03：requests与BeautifulSoup结合爬取网页数据应用

1.1 爬虫相关模块命令回顾

　　1、requests模块

1、 pip install requests

2、 response = requests.get(‘http://www.baidu.com/ ‘)            #获取指定url的网页内容

3、 response.text                                                                                #获取文本文件

4、 response.content                                                                         #获取字节类型

5、 response.encoding = ‘utf-8’                                                       #指定获取的网页内容用utf-8编码

response.encoding = response.apparent_encoding       #下载的页面是什么编码就用什么编码格式

6、 response.cookies                                                                         #拿到cookies

response.cookies.get_dict()                               #拿到cookie字典样式

       2、beautisoup模块

                  1、 pip install beautifulsoup4

                  2、 把文本转成对象

　　　　　　　　1）html.parser 是python内置模块无需安装

　　　　　　　　　　soup = BeautiSoup(response.text,parser=‘html.parser‘)

　　　　　　　　2）lxml是第三方库，但是性能好（生产用这个

soup = BeautifulSoup(response.text,features=‘lxml‘)

                  3、 .find()用法：返回的是对象

　　　　　　　　1）从爬取的内容找到id="auto-channel-lazyload-article" 中div的内容

target = soup.find(id="auto-channel-lazyload-article")

　　　　　　　　2） 从爬取的内容中找到一个div，并且这个div有一个属性是id=’i1’

target = soup.find(‘div‘,id=‘i1‘)

                  4、 .find_all()用法：返回的是对象列表

1） 从以后取的target对象中找到所有li标签

li_list = target.find_all(‘li‘)

                  5、 从.find()获取的对象中找到想要的属性

　　　　　　　　a.attrs.get(‘href‘)                                                #获取所有a标签的所有href属性（a标签url路径）

　　　　　　　　a.find(‘h3‘).text                                                   #找到a标签中的所有h3标签，的内容

　　　　　　　　img_url = a.find(‘img‘).attrs.get(‘src‘)       #从a标签中找到img标签所有src属性(图片url路径)

1.2 爬取需要登录和不需要登录页面内容的方法

import requests
from bs4 import BeautifulSoup
response = requests.get(
   url=‘http://www.autohome.com.cn/news/‘
)

response.encoding = response.apparent_encoding          #下载的页面是什么编码就用什么编码格式

#1 把文本转成对象，
#soup = BeautifulSoup(response.text,features=‘lxml‘)        #lxml是第三方库，但是性能好（生产用这个）
soup = BeautifulSoup(response.text,features=‘html.parser‘)  # html.parser 是python内置模块无需安装

#2 从爬取的内容找到id="auto-channel-lazyload-article" 中div的内容
target = soup.find(id="auto-channel-lazyload-article")

#3.1 找到所有li标签 .find()是找到第一个
#3.2 也可以这样用： .find(‘div‘,id=‘i1‘)  可以使用这种组合查找的方法
#3.3 .find()找到的是对象，.find_all() 获取的是列表
li_list = target.find_all(‘li‘)

for i in li_list:
   a = i.find(‘a‘)
   if a:
      print(a.attrs.get(‘href‘))                   #获取所有a标签的url路径
      # a.find(‘h3‘) 获取的是对象， 加上 .text才是获取文本
      txt = a.find(‘h3‘).text                      #从a标签中找到所有h3标签的值
      print(txt,type(txt))
      img_url = a.find(‘img‘).attrs.get(‘src‘)#从a标签中找到img标签所有src属性(图片url路径)
      import uuid
      file_name = str(uuid.uuid4()) + ‘.jpg‘

      if img_url.startswith(‘//www2‘):        #由于获取的图片url做了处理，所以才这样处理
         img_url2 = img_url.replace(‘//www2‘,‘http://www3‘)
         img_response = requests.get(url=img_url2)
         with open(file_name,‘wb‘) as f:
            f.write(img_response.content)       #把图片写到本地

例1：爬取汽车之家新闻页面（爬取无需登录的网页）

import requests

#1 登录抽屉网站的用户名和密码放到字典里
post_dict = {
   "phone":‘86185387525‘,
   ‘password‘:‘74810‘,
   ‘oneMonth‘:1
}

