2021年最全的Python爬虫学习笔记(上)

2022/10/9 2:23:56

本文主要是介绍2021年最全的Python爬虫学习笔记(上),对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

一、爬虫基础简介

1. 爬虫简介

什么是爬虫:通过编写程序,模拟浏览器上网,然后让其去互联网上抓取数据的过程

2. 爬虫合法性探究

爬虫究竟是合法还是违法的?

  • 在法律中是不被禁止的 具有违法风险 善意爬虫 & 恶意爬虫

爬虫带来的风险可以体现在如下两个方面:

  1. 爬虫干扰了被访问网站的正常运营
  2. 爬虫抓取了受到法律保护的特定类型的数据或信息

如何在编写使用的过程中避免进入局子的厄运?

  • 时常优化自己的程序,避免干扰被访问网站的正常运行 在使用,传播爬取到的数据时,审查抓取到的内容,如果发现了涉及到用户隐私或者商业机密等敏感内容,需要及时停止爬取或者传播。

3. 爬虫初试深入

爬虫在使用场景中的分类:

  • 通用爬虫:抓取系统的重要组成部分。抓取的是一整张页面数据。 聚焦爬虫:是建立在通用爬虫的基础之上。抓取的是页面中特定的局部内容。 增量式爬虫:监测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

爬虫的矛与盾:

  • 反爬机制:门户网站,可以通过制定相应的策略或者技术手段,防止爬虫程序进行网站数据的爬取。 反反爬策略:爬虫程序,可以通过制定相关的策略或者技术手段,破解门户网站中具备的反爬机制,从而可以获取门户网站中相关的数据。

robots.txt协议:君子协议。规定了网站中那些数据可以被爬虫爬取,那些数据不允许被爬取。

4. http&https协议

(1)http协议

概念:就是服务器和客户端进行数据交互的一种形式。

常用请求头信息:

  • User-Agent:请求载体的身份标识 Connection:请求完毕后,是断开连接还是保持连接

常用响应头信息:

  • Content-Type:服务器响应回客户端的数据类型

(2)https协议

概念:安全的超文本传输协议

(3)加密方式

  • 对称秘钥加密

非对称秘钥加密

存在缺点:第一个是如何保证接收端向发送端发出公开秘钥的时候,发送端确保收到的是预先要发送的,而不会被挟持,只要是发送秘钥,就有可能有被挟持的风险;第二个是非对称秘钥加密方式效率比较低,处理起来更为复杂,通信过程中使用就有一定的效率问题而影响通信速度。

证书秘钥加密:

  • 服务器的开发者携带公开密钥,向数字证书认证机构提出公开密钥的申请,数字证书认证机构在认清申请者的身份审核通过以后,会对开发者申请的公开密钥做数字签名,然后分配这个已签名的公开密钥,并将密钥放在证书里面,绑定在一起; 服务器将这份数字证书发送给客户端,因为客户端也认可证书机构,客户端可以通过数字证书中的数字签名来验证公钥的真伪,来确保服务器传过来的公开密钥是真实的。一般情况下,证书的数字签名是很难被伪造的,这取决于认证机构的公信力。一旦确认信息无误之后,客户端就会通过公钥对报文进行加密发送,服务器接收到以后用自己的私钥进行解密。

二、requests模块基础

1. requests第一血

requests模块:Python中原生的一款基于网络请求的模块,功能非常强大,简单便捷,效率极高。

作用:模拟浏览器发请求。

如何使用:(requests模块的编码流程)

  • 指定 url 发起请求 获取响应数据 持久化存储

环境的安装:pip install requests

实战编码:

  • 需求:爬取搜狗首页的数据
import requests
if __name__ == __main__:
    #step1 指定url
    url = https://www.sogou.com/
    #step2 发起请求
    #get方法会返回一个响应对象
    response = requests.get(url = url)
    #step3 获取响应数据,text返回的是字符串形式的响应数据
    page_text = response.text
    print(page_text)
    #step4 持久化存储
    with open(./sogou.html,w,encoding = utf-8) as fp:
        fp.write(page_text)
    print(爬取数据结束!)

