终于等到你,python爬虫!!!!

爬虫到底要干什么?爬虫,只要是对网络有一定了解的人,基本上都会听过这个词汇。

但是相信大家对于爬虫这个东西具体是干什么,还有怎么干的都不会太清楚。

先说一下爬虫是干什么的。

简单一句话,爬虫就是模拟人类的使用浏览器的动作,把人想看到的浏览器的显示内容,保存到本地,然后用于分析用途。

很明显,直接使用浏览器去干这件事是不靠谱的,人使用的浏览器本身在把数据从网络上得到以外,还要以能够很完善的适应一个人眼睛的显示的格式才成。而爬虫只要第一部,把数据从网络上得到,保存下来。

于是,它就要针对这个进行优化。比如同时爬取多个网站的多个网页。如果是Google的话,Google一年10次或者每36天一次的大规模索引更新。也就意味着Google本身可能一年10次要对全球所有的网站进行一次完整的增量爬取。2015年底据统计是863,105,652个网站(http://www.internetlivestats.com/total-number-of-websites/)。你可以想像一下,36天就要所有的都访问一次需要的规模是多大。然后把这些网站都保存下来,是有多大。Google干的最基本的工作就是这样的,所有的网站访问一遍,然后把所有访问的内容都存储下来。

当然了,还有一类就是专有爬虫,就是专门针对某一个,或者某几个网站开始爬数据。比如,就有专门爬淘宝的爬虫,可以得到所有的淘宝信息,比如某个用户买了什么,某个东西卖价是如何控制的。

怎么干就有点难度了,我们可以想像成是一堆人吧。要访问所有的网站一遍就可能要有足够的人手+足够的分工。

某一个要负责网页的下载,指定一个网页地址,把它下载下来,然后保存了。

某个人专门负责网页的解析,把第一个人的工作内容存储起来。然后从这个网页中再得到其它的可访问地址。就叫爬虫页面解析吧。

某个人专门负责可访问地址的爬取调度,就是什么时间,让第一个人去干了。

实现上面三点就是一个基本的爬虫了。实际上,要比这个难得多,比如验证码问题,某一IP不能同时访问的问题。不同语言的网页的问题。。。。反正当一件内容可分类的各类大到某个值,然后再把工作数目加到NNN亿的级别,就会变成世界上最难的工作了。

爬虫基本操作:定向:  定向爬虫只有单个或者少量的网站做为数据源头,某一些网站的数据源做为数据来源,进行页面数据的抓取,这里有别于传统的搜索引擎爬虫,传统的搜索引擎爬虫主要是针对整个互联网的数据进行爬取以及数据分析,难度更大,不论是从抓取的调度,还是性能要求,又或者是数据的存储都有很大的区别。  优势:基于模版的信息提取技术,能提供更加精准的信息。比如价格,房屋面积,时间,职位,公司名等等。  劣势:目标网站难以大面积覆盖,因为基于模版匹配的信息提取技术,需要人工的参与配置模版,欲要大面积覆盖各个目标网站,需要大量的人力成本,同样维护模板也需要很大的人力成本。

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、无参数实例

import requests

ret = requests.get(‘https://github.com/timeline.json‘)

print ret.url
print ret.text

# 2、有参数实例

import requests

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

print ret.url
print ret.text

2、POST请求

# 1、基本POST实例

import requests

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

print ret.text

# 2、发送请求头和数据实例

import requests
import json

url = ‘https://api.github.com/some/endpoint‘
payload = {‘some‘: ‘data‘}
headers = {‘content-type‘: ‘application/json‘}

ret = requests.post(url, data=json.dumps(payload), headers=headers)

print ret.text
print ret.cookies

3、其他请求

requests.get(url, params=None, **kwargs)
requests.post(url, data=None, json=None, **kwargs)
requests.put(url, data=None, **kwargs)
requests.head(url, **kwargs)
requests.delete(url, **kwargs)
requests.patch(url, data=None, **kwargs)
requests.options(url, **kwargs)

# 以上方法均是在此方法的基础上构建
requests.request(method, url, **kwargs)

4、更多参数

def request(method, url, **kwargs):
    """Constructs and sends a :class:`Request <Request>`.

