f

10

11

Once upon a time there were three little sisters; and their names were12 Elsfie,13 Lacie and14 Tillie;15 and they lived at the bottom of a well.

16 ad
sf17

...

18 19 20 """

21

22 soup = BeautifulSoup(html_doc, features="lxml")23 #找到第一个a标签

24 tag1 = soup.find(name='a')25 #找到所有的a标签

26 tag2 = soup.find_all(name='a')27 #找到id＝link2的标签

28 tag3 = soup.select('#link2')

View Code

1、安装

pip3 install beautifulsoup4

2、使用示例：

1 from bs4 importBeautifulSoup2

3 html_doc = """

4

The Dormouse's story5 6 ...7 8 9 """

10

11 soup = BeautifulSoup(html_doc, features="lxml")

View Code

3、name，标签名称(获取，更改)

1 #tag = soup.find('a')

2 #name = tag.name # 获取

3 #print(name)

4 #tag.name = 'span' # 设置

5 #print(soup)

View Code

4、attr，标签属性(获取，更改)

1 #tag = soup.find('a')

2 #attrs = tag.attrs # 获取

3 #print(attrs)

4 #tag.attrs = {'ik':123} # 设置

5 #tag.attrs['id'] = 'iiiii' # 设置

6 #print(soup)

View Code

5、children,所有子标签(获取)

1 #body = soup.find('body')

2 #v = body.children

View Code

6、children,所有子子孙孙标签(获取)

1 #body = soup.find('body')

2 #v = body.descendants

View Code

7、clear,将标签的所有子标签全部清空(保留标签名)

1 #tag = soup.find('body')

2 #tag.clear()

3 #print(soup)

View Code

8、decompose,递归的删除所有的标签

1 #body = soup.find('body')

2 #body.decompose()

3 #print(soup)

View Code

9、extract,递归的删除所有的标签，并获取删除的标签

1 #body = soup.find('body')

2 #v = body.extract()

3 #print(soup)

View Code

10、decode,转换为字符串(含当前标签)；decode_contents(不含当前标签)

1 #body = soup.find('body')

2 #v = body.decode()

3 #v = body.decode_contents()

4 #print(v)

View Code

11、 encode,转换为字节(含当前标签)；encode_contents(不含当前标签)

1 #body = soup.find('body')

2 #v = body.encode()

3 #v = body.encode_contents()

4 #print(v)

View Code

12、 find,获取匹配的第一个标签

1 #tag = soup.find('a')

2 #print(tag)

3 #tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

4 #tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

5 #print(tag)

View Code

13、find_all,获取匹配的所有标签

1 #tags = soup.find_all('a')

2 #print(tags)

3

4 #tags = soup.find_all('a',limit=1)

5 #print(tags)

6

7 #tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

8 ## tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

9 #print(tags)

10

11

12 ######## 列表 #######

13 #v = soup.find_all(name=['a','div'])

14 #print(v)

15

16 #v = soup.find_all(class_=['sister0', 'sister'])

17 #print(v)

18

19 #v = soup.find_all(text=['Tillie'])

20 #print(v, type(v[0]))

21

22

23 #v = soup.find_all(id=['link1','link2'])

24 #print(v)

25

26 #v = soup.find_all(href=['link1','link2'])

27 #print(v)

28

29 ######## 正则 #######

30 importre31 #rep = re.compile('p')

32 #rep = re.compile('^p')

33 #v = soup.find_all(name=rep)

34 #print(v)

35

36 #rep = re.compile('sister.*')

37 #v = soup.find_all(class_=rep)

38 #print(v)

39

40 #rep = re.compile('http://www.oldboy.com/static/.*')

41 #v = soup.find_all(href=rep)

42 #print(v)

43

44 ######## 方法筛选 #######

45 #def func(tag):

46 #return tag.has_attr('class') and tag.has_attr('id')

47 #v = soup.find_all(name=func)

48 #print(v)

49

50

51 ### get,获取标签属性

52 #tag = soup.find('a')

53 #v = tag.get('id')

54 #print(v)

View Code

14、has_attr,检查标签是否具有该属性

1 #tag = soup.find('a')

2 #v = tag.has_attr('id')

3 #print(v)

View Code

15、 get_text,获取标签内部文本内容

1 #tag = soup.find('a')

2 #v = tag.get_text('id')

3 #print(v)

View Code

16、index,检查标签在某标签中的索引位置

1 #tag = soup.find('body')

2 #v = tag.index(tag.find('div'))

3 #print(v)

4

5 #tag = soup.find('body')

6 #for i,v in enumerate(tag):