#2 将密码字典以post方式提交到抽屉的登录界面
response = requests.post(
   url = ‘http://dig.chouti.com/login‘,
   data=post_dict
)

#3下面就是成功登录抽屉的返回值
print(response.text)
# {"result":{"code":"9999", "message":"", "data":{"complateReg":"0","destJid":"cdu_49844923242"}}}

#4 下面是打印成功登录抽屉后返回的的cookie字典
cookie_dict = response.cookies.get_dict()
print(cookie_dict)
#{‘JSESSIONID‘: ‘aaaVizwwcod_L5QcwwR9v‘, ‘puid‘: ‘d332ef55361217e544b91f081090ad5e‘,
#  ‘route‘: ‘37316285ff8286c7a96cd0b03d38e13b‘, ‘gpsd‘: ‘f8b07e259141ae5a11d930334fbfb609‘}

#5 当我们每次需要访问抽屉登录后才能看的信息时，就可以在url中添加登录成返回的cookie字典
response=requests.get(
   url=‘http://dig.chouti.com/profile‘,
   cookies = cookie_dict
)

例2：自动登录抽屉并获取用户配置页面的信息（cookie方式）

1.3 使用爬虫登录案例总结

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import requests

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

# ## 2、用户登陆，携带上一次的cookie，后台对cookie中的 gpsd 进行授权
i2 = requests.post(
    url="http://dig.chouti.com/login",
    data={
        ‘phone‘: "8618538752511",
        ‘password‘: "7481079xl",
        ‘oneMonth‘: ""
    },
    cookies=i1_cookies
)

# ## 3、点赞（只需要携带已经被授权的gpsd即可）
gpsd = i1_cookies[‘gpsd‘]
i3 = requests.post(
    url="http://dig.chouti.com/link/vote?linksId=15074576",
    cookies={‘gpsd‘: gpsd}
)
print(i3.text)

例1：方式一: 使用cookie方式点赞抽屉

import requests

session = requests.Session()
i1 = session.get(url="http://dig.chouti.com/help/service")
i2 = session.post(
    url="http://dig.chouti.com/login",
    data={
        ‘phone‘: "8618538752511",
        ‘password‘: "7481079xl",
        ‘oneMonth‘: ""
    },
)
i3 = session.post(
    url="http://dig.chouti.com/link/vote?linksId=15074576"
)
print(i3.text)

例2：方式二: 使用session方式点赞抽屉

import requests
from bs4 import BeautifulSoup

# 第一步：获取csrf
# 1.1 获取login页面
r1 = requests.get(url=‘https://github.com/login‘)
# 1.2 接文本文件解析成对象
b1 = BeautifulSoup(r1.text,‘html.parser‘)
# 1.3 找到csrf_token标签
tag = b1.find(name=‘input‘,attrs={‘name‘:‘authenticity_token‘})
#1.4 获取csrf_token的值
# tag.get(‘value‘)等价于 tag.attrs.get(‘values‘)
token = tag.get(‘value‘)                # 获取csrf_token的值
#1.5 获取第一次发送get请求返回的cookies字典
r1_cookie = r1.cookies.get_dict()       #获取第一次发get请求返回的cookie
print(‘第一次‘,r1_cookie)

# 第二步：发送post请求，携带用户名 密码，和第一次get请求返回的cookie，后台进行授权
#2.1 携带：csrf_token,cookies,用户名，密码 发送post请求登录
# requests.post() 等价于  requests.request(‘post‘,)
r2 = requests.post(
   url=‘https://github.com/session‘,
   data={                        #这里data字典必须和实际登录的格式相同
      ‘commit‘:‘Sign in‘,
      ‘utf8‘:‘?‘,
      ‘authenticity_token‘:token,
      ‘login‘:‘[email protected]‘,
      ‘password‘:‘7481079xl‘,
   },
   cookies = r1_cookie,

)
#2.2 获取第二次返回的cookies字典
r2_cookie = r2.cookies.get_dict()
print(‘第二次‘,r2_cookie)
#2.3 将两次获取的cookie字典整合成一个：没有重合就用r1_cookie,有重合的就用r2_cookie更新这个字典
r1_cookie.update(r2_cookie)