    :param method: method for the new :class:`Request` object.
    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary or bytes to be sent in the query string for the :class:`Request`.
    :param data: (optional) Dictionary, bytes, or file-like object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.
    :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.
    :param files: (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.
    :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.
    :param timeout: (optional) How long to wait for the server to send data
        before giving up, as a float, or a :ref:`(connect timeout, read
        timeout) <timeouts>` tuple.
    :type timeout: float or tuple
    :param allow_redirects: (optional) Boolean. Set to True if POST/PUT/DELETE redirect following is allowed.
    :type allow_redirects: bool
    :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.
    :param verify: (optional) whether the SSL cert will be verified. A CA_BUNDLE path can also be provided. Defaults to ``True``.
    :param stream: (optional) if ``False``, the response content will be immediately downloaded.
    :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, (‘cert‘, ‘key‘) pair.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response

    Usage::

      >>> import requests
      >>> req = requests.request(‘GET‘, ‘http://httpbin.org/get‘)
      <Response [200]>
    """

参数列表

def param_method_url():
    # requests.request(method=‘get‘, url=‘http://127.0.0.1:8000/test/‘)
    # requests.request(method=‘post‘, url=‘http://127.0.0.1:8000/test/‘)
    pass

def param_param():
    # - 可以是字典
    # - 可以是字符串
    # - 可以是字节(ascii编码以内)

    # requests.request(method=‘get‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # params={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘})

    # requests.request(method=‘get‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # params="k1=v1&k2=水电费&k3=v3&k3=vv3")

    # requests.request(method=‘get‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # params=bytes("k1=v1&k2=k2&k3=v3&k3=vv3", encoding=‘utf8‘))

    # 错误
    # requests.request(method=‘get‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # params=bytes("k1=v1&k2=水电费&k3=v3&k3=vv3", encoding=‘utf8‘))
    pass

def param_data():
    # 可以是字典
    # 可以是字符串
    # 可以是字节
    # 可以是文件对象

    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # data={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘})

    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # data="k1=v1; k2=v2; k3=v3; k3=v4"
    # )

    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # data="k1=v1;k2=v2;k3=v3;k3=v4",
    # headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘}
    # )

    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # data=open(‘data_file.py‘, mode=‘r‘, encoding=‘utf-8‘), # 文件内容是:k1=v1;k2=v2;k3=v3;k3=v4
    # headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘}
    # )
    pass

def param_json():
    # 将json中对应的数据进行序列化成一个字符串,json.dumps(...)
    # 然后发送到服务器端的body中,并且Content-Type是 {‘Content-Type‘: ‘application/json‘}
    requests.request(method=‘POST‘,
                     url=‘http://127.0.0.1:8000/test/‘,
                     json={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘})

def param_headers():
    # 发送请求头到服务器端
    requests.request(method=‘POST‘,
                     url=‘http://127.0.0.1:8000/test/‘,
                     json={‘k1‘: ‘v1‘, ‘k2‘: ‘水电费‘},
                     headers={‘Content-Type‘: ‘application/x-www-form-urlencoded‘}
                     )

def param_cookies():
    # 发送Cookie到服务器端
    requests.request(method=‘POST‘,
                     url=‘http://127.0.0.1:8000/test/‘,
                     data={‘k1‘: ‘v1‘, ‘k2‘: ‘v2‘},
                     cookies={‘cook1‘: ‘value1‘},
                     )
    # 也可以使用CookieJar(字典形式就是在此基础上封装)
    from http.cookiejar import CookieJar
    from http.cookiejar import Cookie

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

def param_files():
    # 发送文件
    # file_dict = {
    # ‘f1‘: open(‘readme‘, ‘rb‘)
    # }
    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # files=file_dict)

    # 发送文件,定制文件名
    # file_dict = {
    # ‘f1‘: (‘test.txt‘, open(‘readme‘, ‘rb‘))
    # }
    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # files=file_dict)

    # 发送文件,定制文件名
    # file_dict = {
    # ‘f1‘: (‘test.txt‘, "hahsfaksfa9kasdjflaksdjf")
    # }
    # requests.request(method=‘POST‘,
    # url=‘http://127.0.0.1:8000/test/‘,
    # files=file_dict)