2. requests巩固深入案例介绍

(1)简易网页采集器

  • UA检测 UA伪装
#UA:User-Agent请求载体的身份标识
UA检测:门户网站的服务器会监测对应请求的载体身份标识,
如果检测到请求载体身份标识是某一款浏览器,说明该请求时一个正常的请求;
但是,如果检测到请求的载体身份不是基于某一款浏览器的,则表示该请求为不正常请求(爬虫),
则服务器很有可能拒绝该次请求

#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,躲过UA检测
import requests
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/72.0.3626.121 Safari/537.36
    }
    #step1 指定url query
    url = https://www.sogou.com/web
    #处理url携带的参数 封装到字典中
    kw = input(Enter a word:)
    param ={
        query:kw
    }
    #step2 对指定的url发起请求,对应的url是携带参数的,并且处理过程中处理了参数
    response = requests.get(url = url,params = param,headers = headers)
    #step3
    page_text = response.text
    #step4
    fileName = kw + .html
    with open(fileName,w,encoding =utf-8) as fp:
        fp.write(page_text)
    print(fileName,保存成功!!)

(2)破解百度翻译

  • post请求(携带了参数) 响应数据是一组json数据
import requests
import json
if __name__ == __main__:
    #step1 指定URL
    post_url = https://fanyi.baidu.com/sug

    #step2 进行UA伪装
    headers = {
    User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }

    #step3 post请求参数处理(同get请求类似)
    word = input(Enter a word:
)
    data = {
        kw:word
    }

    #step4 请求发送
    response = requests.post(url = post_url,data = data,headers = headers)

    #step5 获取响应数据:json()方法返回的是obj  (如果确认响应数据是json类型-->通过Content-Type分辨,才可以直接用json方法)
    dict_obj = response.json()
    print(dict_obj)

    #step6 持久化存储
    fileName = word + .json
    fp = open(fileName,w,encoding=utf-8)
    json.dump(dict_obj,fp = fp,ensure_ascii = False)

    print(Over!)

(3)豆瓣电影

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,        #从库中的第几部电影去取
        limit:20        #一次取出的个数
    }
    headers = {
    User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 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(Over!)

3. 作业---肯德基餐厅查询

import requests
import json

if __name__ == __main__:
    post_url = https://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword
    keyword = input(请输入要查询的城市:)

    data ={
        cname: ,
        pid: ,
        keyword: keyword,
        pageindex: 1,
        pageSize: 10
    }
    headers = {
    User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    response = requests.post(url = post_url, data = data, headers = headers)

    # 持久化存储
    # page_text = response.text
    # fileName = keyword + .html
    # with open(fileName, w, encoding= utf-8) as fp:
    #     fp.write(page_text)
    # print(fileName, Over!)

    # 直接打印出来
    page = response.json()
    for dict in page[Table1]:
        StoreName = dict[storeName]
        address = dict[addressDetail]
        print(StoreName: + StoreName, address: + address + 
)

4. 综合练习---药监总局

  • 爬取国家药品监督管理总局中基于中华人民共和国化妆品生产许可证相关数据
(http://scxk.nmpa.gov.cn:81/xk/)
  • 动态加载数据:首页中对应的企业信息是通过 ajax 动态请求到的 通过对详情页url的观察发现:url的域名都是一样的,只有携带的参数(id)不一样id值可以从首页对应的 ajax 请求到的 json 串中获取域名和id值拼接出一个完整的企业对应的详情页的url 详情页的企业详情数据也是动态加载出来的!!!观察后发现,所有 post 请求的url都是一样的,只有参数id值不同如果我们可以批量获取多家企业的id后,就可以就id和url形成一个完整的详情页对应详情数据的 ajax 请求的url
import requests
import json

if __name__ == __main__:
    headers = {
        User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    id_list = []  # 存储企业的id
    all_data_list = []  # 存储企业所有的详情数据
    # 批量获取不同企业的id值
    url = http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList
    # 参数的封装
    for page in range(1, 11):
        page = str(page)
        data = {
            on: true,
            page: page,
            pageSize: 15,
            productName: ,
            conditionType: 1,
            applyname: ,
            applysn: ,
        }
    json_ids = requests.post(url=url, headers=headers, data=data).json()
    # 从 json_ids 字典中拿到 list 对应的 value 值,对 value 值列表进行遍历
    for dic in json_ids[list]:
        id_list.append(dic[ID])
    # print(id_list,
)

    # 获取企业详情数据,也是动态加载出来的,携带一个参数 id,其值可以通过前一步生成的 id列表提取
    post_url = http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById
    for id in id_list:
        data = {
        id: id
        }

        json_detail = requests.post(url=post_url, data=data, headers=headers).json()
        #print(json_detail, -------------END----------)
        all_data_list.append(json_detail )
        all_data_list.append(---------------------------------------------------------)

    # 持久化存储all_data_list
    fp = open(./allData.json, w, encoding=utf-8)
    json.dump(all_data_list, fp=fp, ensure_ascii=False, indent= True)  # indent 自动排版
    print(Over!)

