python爬虫

目录

 一:Requests:自动爬取html,自动网络提交

二:网络爬虫排除标准

三:爬虫实战项目

3.1、京东商品页面爬取

3.2、亚马逊和百度搜索引擎(反爬失效)

3.3、360搜索

3.4、保存指定路径图片

三:Beautiful Soup库入门(bs4)

四:信息标记与提取方法

五:基于bs4库的HTML内容查找方法

1、根据标签名来找对应的字符串

2、用标签的属性值来找

3、找包含某个字符串的内容

六: 中国大学排名定向爬虫(仅对输入URL进行爬取,不扩展爬取)

七:Re(正则表达式)库入门  提取页面关键信息

八: 实战项目一:淘宝商品比价定向爬虫

九: 实战项目二:股票数据定向爬虫

Scrapy爬虫框架


 


 

 

 

 一:Requests:自动爬取html,自动网络提交

 

二:网络爬虫排除标准

 

三:爬虫实战项目

3.1、京东商品页面爬取

import requests


def getHTMLText(url, headers):
    try:
        # 超时时间是30秒
        r = requests.get(url, headers=headers, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text[:500]
    except:
        return "产生异常"


if __name__ == "__main__":
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36'
    }
    url = "https://item.jd.com/100013255294.html"
    print(getHTMLText(url, headers))

3.2、亚马逊和百度搜索引擎(反爬失效)

需要反爬虫...

 

3.3、360搜索

import requests

kv = "python"
try:
    kv = {'q': kv}
    r = requests.get("http://www.so.com/s", params=kv)
    r.raise_for_status()
    print(r.text[:1000])
except:
    print("错误")

3.4、保存指定路径图片

import requests
import os

url = "https://attach.52pojie.cn/forum/201908/18/020300rqz63o54npqxwq7x.png"
root = "D://"
path = root + url.split('/')[-1]
try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(url)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print("图片保存成功")
    else:
        print("图片已存在")
except:
    print("错误")

 

3.5、根据IP地址查找归属地

import re
import json
import requests


def getSource(ip):
    url = 'https://www.ip138.com/iplookup.asp?ip=' + ip + '&action=2'
    print("要查询的地址为: " + url)
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"}

    r = requests.get(url, headers=headers)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    response = r.text
    #  print(response)
    res = re.search("ip_result?\s\W\s\W\W.+}", response).group()
    #  res = res.replace(']}', '')
    res = res.replace('ip_result = ', '')
    new_res = json.loads(res)
    for k, v in new_res.items():
        print(k, v)



if __name__ == "__main__":
    ip = '220.196.241.222'  # 自定义ip
    getSource(ip)

运行结果:

 

三:Beautiful Soup库入门(bs4)

Beautiful Soup库是解析、遍历、维护“标签树”的功能库



import requests
from bs4 import BeautifulSoup

r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
#  print(soup)
#  print(soup.title)  # 打印title标签
#  print(soup.a.name)  # 每个<tag>都有自己的名字,通过<tag>.name获取,字符串类型
#  print(soup.a.parent.name)  # 打印a标签的父标签
#  print(soup.a.parent.parent.name)  # 打印a标签的爷爷标签
print("a标签完整内容: ")
print(soup.a)
print("a标签完整属性: ")
print(soup.a.attrs)  # 打印a标签完整的一个
print("a标签单一属性'href': ")
print(soup.a.attrs["href"])  # 打印a标签的属性
print("a标签字符串内容:  ")
print(soup.a.string)  # 打印a标签的字符串内容
print("========更美观地显示========")
print(soup.prettify())

运行结果:

 

四:信息标记与提取方法

三种形式:XML、JSON、YAML



import requests
from bs4 import BeautifulSoup

r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
for link in soup.find_all('a'):
    print(link.get('href'))

运行结果:

五:基于bs4库的HTML内容查找方法

recursive:是否对子孙全部检索,默认τrue

1、根据标签名来找对应的字符串

soup.find_all('a')

2、用标签的属性值来找

print(soup.find_all('a', 'py2'))  找class是py2的a标签

3、找包含某个字符串的内容

print(soup.find_all(string='This is a python demo page'))  # 必须存在,不然为空(适合已知结果的)
print(soup.find_all(string=re.compile('python')))  # 包含python的字符串都出现

 运行结果:

 

六: 中国大学排名定向爬虫(仅对输入URL进行爬取,不扩展爬取)

import requests
import bs4


def getHTMLText(url):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    except:
        return ""


def fillUnivList(uList, html):
    soup = bs4.BeautifulSoup(html, "html.parser")
    for tr in soup.find('tbody').children:
        if isinstance(tr, bs4.element.Tag):
            tds = tr('td')
            uList.append([tds[0].string, tds[1].string, tds[3].string])


def printUnivList(uList, num):
    print("{:^10}\t{:^6}\t{:^10}".format("排名", "学校名称", "总分"))
    for i in range(num):
        u = uList[i]
        print("{:^10}\t{:^6}\t{:^10}". format(u[0], u[1], u[2]))


def main():
    uinfo = []
    url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
    html = getHTMLText(url)
    fillUnivList(uinfo, html)
    printUnivList(uinfo, 20)


if __name__ == '__main__':
    main()

运行结果:

 

def printUnivList(uList, num):
    tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
    print(tplt.format("排名", "学校名称", "总分", chr(12288)))
    for i in range(num):
        u = uList[i]
        print(tplt.format(u[0], u[1], u[2], chr(12288)))

运行结果:

 

七:Re(正则表达式)库入门  提取页面关键信息

import re
match = re.search(r'[1-9]\d{5}', 'BIT 100081')
print(match)
print(match.group(0))


 

 

八: 实战项目一:淘宝商品比价定向爬虫

淘宝链接规则发生变化:以后再填坑,而且要登陆的.

https://s.taobao.com/search?q=书包&imgfile=&js=1&stats_click=search_radio_all
%3A1&initiative_id=staobaoz_20200623&ie=utf8   &bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44
 
https://s.taobao.com/search?q=书包&imgfile=&js=1&stats_click=search_radio_all
%3A1&initiative_id=staobaoz_20200623&ie=utf8&bcoffset=3&ntoffset=3&p4ppushleft=1%2C48&s=44

https://s.taobao.com/search?q=书包&imgfile=&js=1&stats_click=search_radio_all
%3A1&initiative_id=staobaoz_20200623&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s=88

https://s.taobao.com/search?q=书包&imgfile=&js=1&stats_click=search_radio_all
%3A1&initiative_id=staobaoz_20200623&ie=utf8&bcoffset=-3&ntoffset=-3&p4ppushleft=1%2C48&s=132

 

九: 实战项目二:股票数据定向爬虫

目标网站:https://www.eastmoney.com/

等待填坑

 

Scrapy爬虫框架

 

 

 

 

 

 

 

 

 

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一身正气z

打赏随心就好

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值