7 #print(i,v)

View Code

17、is_empty_element,是否是空标签(是否可以是空)或者自闭合标签，

判断是否是如下标签：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

1 #tag = soup.find('br')

2 #v = tag.is_empty_element

3 #print(v)

View Code

18、当前的关联标签

1 #soup.next 下一个子元素

2 #soup.next_element list形式下一个子元素

3 #soup.next_elements list形式所有子元素

4 #soup.next_sibling 下一个元素的兄弟

5 #soup.next_siblings list形式元素的所有兄弟元素

6

7 #8 #tag.previous 上一个元素

9 #tag.previous_element list形式上一个元素

10 #tag.previous_elements list形式上面所有元素

11 #tag.previous_sibling list形式上一个元素的所有兄弟

12 #tag.previous_siblings list形式上所有元素的所有兄弟

13

14 #15 #tag.parent 父节点

16 #tag.parents 所有父节点

View Code

19、查找某标签的关联标签

1 #tag.find_next(...)

2 #tag.find_all_next(...)

3 #tag.find_next_sibling(...)

4 #tag.find_next_siblings(...)

5

6 #tag.find_previous(...)

7 #tag.find_all_previous(...)

8 #tag.find_previous_sibling(...)

9 #tag.find_previous_siblings(...)

10

11 #tag.find_parent(...)

12 #tag.find_parents(...)

13

14 #参数同find_all

View Code

20、 select,select_one, CSS选择器

1 soup.select("title")2

3 soup.select("p nth-of-type(3)")4

5 soup.select("body a")6

7 soup.select("html head title")8

9 tag = soup.select("span,a")10

11 soup.select("head > title")12

13 soup.select("p > a")14

15 soup.select("p > a:nth-of-type(2)")16

17 soup.select("p > #link1")18

19 soup.select("body > a")20

21 soup.select("#link1 ~ .sister")22

23 soup.select("#link1 + .sister")24

25 soup.select(".sister")26

27 soup.select("[class~=sister]")28

29 soup.select("#link1")30

31 soup.select("a#link2")32

33 soup.select('a[href]')34

35 soup.select('a[href="http://example.com/elsie"]')36

37 soup.select('a[href^="http://example.com/"]')38

39 soup.select('a[href$="tillie"]')40

41 soup.select('a[href*=".com/el"]')42

43

44 from bs4.element importTag45

46 defdefault_candidate_generator(tag):47 for child intag.descendants:48 if notisinstance(child, Tag):49 continue

50 if not child.has_attr('href'):51 continue

52 yieldchild53

54 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)55 print(type(tags), tags)56

57 from bs4.element importTag58 defdefault_candidate_generator(tag):59 for child intag.descendants:60 if notisinstance(child, Tag):61 continue

62 if not child.has_attr('href'):63 continue

64 yieldchild65

66 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)67 print(type(tags), tags)

View Code

21、标签的内容.text(只能取) .string(能取、能改)

1 #tag = soup.find('span')

2 #print(tag.string) # 获取

3 #tag.string = 'new content' # 设置

4 #print(soup)

5

6 #tag = soup.find('body')

7 #print(tag.string)

8 #tag.string = 'xxx'

9 #print(soup)

10

11 #tag = soup.find('body')

12 #v = tag.stripped_strings # 递归内部获取所有标签的文本

View Code

22.append在当前标签内部追加一个标签

1 #tag = soup.find('body')

2 #tag.append(soup.find('a'))

3 #print(soup)

4 #5 #from bs4.element import Tag

6 #obj = Tag(name='i',attrs={'id': 'it'})

7 #obj.string = '我是一个新来的'

8 #tag = soup.find('body')

9 #tag.append(obj)

10 #print(soup)

View Code

23、insert在当前标签内部指定位置插入一个标签

1 #from bs4.element import Tag

2 #obj = Tag(name='i', attrs={'id': 'it'})

3 #obj.string = '我是一个新来的'

4 #tag = soup.find('body')

5 #tag.insert(2, obj)

6 #print(soup)

View Code

24、 insert_after,insert_before 在当前标签后面或前面插入

1 #from bs4.element import Tag

2 #obj = Tag(name='i', attrs={'id': 'it'})

3 #obj.string = '我是一个新来的'

4 #tag = soup.find('body')

5 ## tag.insert_before(obj)

6 #tag.insert_after(obj)

7 #print(soup)

View Code

25、replace_with 在当前标签替换为指定标签

1 #from bs4.element import Tag

2 #obj = Tag(name='i', attrs={'id': 'it'})