三、数据解析

1. 数据解析概述

  • 聚焦爬虫:爬取页面中指定的页面内容。编码流程:1. 指定URL → 2. 发起请求 → 3. 获取响应数据 → 4. 数据解析 → 5. 持久化存储 数据解析分类:正则表达式bs4 解析xpath 解析(重点) 数据解析原理概述:解析的局部的文本内容都会在标签对应的属性中进行存储。进行指定标签的定位标签或者标签对应的属性中存储的数据值进行提取(解析)

2. 图片数据爬取---正则表达式

常用的正则表达式

单字符:
                        .        :        除换行以外所有字符

                        [ ]        :         [aoe]  [a-w] 匹配集合中任意一个字符

                        d        :        数字 [0-9]

                        D        :        非数字

                        w        :        数字、字母、下划线、中文

                        W        :        非w

                        s         :        所有的空白字符包,包括空格、制表符、换页符等等,等价于[ f 
 
 	 v ]

                        S        :        非空白

数量修饰:
                         *        :        任意多次        >=0

                        +        :        至少一次        >=1

                        ?        :        可有可无        0次或者1次

                {m}          :        固定m次        hello{3,}

                {m,}        :        至少m次

                {m,n}        :        m-n次

边界:
                        $        :        以某某结尾

                        ^        :        以某某开头

分组:
                        (ab)

贪婪模式:        .*

非贪婪(惰性)模式:        .*?

re.I        :        忽略大小写

re.M        :        多行匹配

re.S        :        单行匹配

re.sub        :        正则表达式,替换内容,字符串
正则练习
import re
#提取出python
key = "javapythonc++php"
re.findall(python, key)[0]

#提取出hello world
key = "<html><h1><hello world><h1></html>"
re.findall(<h1>(.*)<h1>, key)[0]

#提取170
string = 我喜欢身高为170的女孩’
re.findall(d+, string)

#提取出http://和https://
key = http://www.baidu.com and https://boob.com
re.findall(https?://, key)

#提取出hello
key = lalala<hTml><hello></HtMl>hahah         #输出<hTml><hello></HtMl>
re.findall(<[Hh][Tt][mM][lL]>(.*)</[Hh][Tt][mM][lL]>, key)

#提取出hit.
key = bobo@hit.edu.com        #想要匹配到hit
re.findall(h.*?., key)

#匹配sas和saas
key = sasa and sas and saaas
re.findall(sa{1,2}s, key)
import requests
if __name__ == __main__:
    #如何爬取图片
    url = https://pic.qiushibaike.com/system/pictures/12409/124098453/medium/YNPHJQC101MS31E1.jpg
    #content返回的是二进制形式的图片数据
    #text(字符串)  content(二进制)        json(队形)
    img_data = requests.get(url = url).content
    with open(./qiutu.jpg, wb) as fp:
        fp.write(img_data)

3. 正则解析案例

# 需求:爬取糗事百科中糗图板块下所有的糗图图片
<div class="thumb">
<a href="/article/124098472" target="_blank">
<img src="//pic.qiushibaike.com/system/pictures/12409/124098472/medium/HSN2WWN0TP1VUPNG.jpg" alt="糗事#124098472" class="illustration" width="100%" height="auto">
</a>
</div>
import re
import os
import requests

if __name__ == __main__:
    # 创建一个文件夹,保存所有的图片
    if not os.path.exists(./qiutuLibs):
        os.mkdir(./qiutuLibs)

    url = https://www.qiushibaike.com/imgrank/ 
    headers = {
        User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    # 使用通用爬虫对url对应的一整张页面进行爬取
    page_text = requests.get(url=url, headers=headers).text
    #print(page_text)