# 第三步：访问个人页面，携带cookie
r3 = requests.get(
   url=‘https://github.com/settings/profile‘,
   cookies = r1_cookie,                  # 获取数据时携带登录成功的cookie
)
print(r3.text)

例3：使用爬虫登录github并获取用户配置信息

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time

import requests
from bs4 import BeautifulSoup

session = requests.Session()

i1 = session.get(
    url=‘https://www.zhihu.com/#signin‘,
    headers={
        ‘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‘,
    }
)

soup1 = BeautifulSoup(i1.text, ‘lxml‘)
xsrf_tag = soup1.find(name=‘input‘, attrs={‘name‘: ‘_xsrf‘})
xsrf = xsrf_tag.get(‘value‘)

current_time = time.time()
i2 = session.get(
    url=‘https://www.zhihu.com/captcha.gif‘,
    params={‘r‘: current_time, ‘type‘: ‘login‘},
    headers={
        ‘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‘,
    })

with open(‘zhihu.gif‘, ‘wb‘) as f:
    f.write(i2.content)

captcha = input(‘请打开zhihu.gif文件，查看并输入验证码：‘)
form_data = {
    "_xsrf": xsrf,
    ‘password‘: ‘xxooxxoo‘,
    "captcha": ‘captcha‘,
    ‘email‘: ‘[email protected]‘
}

i3 = session.post(
    url=‘https://www.zhihu.com/login/email‘,
    data=form_data,
    headers={
        ‘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‘,
    }
)

i4 = session.get(
    url=‘https://www.zhihu.com/settings/profile‘,
    headers={
        ‘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‘,
    }
)

soup4 = BeautifulSoup(i4.text, ‘lxml‘)
tag = soup4.find(id=‘rename-section‘)
nick_name = tag.find(‘span‘,class_=‘name‘).string
print(nick_name)

例4：登录知乎

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import re
import json
import base64

import rsa
import requests

def js_encrypt(text):
    b64der = ‘MIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQCp0wHYbg/NOPO3nzMD3dndwS0MccuMeXCHgVlGOoYyFwLdS24Im2e7YyhB0wrUsyYf0/nhzCzBK8ZC9eCWqd0aHbdgOQT6CuFQBMjbyGYvlVYU2ZP7kG9Ft6YV6oc9ambuO7nPZh+bvXH0zDKfi02prknrScAKC0XhadTHT3Al0QIDAQAB‘
    der = base64.standard_b64decode(b64der)

    pk = rsa.PublicKey.load_pkcs1_openssl_der(der)
    v1 = rsa.encrypt(bytes(text, ‘utf8‘), pk)
    value = base64.encodebytes(v1).replace(b‘\n‘, b‘‘)
    value = value.decode(‘utf8‘)

    return value

session = requests.Session()
i1 = session.get(‘https://passport.cnblogs.com/user/signin‘)
rep = re.compile("‘VerificationToken‘: ‘(.*)‘")
v = re.search(rep, i1.text)
verification_token = v.group(1)

form_data = {
    ‘input1‘: js_encrypt(‘wptawy‘),
    ‘input2‘: js_encrypt(‘asdfasdf‘),
    ‘remember‘: False
}
i2 = session.post(url=‘https://passport.cnblogs.com/user/signin‘,
                  data=json.dumps(form_data),
                  headers={
                      ‘Content-Type‘: ‘application/json; charset=UTF-8‘,
                      ‘X-Requested-With‘: ‘XMLHttpRequest‘,
                      ‘VerificationToken‘: verification_token}
                  )

i3 = session.get(url=‘https://i.cnblogs.com/EditDiary.aspx‘)
print(i3.text)