3 #obj.string = '我是一个新来的'

4 #tag = soup.find('div')

5 #tag.replace_with(obj)

6 #print(soup)

View Code

26、创建标签之间的关系

1 #tag = soup.find('div')

2 #a = soup.find('a')

3 #tag.setup(previous_sibling=a)

4 #print(tag.previous_sibling)

View Code

27、wrap，将指定标签把当前标签包裹起来

1 #from bs4.element import Tag

2 #obj1 = Tag(name='div', attrs={'id': 'it'})

3 #obj1.string = '我是一个新来的'

4 #5 #tag = soup.find('a')

6 #v = tag.wrap(obj1)

7 #print(soup)

8

9 #tag = soup.find('a')

10 #v = tag.wrap(soup.find('p'))

11 #print(soup)

View Code

28、unwrap，去掉当前标签，将保留其包裹的标签

1 #tag = soup.find('a')

2 #v = tag.unwrap()

3 #print(soup)

View Code

四、自动登陆爬虫示例

1、抽屉

1 #!/usr/bin/env python

2 #-*- coding:utf-8 -*-

3 importrequests4

5

6 ############### 方式一 ##############

7 """

8 # ## 1、首先登陆任何页面，获取cookie9 i1 = requests.get(url="http://dig.chouti.com/help/service")10 i1_cookies = i1.cookies.get_dict()11

12 # ## 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权13 i2 = requests.post(14 url="http://dig.chouti.com/login",15 data={16 'phone': "8615131255089",17 'password': "xxooxxoo",18 'oneMonth': ""19 },20 cookies=i1_cookies21 )22

23 # ## 3、点赞(只需要携带已经被授权的gpsd即可)24 gpsd = i1_cookies['gpsd']25 i3 = requests.post(26 url="http://dig.chouti.com/link/vote?linksId=8589523",27 cookies={'gpsd': gpsd}28 )29

30 print(i3.text)31 """

32

33

34 ############### 方式二 ##############

35 """

36 import requests37

38 session = requests.Session()39 i1 = session.get(url="http://dig.chouti.com/help/service")40 i2 = session.post(41 url="http://dig.chouti.com/login",42 data={43 'phone': "8615131255089",44 'password': "xxooxxoo",45 'oneMonth': ""46 }47 )48 i3 = session.post(49 url="http://dig.chouti.com/link/vote?linksId=8589523"50 )51 print(i3.text)52

53 """

54

55 抽屉新热榜

View Code

2、github

1 #!/usr/bin/env python

2 #-*- coding:utf-8 -*-

3

4 importrequests5 from bs4 importBeautifulSoup6

7 ############### 方式一 ##############

8 #9 ## 1. 访问登陆页面，获取 authenticity_token

10 #i1 = requests.get('https://github.com/login')

11 #soup1 = BeautifulSoup(i1.text, features='lxml')

12 #tag = soup1.find(name='input', attrs={'name': 'authenticity_token'})

13 #authenticity_token = tag.get('value')

14 #c1 = i1.cookies.get_dict()

15 #i1.close()

16 #17 ## 1. 携带authenticity_token和用户名密码等信息，发送用户验证

18 #form_data = {

19 #"authenticity_token": authenticity_token,

20 #"utf8": "",

21 #"commit": "Sign in",

22 #"login": "wupeiqi@live.com",

23 #'password': 'xxoo'

24 #}

25 #26 #i2 = requests.post('https://github.com/session', data=form_data, cookies=c1)

27 #c2 = i2.cookies.get_dict()

28 #c1.update(c2)

29 #i3 = requests.get('https://github.com/settings/repositories', cookies=c1)

30 #31 #soup3 = BeautifulSoup(i3.text, features='lxml')

32 #list_group = soup3.find(name='div', class_='listgroup')

33 #34 #from bs4.element import Tag

35 #36 #for child in list_group.children:

37 #if isinstance(child, Tag):

38 #project_tag = child.find(name='a', class_='mr-1')

39 #size_tag = child.find(name='small')

40 #temp = "项目:%s(%s); 项目路径:%s" % (project_tag.get('href'), size_tag.string, project_tag.string, )

41 #print(temp)

42

43

44

45 ############### 方式二 ##############

46 #session = requests.Session()

47 ## 1. 访问登陆页面，获取 authenticity_token

48 #i1 = session.get('https://github.com/login')

49 #soup1 = BeautifulSoup(i1.text, features='lxml')

50 #tag = soup1.find(name='input', attrs={'name': 'authenticity_token'})

51 #authenticity_token = tag.get('value')