    #使用聚焦爬虫将页面中所有的糗图进行解析提取
    ex = <div class="thumb">.*?<img src="(.*?)" alt=.*?</div>

    img_src_list = re.findall(ex, page_text, re.S)
    print(img_src_list)
    for src in img_src_list:
        #拼接出完整的图片url
        src = https: + src
        img_data = requests.get(url = src, headers = headers).content
        #生成图片名称
        img_name = src.split(/)[-1]
        imgPath = ./qiutuLibs/ + img_name
        with open(imgPath, wb) as fp:
            fp.write(img_data)
        print(img_name, 下载成功!)
# 对上述代码进行进一步处理,使得能够分页爬取图片
import re
import os
import requests

if __name__ == __main__:
    # 创建一个文件夹,保存所有的图片
    if not os.path.exists(./qiutuLibs):
        os.mkdir(./qiutuLibs)
    # 设置一个通用的url模板
    url = https://www.qiushibaike.com/imgrank/page/%d/
    for pageNum in range(1, 11):
        # 对应页码的 url
        new_url = format(url % pageNum)
        headers = {
        User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
        }
        # 使用通用爬虫对url对应的一整张页面进行爬取
        page_text = requests.get(url=new_url, headers=headers).text
        #print(page_text)

        #使用聚焦爬虫将页面中所有的糗图进行解析提取
        ex = <div class="thumb">.*?<img src="(.*?)" alt=.*?</div>

        img_src_list = re.findall(ex, page_text, re.S)
        print(img_src_list)
        for src in img_src_list:
            #拼接出完整的图片url
            src = https: + src
            img_data = requests.get(url = src, headers = headers).content
            #生成图片名称
            img_name = src.split(/)[-1]
            imgPath = ./qiutuLibs/ + img_name
            with open(imgPath, wb) as fp:
                fp.write(img_data)
            print(img_name, 下载成功!)

4. bs4解析概述

  • 数据解析的原理:标签定位提取标签、标签属性中存储的数据值 bs4数据解析的原理:实例化一个BeautifulSoup对象,并且将页面源码数据加载到该对象中通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取 环境安装:pip install bs4 pip install lxml

5. bs4 解析具体讲解

  • **如?*? BeautifulSoup 对象: 导包,from bs4 import BeautifulSoup对象的实例化: (1)将本地的 html 文档中的数据加载到该对象中;(2)将互联网上获取的页面源码加载到该对象中。提供的用于数据解析的方法和属性:soup.tagName:返回的是文档中第一次出现的 tagName 标签;soup.find(tagName):可以等同于soup.tagName;也可以进行属性定位;soup.find_all( ):返回符合要求的所有标签;select(某种选择器(id,class,标签...选择器))返回的是一个列表;层级选择器获取标签之间的文本数据:soup.a.text/string/get_text( )text/get_text( ):可以获取某一个标签中所有的文本内容string:只可以获取该标签下面直系的文本内容获取标签中的属性值:soup.a[href]
<html lang="en">
<head>
        <meta charset="UTF-8" />
        <title>测试bs4</title>
</head>
<body>
        <div>
                <p>百里守约</p>
        </div>
        <div class="song">
                <p>李清照</p>
                <p>王安石</p>
                <p>苏轼</p>
                <p>柳宗元</p>
                <a  title="赵匡胤" target="_self">
                        <span>this is span</span>
                宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱</a>
                <a href="" class="du">总为浮云能蔽日,长安不见使人愁</a>
                <img src="http://www.baidu.com/meinv.jpg" alt="" />
        </div>
        <div class="tang">
                <ul>
                        <li><a  title="qing">清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村</a></li>
                        <li><a  title="qin">秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山</a></li>
                        <li><a  alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li>
                        <li><a  class="du">杜甫</a></li>
                        <li><a  class="du">杜牧</a></li>
                        <li><b>杜小月</b></li>
                        <li><i>度蜜月</i></li>
                        <li><a  id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li>
                </ul>
        </div>
</body>
</html>
from bs4 import BeautifulSoup

if __name__ == __main__:
    # 将本地的html文档中的数据加载到该对象中
    fp = open(./test.html, r, encoding=utf-8)
    soup = BeautifulSoup(fp, lxml)
    # print(soup)
    # page_text = response.text
    # soup = BeautifulSoup(page_text,lxml)
    print(soup.a)  # soup.tagName 返回的是html中第一次出现的tagName标签
    print(soup.div)

    print(soup.find(div))  # find(tagName) 等同于 soup.div
    print(soup.find(div, class_=song))  # 属性定位

    print(soup.find_all(a))  # 返回符合要求的所有标签(列表)

    print(soup.select(.tang))  # 返回的是一个列表
    print(soup.select(.tang > ul > li > a)[0])  # 层级选择器   > 表示一个层级
    print(soup.select(.tang > ul  a)[0])  # 空格表示多个层级
    print(soup.select(.tang > ul  a)[0].text)
    print(soup.select(.tang > ul  a)[0].get_text())
    print(soup.select(.tang > ul  a)[0].string)
    print(soup.select(.tang > ul  a)[0][href])

