python爬虫

request模块：模拟浏览器请求

如何使用request模块（request模块的编码流程）：

• 指定url
• 发起请求
• 获取响应数据（源码）
• 持久化存储

---

实战：

爬取搜狗首页的页面数据

• UA检测
• UA伪装

• 简易网页搜索器

  代码

import requests
    #UA检测：User-Agent（请求载体的身份标识），
    # 门户网站的服务器会检测对应请求的载体身份标识，
    # 如果检测到请求的载体身份标识为某一款浏览器，那么说明该请求是个正常请求
    # 但是如果检测到请求的载体身份标识不是基于某一款浏览器的
    # 则表示该请求为不正常的请求（是基于爬虫载体的请求），服务器端会拒绝该次请求

    #UA检测的反扒策略是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__":
    #UA伪装：将对应的User-Agent封装到一个字典中
    headers = {
   
        'User-Agent' :'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
    }
    #1.指定url
    url = 'https://www.baidu.com/s'
    #2.处理url携带的参数：封装到字典中
    kw = input('enter a word:')
    param = {
   
        'wd':kw
    }
    #2.发起get请求
    #对指定的url发起的请求对应的url时携带参数的，并且请求过程中处理了参数
    response = requests.get(url=url,params=param,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！！！！')

结果

---

破解百度翻译

• post请求（携带了参数）
• 响应数据是一组json数据串

ajax进行页面局部刷新，页面自动进行刷新，XHR对应ajax请求的数据包

找post请求的参数，参数是dog，说明是ajax请求的数据包

第一个post请求的数据包

响应数据

代码：

import json

import requests
if __name__ == '__main__':
    #1.从ajax数据包中找post方法的url
    post_url = 'https://fanyi.baidu.com/sug'
    #2.进行UA伪装
    headers={
   
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
    }
    #3.post请求参数处理（同get请求一致）
    word = input('enter a word')
    data = {
   
        'kw':word
    }
    #4.请求发送
    response = requests.post(url=post_url,data=data,headers=headers)
    #5.获取响应数据：json（）方法返回的是obj，我们要转化成字典类型的（如果确认响应数据是json类型的，才可以使用json（）,如何确认？查看response headers的content-type是不是application/json）
    dic_obj = response.json()
    print(dic_obj)

    #持久化存储
    fileName = word + '.json'
    fp = open(fileName,'w',encoding='utf-8')
    #将字典对象转化为json数据，存到文件fp里
    json.dump(dic_obj,fp=fp,ensure_ascii=False)
    print('over!!!')

结果：

---

爬取豆瓣电影

爬取豆瓣喜剧电影排行榜名称，导演，上映时间

当滚轮向下划到底，页面自动加载刷新，这是一个ajax动态请求

观察响应数据response，里边的内容正是我们请求到的新一批的电影详情数据

代码：

动态地处理start和limit这两个数据可以获取不同的响应数据

import requests
import json

if __name__ == '__main__':
    url='https://movie.douban.com/j/chart/top_list'
    param = {
   
        'type': '24',
        'interval_id': '100:90',
        'action':'',
        'start': '0', #从库中的第20部电影开始爬取
        'limit': '20'  #一次请求取出的个数
    }
    headers = {
   
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
    }
    response = requests.get(url=url,params=param,headers=headers)
    list_data = response.json()
    fp = open('./douban.json','w',encoding='utf-8')
    json.dump(list_data,fp=fp,ensure_ascii=False)
    print(