    # 发送文件,定制文件名
    # file_dict = {
    #     ‘f1‘: (‘test.txt‘, "hahsfaksfa9kasdjflaksdjf", ‘application/text‘, {‘k1‘: ‘0‘})
    # }
    # requests.request(method=‘POST‘,
    #                  url=‘http://127.0.0.1:8000/test/‘,
    #                  files=file_dict)

    pass

def param_auth():
    from requests.auth import HTTPBasicAuth, HTTPDigestAuth

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

    # ret = requests.get(‘http://192.168.1.1‘,
    # auth=HTTPBasicAuth(‘admin‘, ‘admin‘))
    # ret.encoding = ‘gbk‘
    # print(ret.text)

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

def param_timeout():
    # ret = requests.get(‘http://google.com/‘, timeout=1)
    # print(ret)

    # ret = requests.get(‘http://google.com/‘, timeout=(5, 1))
    # print(ret)
    pass

def param_allow_redirects():
    ret = requests.get(‘http://127.0.0.1:8000/test/‘, allow_redirects=False)
    print(ret.text)

def param_proxies():
    # proxies = {
    # "http": "61.172.249.96:80",
    # "https": "http://61.185.219.126:3128",
    # }

    # proxies = {‘http://10.20.1.128‘: ‘http://10.10.1.10:5323‘}

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

    # from requests.auth import HTTPProxyAuth
    #
    # proxyDict = {
    # ‘http‘: ‘77.75.105.165‘,
    # ‘https‘: ‘77.75.105.165‘
    # }
    # auth = HTTPProxyAuth(‘username‘, ‘mypassword‘)
    #
    # r = requests.get("http://www.google.com", proxies=proxyDict, auth=auth)
    # print(r.text)

    pass

def param_stream():
    ret = requests.get(‘http://127.0.0.1:8000/test/‘, stream=True)
    print(ret.content)
    ret.close()

    # from contextlib import closing
    # with closing(requests.get(‘http://httpbin.org/get‘, stream=True)) as r:
    # # 在此处理响应。
    # for i in r.iter_content():
    # print(i)

def requests_session():
    import requests

    session = requests.Session()

    ### 1、首先登陆任何页面,获取cookie

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

    ### 2、用户登陆,携带上一次的cookie,后台对cookie中的 gpsd 进行授权
    i2 = session.post(
        url="http://dig.chouti.com/login",
        data={
            ‘phone‘: "8615131255089",
            ‘password‘: "xxxxxx",
            ‘oneMonth‘: ""
        }
    )

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

参数示例

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

BeautifulSoup

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。

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
asdf
    <div class="title">
        <b>The Dormouse‘s story总共</b>
        <h1>f</h1>
    </div>
<div class="story">Once upon a time there were three little sisters; and their names were
    <a  class="sister0" id="link1">Els<span>f</span>ie</a>,
    <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
    <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</div>
ad<br/>sf
<p class="story">...</p>
</body>
</html>
"""

soup = BeautifulSoup(html_doc, features="lxml")
# 找到第一个a标签
tag1 = soup.find(name=‘a‘)
# 找到所有的a标签
tag2 = soup.find_all(name=‘a‘)
# 找到id=link2的标签
tag3 = soup.select(‘#link2‘)

安装:

pip3 install beautifulsoup4

使用示例:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
    ...
</body>
</html>
"""

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

1. name,标签名称

# tag = soup.find(‘a‘)
# name = tag.name # 获取
# print(name)
# tag.name = ‘span‘ # 设置
# print(soup)

2. attr,标签属性

# tag = soup.find(‘a‘)
# attrs = tag.attrs    # 获取
# print(attrs)
# tag.attrs = {‘ik‘:123} # 设置
# tag.attrs[‘id‘] = ‘iiiii‘ # 设置
# print(soup)

3. children,所有子标签

# body = soup.find(‘body‘)
# v = body.children

4. children,所有子子孙孙标签

# body = soup.find(‘body‘)
# v = body.descendants

5. clear,将标签的所有子标签全部清空(保留标签名)