6. bs4 解析案例实战

# 需求:爬取三国演义小说所有的章节标题和章节内容
# https://www.shicimingju.com/book/sanguoyanyi.html
import requests
from bs4 import BeautifulSoup
if __name__ == __main__:
    #对首页的页面数据进行爬取
    headers = {
User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    url = https://www.shicimingju.com/book/sanguoyanyi.html

    response = requests.get(url = url, headers = headers)
    response.encoding = utf-8
    page_text = response.text

    #在首页中解析出章节的标题和详情页的url
    #实例化BeautifulSoup对象,需要将页面源码数据加载到该对象中
    soup = BeautifulSoup(page_text, lxml)
    # 解析章节标题和详情页的url
    li_list = soup.select(.book-mulu > ul > li)
    fp = open(./sanguo.txt, w, encoding = utf-8)
    for li in li_list:
        title = li.a.string
        detail_url =http://www.shicimingju.com + li.a[href]
        #对详情页发起请求,解析出章节内容
        detail_response = requests.get(url = detail_url, headers = headers)
        detail_response.encoding = utf-8
        detail_page_text = detail_response.text
        #解析出详情页中相关的章节内容
        detail_soup = BeautifulSoup(detail_page_text, lxml)
        div_tag = detail_soup.find(div, class_ = chapter_content)
        #解析到了章节的内容
        content = div_tag.text
        fp.write(title + : + content + 
)
        print(title, 爬取成功!)

7. xpath解析基础

  • xpath解析:最常用且最便捷高效的一种解析方式。通用性。 xpath解析原理:(1)实例化一个etree的对象,且需要将被解析的页面源码数据加载到该对象中;(2)调用etree对象中的xpath方法结合着xpath表达式实现标签的定位和内容的捕获。 环境的安装:pip install lxml (lxml解析器) **如?*桓鰁tree对象:from lxml import etree(1)将本地的html文档中的源码数据加载到etree对象中:etree.parse(filePath)(2)可以将从互联网上获取的源码数据加载到该对象中:etree.HTML(page_text) xpath(xpath表达式):其中 / 表示从根节点定位或者表示一个层级;// 表示多个层级或者从任意位置开始定位;属性定位:tag[@attrName="attrValue"];索引定位:tag[@attrName="attrValue"]/p[3],注意索引从1开始取文本:/text( ) :获取的是标签中直系的文本内容;//text( ) :标签中非直系的文本内容(所有的文本内容)取属性:/@attrName ==> img/@src
from lxml import etree
if __name__ == "__main__":
    #实例化好了一个etree对象,且将被解析的源码加载到了该对象中
    tree = etree.parse(test.html)
    # r = tree.xpath(/html/body/div)
    # r = tree.xpath(/html//div)
    # r = tree.xpath(//div)
    # r = tree.xpath(//div[@class="song"])
    # r = tree.xpath(//div[@class="tang"]//li[5]/a/text())[0]
    # r = tree.xpath(//li[7]//text())
    # r = tree.xpath(//div[@class="tang"]//text())
    r = tree.xpath(//div[@class="song"]/img/@src)

    print(r)

8. xpath实战-58二手房

9. xpath解析案例

(1)4k图片解析下载

#需求:解析下载图片数据 http://pic.netbian.com/4kmeinv/
import requests
from lxml import etree
import os
if __name__ == "__main__":
    url = http://pic.netbian.com/4kmeinv/
    headers = {
        User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36
    }
    response = requests.get(url=url, headers=headers)
    # 手动设定响应数据的编码格式
    # response.encoding = utf-8
    page_text = response.text

    #数据解析:src的属性值  alt属性
    tree = etree.HTML(page_text)
    li_list = tree.xpath(//div[@class="slist"]/ul/li)