52 #c1 = i1.cookies.get_dict()

53 #i1.close()

54 #55 ## 1. 携带authenticity_token和用户名密码等信息，发送用户验证

56 #form_data = {

57 #"authenticity_token": authenticity_token,

58 #"utf8": "",

59 #"commit": "Sign in",

60 #"login": "wupeiqi@live.com",

61 #'password': 'xxoo'

62 #}

63 #64 #i2 = session.post('https://github.com/session', data=form_data)

65 #c2 = i2.cookies.get_dict()

66 #c1.update(c2)

67 #i3 = session.get('https://github.com/settings/repositories')

68 #69 #soup3 = BeautifulSoup(i3.text, features='lxml')

70 #list_group = soup3.find(name='div', class_='listgroup')

71 #72 #from bs4.element import Tag

73 #74 #for child in list_group.children:

75 #if isinstance(child, Tag):

76 #project_tag = child.find(name='a', class_='mr-1')

77 #size_tag = child.find(name='small')

78 #temp = "项目:%s(%s); 项目路径:%s" % (project_tag.get('href'), size_tag.string, project_tag.string, )

79 #print(temp)

80

81 github

View Code

3、知乎

1 #!/usr/bin/env python

2 #-*- coding:utf-8 -*-

3 importtime4

5 importrequests6 from bs4 importBeautifulSoup7

8 session =requests.Session()9

10 i1 =session.get(11 url='https://www.zhihu.com/#signin',12 headers={13 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36',14 }15 )16

17 soup1 = BeautifulSoup(i1.text, 'lxml')18 xsrf_tag = soup1.find(name='input', attrs={'name': '_xsrf'})19 xsrf = xsrf_tag.get('value')20

21 current_time =time.time()22 i2 =session.get(23 url='https://www.zhihu.com/captcha.gif',24 params={'r': current_time, 'type': 'login'},25 headers={26 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36',27 })28

29 with open('zhihu.gif', 'wb') as f:30 f.write(i2.content)31

32 captcha = input('请打开zhihu.gif文件，查看并输入验证码：')33 form_data ={34 "_xsrf": xsrf,35 'password': 'xxooxxoo',36 "captcha": 'captcha',37 'email': '424662508@qq.com'

38 }39 i3 =session.post(40 url='https://www.zhihu.com/login/email',41 data=form_data,42 headers={43 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36',44 }45 )46

47 i4 =session.get(48 url='https://www.zhihu.com/settings/profile',49 headers={50 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.98 Safari/537.36',51 }52 )53

54 soup4 = BeautifulSoup(i4.text, 'lxml')55 tag = soup4.find(id='rename-section')56 nick_name = tag.find('span',class_='name').string57 print(nick_name)58

59 知乎

View Code

4、博客园

1 #!/usr/bin/env python

2 #-*- coding:utf-8 -*-

3 importre4 importjson5 importbase646

7 importrsa8 importrequests9

10

11 defjs_encrypt(text):12 b64der = 'MIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQCp0wHYbg/NOPO3nzMD3dndwS0MccuMeXCHgVlGOoYyFwLdS24Im2e7YyhB0wrUsyYf0/nhzCzBK8ZC9eCWqd0aHbdgOQT6CuFQBMjbyGYvlVYU2ZP7kG9Ft6YV6oc9ambuO7nPZh+bvXH0zDKfi02prknrScAKC0XhadTHT3Al0QIDAQAB'

13 der =base64.standard_b64decode(b64der)14

15 pk =rsa.PublicKey.load_pkcs1_openssl_der(der)16 v1 = rsa.encrypt(bytes(text, 'utf8'), pk)17 value = base64.encodebytes(v1).replace(b'\n', b'')18 value = value.decode('utf8')19

20 returnvalue21

22

23 session =requests.Session()24

25 i1 = session.get('https://passport.cnblogs.com/user/signin')26 rep = re.compile("'VerificationToken': '(.*)'")27 v =re.search(rep, i1.text)28 verification_token = v.group(1)29

30 form_data ={31 'input1': js_encrypt('wptawy'),32 'input2': js_encrypt('asdfasdf'),33 'remember': False34 }35

36 i2 = session.post(url='https://passport.cnblogs.com/user/signin',37 data=json.dumps(form_data),38 headers={39 'Content-Type': 'application/json; charset=UTF-8',40 'X-Requested-With': 'XMLHttpRequest',41 'VerificationToken': verification_token}42 )43

44 i3 = session.get(url='https://i.cnblogs.com/EditDiary.aspx')45

46 print(i3.text)47

48 博客园

View Code