# tag = soup.find(‘body‘)
# tag.clear()
# print(soup)

6. decompose,递归的删除所有的标签

# body = soup.find(‘body‘)
# body.decompose()
# print(soup)

7. extract,递归的删除所有的标签,并获取删除的标签

# body = soup.find(‘body‘)
# v = body.extract()
# print(soup)

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

# body = soup.find(‘body‘)
# v = body.decode()
# v = body.decode_contents()
# print(v)

9. encode,转换为字节(含当前标签);encode_contents(不含当前标签)

# body = soup.find(‘body‘)
# v = body.encode()
# v = body.encode_contents()
# print(v)

10. find,获取匹配的第一个标签

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

11. find_all,获取匹配的所有标签

# tags = soup.find_all(‘a‘)
# print(tags)

# tags = soup.find_all(‘a‘,limit=1)
# print(tags)

# tags = soup.find_all(name=‘a‘, attrs={‘class‘: ‘sister‘}, recursive=True, text=‘Lacie‘)
# # tags = soup.find(name=‘a‘, class_=‘sister‘, recursive=True, text=‘Lacie‘)
# print(tags)

# ####### 列表 #######
# v = soup.find_all(name=[‘a‘,‘div‘])
# print(v)

# v = soup.find_all(class_=[‘sister0‘, ‘sister‘])
# print(v)

# v = soup.find_all(text=[‘Tillie‘])
# print(v, type(v[0]))

# v = soup.find_all(id=[‘link1‘,‘link2‘])
# print(v)

# v = soup.find_all(href=[‘link1‘,‘link2‘])
# print(v)

# ####### 正则 #######
import re
# rep = re.compile(‘p‘)
# rep = re.compile(‘^p‘)
# v = soup.find_all(name=rep)
# print(v)

# rep = re.compile(‘sister.*‘)
# v = soup.find_all(class_=rep)
# print(v)

# rep = re.compile(‘http://www.oldboy.com/static/.*‘)
# v = soup.find_all(href=rep)
# print(v)

# ####### 方法筛选 #######
# def func(tag):
# return tag.has_attr(‘class‘) and tag.has_attr(‘id‘)
# v = soup.find_all(name=func)
# print(v)

# ## get,获取标签属性
# tag = soup.find(‘a‘)
# v = tag.get(‘id‘)
# print(v)

12. has_attr,检查标签是否具有该属性

# tag = soup.find(‘a‘)
# v = tag.has_attr(‘id‘)
# print(v)

13. get_text,获取标签内部文本内容

# tag = soup.find(‘a‘)
# v = tag.get_text(‘id‘)
# print(v)

14. index,检查标签在某标签中的索引位置

# tag = soup.find(‘body‘)
# v = tag.index(tag.find(‘div‘))
# print(v)

# tag = soup.find(‘body‘)
# for i,v in enumerate(tag):
# print(i,v)

15. 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‘

# tag = soup.find(‘br‘)
# v = tag.is_empty_element
# print(v)

16. 当前的关联标签

# soup.next
# soup.next_element
# soup.next_elements
# soup.next_sibling
# soup.next_siblings

#
# tag.previous
# tag.previous_element
# tag.previous_elements
# tag.previous_sibling
# tag.previous_siblings

#
# tag.parent
# tag.parents

17. 查找某标签的关联标签

# tag.find_next(...)
# tag.find_all_next(...)
# tag.find_next_sibling(...)
# tag.find_next_siblings(...)

# tag.find_previous(...)
# tag.find_all_previous(...)
# tag.find_previous_sibling(...)
# tag.find_previous_siblings(...)

# tag.find_parent(...)
# tag.find_parents(...)

# 参数同find_all

18. select,select_one, CSS选择器

soup.select("title")

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

soup.select("body a")

soup.select("html head title")

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

soup.select("head > title")

soup.select("p > a")

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

soup.select("p > #link1")

soup.select("body > a")

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

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

soup.select(".sister")

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

soup.select("#link1")

soup.select("a#link2")

soup.select(‘a[href]‘)

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

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

soup.select(‘a[href$="tillie"]‘)

soup.select(‘a[href*=".com/el"]‘)

from bs4.element import Tag

def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr(‘href‘):
            continue
        yield child

tags = soup.find(‘body‘).select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags)

from bs4.element import Tag
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr(‘href‘):
            continue
        yield child