    #创建一个文件夹
    if not os.path.exists(./picLibs):
        os.mkdir(./picLibs)

    for li in li_list:
        img_src = http://pic.netbian.com+li.xpath(./a/img/@src)[0]
        img_name = li.xpath(./a/img/@alt)[0]+.jpg
        #通用处理中文乱码的解决方案
        img_name = img_name.encode(iso-8859-1).decode(gbk)

        # print(img_name,img_src)
        # 请求图片进行持久化存储
        img_data = requests.get(url=img_src, headers=headers).content
        img_path = picLibs/+img_name
        with open(img_path, wb) as fp:
            fp.write(img_data)
            print(img_name, 下载成功!!!)
print(------------------------OVER!---------------------------------)

(2)全国城市名称爬取

# 需求:解析出所有城市名称  https://www.aqistudy.cn/historydata/
import requests
from lxml import etree

if __name__ == __main__:
    headers = {
    User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    url = https://www.aqistudy.cn/historydata/
    page_text = requests.get(url=url,headers=headers).text
    tree = etree.HTML(page_text)

    #数据解析
    hot_li_list = tree.xpath(//div[@class="bottom"]/ul/li)
    all_city_names = []
    #解析热门城市名字
    for li in hot_li_list:
        hot_city_names = li.xpath(./a/text())[0]
        all_city_names.append(hot_city_names)

    #解析全部城市名字:
    city_names_list = tree.xpath(.//div[@class="bottom"]/ul/div[2]/li)
    for li in city_names_list:
        city_name = li.xpath(./a/text())[0]
        all_city_names.append(city_name)

    print(all_city_names,len(all_city_names))

    # 第二种方法,一起解析

    headers = {
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36
    }
    url = https://www.aqistudy.cn/historydata/
    page_text = requests.get(url=url, headers=headers).text

    tree = etree.HTML(page_text)
    # 数据解析  解析到热门城市和全部城市对应的a标签
    # 热门城市标签层级div/ul/li/a
    # 全部城市标签层级div/ul/div[2]/li/a
    a_list = tree.xpath(//div[@class="bottom"]/ul/li/a | //div[@class="bottom"]/ul/div[2]/li/a )
    all_city_names = []
    for a in a_list:
        a_name = a.xpath(./text())[0]
        all_city_names.append(a_name)
    print(all_city_names, len(all_city_names))

四、验证码

1. 验证码识别简介

验证码和爬虫之间的爱恨情仇:

  • 反爬机制:验证码。识别验证码图片中的数据,用于模拟登录操作。

识别验证码的操作:

  • 人工肉眼识别(不推荐) 第三方自动识别(推荐)

2. 云打码使用流程

  • 注册:用户中心身份 登录:用户中心身份 查询余额,题分是否足够 创建软件ID——用户中心左下角 下载示例代码 ——开发文档
#!/usr/bin/env python
# coding:utf-8

from lxml import etree
import requests
from hashlib import md5

class Chaojiying_Client(object):

        def __init__(self, username, password, soft_id):
                self.username = username
                password =  password.encode(utf8)
                self.password = md5(password).hexdigest()
                self.soft_id = soft_id
                self.base_params = {
                        user: self.username,
                        pass2: self.password,
                        softid: self.soft_id,
                }
                self.headers = {
                        Connection: Keep-Alive,
                        User-Agent: Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0),
                }

        def PostPic(self, im, codetype):
                """
                im: 图片字节
                codetype: 题目类型 参考 http://www.chaojiying.com/price.html
                """
                params = {
                        codetype: codetype,
                }
                params.update(self.base_params)
                files = {userfile: (ccc.jpg, im)}
                r = requests.post(http://upload.chaojiying.net/Upload/Processing.php, data=params, files=files, headers=self.headers)
                return r.json()

        def ReportError(self, im_id):
                """
                im_id:报错题目的图片ID
                """
                params = {
                        id: im_id,
                }
                params.update(self.base_params)
                r = requests.post(http://upload.chaojiying.net/Upload/ReportError.php, data=params, headers=self.headers)
                return r.json()

def tranformImgCode(imgPath,imgType):
        chaojiying = Chaojiying_Client(此处是账户, 此处是密码, 此处是软件ID)        #用户中心>>软件ID 生成一个替换 
        im = open(imgPath, rb).read()        
        return chaojiying.PostPic(im,imgType)[pic_str]        #1902 验证码类型  官方网站>>价格体系 3.4+版 

print(tranformImgCode(./a.jpg,1902))


这篇关于2021年最全的Python爬虫学习笔记(上)的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程