例5：登录博客园

原文地址：https://www.cnblogs.com/xiaonq/p/8543618.html

时间： 2024-09-29 17:07:44

03：requests与BeautifulSoup结合爬取网页数据应用的相关文章

python之爬取网页数据总结（一）

今天尝试使用python,爬取网页数据.因为python是新安装好的,所以要正常运行爬取数据的代码需要提前安装插件.分别为requests    Beautifulsoup4   lxml  三个插件. 因为配置了环境变量,可以cmd命令直接安装.假如电脑上有两个版本的python,建议进入到目录安装. 安装的命令为 pip install requests(Beautifulsoup4   /lxml  ) 三条分别执行. 安装结束,可以尝试网上一些简单的例子,明白了解 Beautifulso

python爬虫——爬取网页数据和解析数据

1.网络爬虫的基本概念 网络爬虫(又称网络蜘蛛,机器人),就是模拟客户端发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序.只要浏览器能够做的事情,原则上,爬虫都能够做到. 2.网络爬虫的功能   图2 网络爬虫可以代替手工做很多事情,比如可以用于做搜索引擎,也可以爬取网站上面的图片,比如有些朋友将某些网站上的图片全部爬取下来,集中进行浏览,同时,网络爬虫也可以用于金融投资领域,比如可以自动爬取一些金融信息,并进行投资分析等. 有时,我们比较喜欢的新闻网站可能有几个,每次

用puppeteer爬取网页数据初体验

用puppeteer爬取网页数据 业务需求,页面需要显示很多链接列表,像这样的. 我问项目经理要字典表,他笑咪咪地拍着我的肩膀说:"这边有点忙,要不按照这个自己抄一下吧". emmm- 我看了一下,数据大概有七八百条,一个一个录入,那不得搞到地老天荒.海枯石烂. 心口一股燥热,差点就要口吐莲花,舌吐芬芳了- 转念一想,做人要儒雅随和,念在平时没少蹭吃蹭喝的份上,咱先弄一下吧. 可是怎么弄呢? 一个一个输入是不可能的,我们需要录入每个组的标题.标题下的名称和链接,这是需要看网页源码,效率

爬虫爬取网页数据

public static void Main(string[] args) { string url = "https://ly.esf.fang.com/house-a010204-b012374/";//所需要爬取网站地址 string data = GetWebContent(url); var htmlDoc = new HtmlDocument(); htmlDoc.LoadHtml(data);//加载数据流 HtmlNodeCollection htmlNodes =

pycharm爬取网页数据

1 python环境的配置 1.1 安装python文件包,放到可以找到的位置 1.2 右键计算机->属性->高级环境设置->系统变量->Path->编辑->复制python路径位置 1.3 管理员身份打开cmd,输入python,测试环境是否安装成功 2 安装pycharm 2.1 安装pycharm文件包,放到可以找到的位置 2.2 新建文件夹,需要设置环境 2.3 File->Setting->project ...->add->找到pyt

接着上次的python爬虫，今天进阶一哈，局部解析爬取网页数据

*解析网页数据的仓库 用Beatifulsoup基于lxml包lxml包基于html和xml的标记语言的解析包.可以去解析网页的内容,把我们想要的提取出来. 第一步.导入两个包,项目中必须包含beautifulsoup4和lxml 第二步.先去获取网页的数据 def get_html(): url="http://www.scetc.net" response=request.get(url) response.encoding="UTF-8" return res

爬取网页数据基础

代码如下: package com.tracker.offline.tools; import com.alibaba.fastjson.JSONObject; import com.google.common.collect.Lists; import com.tracker.common.utils.StringUtil; import com.tracker.coprocessor.utils.JsonUtil; import org.apache.commons.lang.StringU

python爬取网页数据

python时间戳 将时间戳转为日期 #!/usr/bin/python # -*- coding: UTF-8 -*- # 引入time模块 import time #时间戳 timeStamp = 1581004800 timeArray = time.localtime(timeStamp) #转为年-月-日形式 otherStyleTime = time.strftime("%Y-%m-%d ", timeArray) print(otherStyleTime) python爬

【推荐】oc解析HTML数据的类库（爬取网页数据）

TFhpple是一个用于解析html数据的第三方库,本人感觉功能还算可以,只不过在使用前必须配置项目. 配置 1.导入libxml2.tbd 2.设置编译路径 使用 这里使用一个例子来说明 http://so.gushiwen.org/guwen/book_2.aspx 1.创建TFHpple对象,data为网站返回的数据 TFHpple *htmlParser = [[TFHpple alloc] initWithHTMLData:data]; 2.使用searchWithXPathQuery