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

19. 标签的内容

# tag = soup.find(‘span‘)
# print(tag.string)          # 获取
# tag.string = ‘new content‘ # 设置
# print(soup)

# tag = soup.find(‘body‘)
# print(tag.string)
# tag.string = ‘xxx‘
# print(soup)

# tag = soup.find(‘body‘)
# v = tag.stripped_strings  # 递归内部获取所有标签的文本
# print(v)

20.append在当前标签内部追加一个标签

# tag = soup.find(‘body‘)
# tag.append(soup.find(‘a‘))
# print(soup)
#
# from bs4.element import Tag
# obj = Tag(name=‘i‘,attrs={‘id‘: ‘it‘})
# obj.string = ‘我是一个新来的‘
# tag = soup.find(‘body‘)
# tag.append(obj)
# print(soup)

21.insert在当前标签内部指定位置插入一个标签

# from bs4.element import Tag
# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})
# obj.string = ‘我是一个新来的‘
# tag = soup.find(‘body‘)
# tag.insert(2, obj)
# print(soup)

22. insert_after,insert_before 在当前标签后面或前面插入

# from bs4.element import Tag
# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})
# obj.string = ‘我是一个新来的‘
# tag = soup.find(‘body‘)
# # tag.insert_before(obj)
# tag.insert_after(obj)
# print(soup)

23. replace_with 在当前标签替换为指定标签

# from bs4.element import Tag
# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})
# obj.string = ‘我是一个新来的‘
# tag = soup.find(‘div‘)
# tag.replace_with(obj)
# print(soup)

24. 创建标签之间的关系

# tag = soup.find(‘div‘)
# a = soup.find(‘a‘)
# tag.setup(previous_sibling=a)
# print(tag.previous_sibling)

25. wrap,将指定标签把当前标签包裹起来

# from bs4.element import Tag
# obj1 = Tag(name=‘div‘, attrs={‘id‘: ‘it‘})
# obj1.string = ‘我是一个新来的‘
#
# tag = soup.find(‘a‘)
# v = tag.wrap(obj1)
# print(soup)

# tag = soup.find(‘a‘)
# v = tag.wrap(soup.find(‘p‘))
# print(soup)

26. unwrap,去掉当前标签,将保留其包裹的标签

# tag = soup.find(‘a‘)
# v = tag.unwrap()
# print(soup)

更多参数官方:http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

一大波"自动登陆"示例

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

# ############## 方式一 ##############
"""
# ## 1、首先登陆任何页面,获取cookie
i1 = requests.get(url="http://dig.chouti.com/help/service")
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‘: "8615131255089",
        ‘password‘: "xxooxxoo",
        ‘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=8589523",
    cookies={‘gpsd‘: gpsd}
)

print(i3.text)
"""

# ############## 方式二 ##############
"""
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‘: "8615131255089",
        ‘password‘: "xxooxxoo",
        ‘oneMonth‘: ""
    }
)
i3 = session.post(
    url="http://dig.chouti.com/link/vote?linksId=8589523"
)
print(i3.text)

"""

抽屉新热榜

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

import requests
from bs4 import BeautifulSoup

# ############## 方式一 ##############
#
# # 1. 访问登陆页面,获取 authenticity_token
# i1 = requests.get(‘https://github.com/login‘)
# soup1 = BeautifulSoup(i1.text, features=‘lxml‘)
# tag = soup1.find(name=‘input‘, attrs={‘name‘: ‘authenticity_token‘})
# authenticity_token = tag.get(‘value‘)
# c1 = i1.cookies.get_dict()
# i1.close()
#
# # 1. 携带authenticity_token和用户名密码等信息,发送用户验证
# form_data = {
# "authenticity_token": authenticity_token,
#     "utf8": "",
#     "commit": "Sign in",
#     "login": "[email protected]",
#     ‘password‘: ‘xxoo‘
# }
#
# i2 = requests.post(‘https://github.com/session‘, data=form_data, cookies=c1)
# c2 = i2.cookies.get_dict()
# c1.update(c2)
# i3 = requests.get(‘https://github.com/settings/repositories‘, cookies=c1)
#
# soup3 = BeautifulSoup(i3.text, features=‘lxml‘)
# list_group = soup3.find(name=‘div‘, class_=‘listgroup‘)
#
# from bs4.element import Tag
#
# for child in list_group.children:
#     if isinstance(child, Tag):
#         project_tag = child.find(name=‘a‘, class_=‘mr-1‘)
#         size_tag = child.find(name=‘small‘)
#         temp = "项目:%s(%s); 项目路径:%s" % (project_tag.get(‘href‘), size_tag.string, project_tag.string, )
#         print(temp)

