一.爬取部分的代码:
1.首先模拟浏览器,通过查看Host,Upgrade-Insecure-Requests,User-Agent补充head部分,相当于我们进去这个网页的服务器本身,假装自己本身在爬取数据。
2.设置getfront,getInformation函数爬取网页源代码。page为页数,item为搜索时输入的字符串,通过urllib.parse.quote(item)将字符串转成十六进制编码,ur2为爬取网页信息的部分网址,ur1为网址中随页数与输入的字符串不同而产生变化的部分,res为拼接出的网址。读取源代码并解码,将源代码中的\\,[,]全部替换为空。
3.通过正则表达式,从文本字符串中获取我们想要的特定部分("过滤"),findall 以列表形式返回全部能匹配的子串,