# ############## 方式二 ##############
# session = requests.Session()
# # 1. 访问登陆页面,获取 authenticity_token
# i1 = session.get(‘https://github.com/login‘)
# soup1 = BeautifulSoup(i1.text, features=‘lxml‘)
# tag = soup1.find(name=‘input‘, attrs={‘name‘: ‘authenticity_token‘})
# authenticity_token = tag.get(‘value‘)
# c1 = i1.cookies.get_dict()
# i1.close()
#
# # 1. 携带authenticity_token和用户名密码等信息,发送用户验证
# form_data = {
#     "authenticity_token": authenticity_token,
#     "utf8": "",
#     "commit": "Sign in",
#     "login": "[email protected]",
#     ‘password‘: ‘xxoo‘
# }
#
# i2 = session.post(‘https://github.com/session‘, data=form_data)
# c2 = i2.cookies.get_dict()
# c1.update(c2)
# i3 = session.get(‘https://github.com/settings/repositories‘)
#
# soup3 = BeautifulSoup(i3.text, features=‘lxml‘)
# list_group = soup3.find(name=‘div‘, class_=‘listgroup‘)
#
# from bs4.element import Tag
#
# for child in list_group.children:
#     if isinstance(child, Tag):
#         project_tag = child.find(name=‘a‘, class_=‘mr-1‘)
#         size_tag = child.find(name=‘small‘)
#         temp = "项目:%s(%s); 项目路径:%s" % (project_tag.get(‘href‘), size_tag.string, project_tag.string, )
#         print(temp)

github

#!/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)

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)

博客园

时间: 2024-11-07 13:25:29

终于等到你,python爬虫!!!!的相关文章

Python爬虫进阶三之Scrapy框架安装配置

初级的爬虫我们利用urllib和urllib2库以及正则表达式就可以完成了,不过还有更加强大的工具,爬虫框架Scrapy,这安装过程也是煞费苦心哪,在此整理如下. Windows 平台: 我的系统是 Win7,首先,你要有Python,我用的是2.7.7版本,Python3相仿,只是一些源文件不同. 官网文档:http://doc.scrapy.org/en/latest/intro/install.html,最权威哒,下面是我的亲身体验过程. 1.安装Python 安装过程我就不多说啦,我的电

Python爬虫进阶五之多线程的用法

前言 我们之前写的爬虫都是单个线程的?这怎么够?一旦一个地方卡到不动了,那不就永远等待下去了?为此我们可以使用多线程或者多进程来处理. 首先声明一点! 多线程和多进程是不一样的!一个是 thread 库,一个是 multiprocessing 库.而多线程 thread 在 Python 里面被称作鸡肋的存在!而没错!本节介绍的是就是这个库 thread. 不建议你用这个,不过还是介绍下了,如果想看可以看看下面,不想浪费时间直接看 multiprocessing 多进程 鸡肋点 名言: "Pyt

python爬虫Pragmatic系列III

python爬虫Pragmatic系列III 说明: 在上一篇博客中,我们已经学会了从赶集网上的一家公司中提取出有关的信息,并存储到Excel中. 本次目标: 在本节中,我们将批量下载赶集首页上所有的公司界面(注意不是赶集网上所有的公司页面,我们可以把这个留给之后的任务),并批量的处理所有公司的有关信息,并保存到Excel中. 注意: 在上一篇博客中,我们使用的只是匹配赶集网上其中一家公司界面的中信息,而且不幸的是,很多的其他的公司的联系店主模块中的信息数量并不是固定的,即有的是10个li,而有

【python爬虫】根据查询词爬取网站返回结果

最近在做语义方面的问题,需要反义词.就在网上找反义词大全之类的,但是大多不全,没有我想要的.然后就找相关的网站,发现了http://fanyici.xpcha.com/5f7x868lizu.html,还行能把"老师"-"学生","医生"-"病人"这样对立关系的反义词查出来. 一开始我想把网站中数据库中存在的所有的词语都爬出来(暗网爬虫),但是分析了url的特点: http://fanyici.xpcha.com/5f7x86

python爬虫Pragmatic系列IV

python爬虫Pragmatic系列IV 说明: 在上一篇博客中,我们已经做到了从赶集网上单个首页中抓取所有的链接,并下载下来,分析后存入Excel中. 本次目标: 在本节中,我们将使用python多线程技术从赶集网上抓取链接并分析,注意,我们这次能够抓获的链接数目可以远远大于上一篇博客中抓获的. 分析: 用爬虫统计信息那自然数据越多越好,为了获取更多的数据,我们先研究下如何打开上千个赶集网上公司链接. 打开首页(http://bj.ganji.com/danbaobaoxian/o1/),在

python爬虫和网络营销等场景下更换本地IP地址的几种办法

想必大家在使用python爬虫和在网络营销中注册多个账号等操作时,都遇到过IP限制的问题.这个IP不是小说动漫娱乐电影等IP,而是计算机的IP.道高一尺,魔高一丈.系统再怎么牛也是程序员哥哥敲出来的.之前牛逼哄哄的验证码都被我天朝网民大军给破解,打码平台专治各种验证码不服.同样对于封IP我们也有办法. 办法一:免费代理IP 这个就是去百度搜些免费的代理IP,然后导入到贴吧群发软件里,老子不用本地IP了,只要一被封号立马换个IP. 关于免费IP怎么找,当然是百度,一搜一大堆.小量操作够用.批量操作

Python爬虫之模拟登录微信wechat

不知何时,微信已经成为我们不可缺少的一部分了,我们的社交圈.关注的新闻或是公众号.还有个人信息或是隐私都被绑定在了一起.既然它这么重要,如果我们可以利用爬虫模拟登录,是不是就意味着我们可以获取这些信息,甚至可以根据需要来对它们进行有效的查看和管理.是的,没错,这完全可以.本篇博主将会给大家分享一下如何模拟登录网页版的微信,并展示模拟登录后获取的好友列表信息. 微信模拟登录的过程比较复杂,当然不管怎么样方法都是万变不离其宗,我们还是使用fiddler抓包工具来模拟登录的过程.好了,下面让我们一步一

Python爬虫下载whois server字典和whois自动化查询

上篇文章主要介绍了python通过socket查询whois的方法,涉及Python基于socket模块进行查询的相关技巧,具有一定参考借鉴价值,需要的朋友可以参考下    http://www.cnblogs.com/zhangmengqin/p/9144022.html 敲黑板!!!  每个域名后缀 对应的 whois server都是不一样的!  那么 我怎么知道我要查询的域名后缀对应的whois server?? 别急 这里有宝贝----  https://www.iana.org/do

Python爬虫突破封禁的6种常见方法

转 Python爬虫突破封禁的6种常见方法 2016年08月17日 22:36:59 阅读数:37936 在互联网上进行自动数据采集(抓取)这件事和互联网存在的时间差不多一样长.今天大众好像更倾向于用"网络数据采集",有时会把网络数据采集程序称为网络机器人(bots).最常用的方法是写一个自动化程序向网络服务器请求数据(通常是用HTML表单或其他网页文件),然后对数据进行解析,提取需要的信息. 本文假定读者已经了解如何用代码来抓取一个远程的URL,并具备表单如何提交及JavaScrip

Python爬虫入门教程 2-100 妹子图网站爬取

前言 从今天开始就要撸起袖子,直接写Python爬虫了,学习语言最好的办法就是有目的的进行,所以,接下来我将用10+篇的博客,写爬图片这一件事情.希望可以做好. 为了写好爬虫,我们需要准备一个火狐浏览器,还需要准备抓包工具,抓包工具,我使用的是CentOS自带的tcpdump,加上wireshark ,这两款软件的安装和使用,建议你还是学习一下,后面我们应该会用到. 网络请求模块requests Python中的大量开源的模块使得编码变的特别简单,我们写爬虫第一个要了解的模块就是requests