文章目录
前情回顾目前反爬总结请求模块总结解析模块总结xpath表达式增量爬虫如何实现Chrome浏览器安装插件今日笔记链家二手房案例（xpath）百度贴吧图片抓取requests.get()参数查询参数-paramsWeb客户端验证参数-authSSL证书认证参数-verify代理参数-proxies今日任务前情回顾
目前反爬总结
基于User-Agent反爬1、发送请求携带请求头: headers={'User-Agent' : 'Mozilla/5.0 xxxxxx'}2、多个请求随机切换User-Agent1、定义列表存放大量User-Agent，使用random.choice()每次随机选择2、定义py文件存放大量User-Agent，使用random.choice()每次随机选择3、使用fake_useragent模块每次访问随机生成User-Agent# sudo pip3 install fake_useraget* from fake_useragent import UserAgent* ua = UserAgent()* user_agent = ua.random* print(user_agent)
响应内容前端JS做处理反爬
1、html页面中可匹配出内容，程序中匹配结果为空(html格式化)* 响应内容中嵌入js，对页面结构做了一定调整导致，通过查看网页源代码，格式化输出查看结构，更改xpath或者正则测试2、如果数据出不来可考虑更换 IE 的User-Agent尝试，数据返回最标准
请求模块总结
urllib库使用流程# 编码params = {'':'','':''}params = urllib.parse.urlencode(params)url = baseurl + params# 请求request = urllib.request.Request(url,headers=headers)response = urllib.request.urlopen(request)html = response.read().decode('utf-8')
requests模块使用流程
baseurl = '/f?'html = requests.get(url,headers=headers).content.decode('utf-8','ignore')
响应对象res属性
res.text ：字符串res.content ：bytesres.encoding：字符编码 res.encoding='utf-8'res.status_code ：HTTP响应码res.url ：实际数据URL地址
解析模块总结
正则解析re模块import re pattern = pile(r'正则表达式',re.S)r_list = pattern.findall(html)
lxml解析库
from lxml import etreeparse_html = etree.HTML(res.text)r_list = parse_html.xpath('xpath表达式')
xpath表达式
匹配规则1、节点对象列表# xpath示例: //div、//div[@class="student"]、//div/a[@title="stu"]/span2、字符串列表# xpath表达式中末尾为: @src、@href、text()
xpath高级
1、基准xpath表达式: 得到节点对象列表2、for r in [节点对象列表]:username = r.xpath('./xxxxxx') # 此处注意遍历后继续xpath一定要以: . 开头，代表当前节点
写程序注意
# 最终目标: 不要使你的程序因为任何异常而终止1、页面请求设置超时时间,并用try捕捉异常,超过指定次数则更换下一个URL地址2、所抓取任何数据,获取具体数据前先判断是否存在该数据,可使用列表推导式# 多级页面数据抓取注意1、主线函数: 解析一级页面函数(将所有数据从一级页面中解析并抓取)
增量爬虫如何实现
1、数据库中创建指纹表,用来存储每个请求的指纹2、在抓取之前,先到指纹表中确认是否之前抓取过
Chrome浏览器安装插件
安装方法# 在线安装1、下载插件 - google访问助手2、安装插件 - google访问助手: Chrome浏览器-设置-更多工具-扩展程序-开发者模式-拖拽(解压后的插件)3、在线安装其他插件 - 打开google访问助手 - google应用商店 - 搜索插件 - 添加即可# 离线安装1、下载插件 - xxx.crx 重命名为 xxx.zip2、输入地址: chrome://extensions/ 打开- 开发者模式3、拖拽 插件(或者解压后文件夹) 到浏览器中4、重启浏览器，使插件生效
今日笔记
链家二手房案例（xpath）
实现步骤
确定是否为静态
打开二手房页面 -> 查看网页源码 -> 搜索关键字
xpath表达式
1、基准xpath表达式(匹配每个房源信息节点列表)此处滚动鼠标滑轮时,li节点的class属性值会发生变化,通过查看网页源码确定xpath表达式//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]2、依次遍历后每个房源信息xpath表达式* 名称: './/a[@data-el="region"]/text()'# 户型+面积+方位+是否精装info_list = './/div[@class="houseInfo"]/text()' [0].strip().split('|')* 户型: info_list[1]* 面积: info_list[2]* 方位: info_list[3]* 精装: info_list[4]* 楼层: './/div[@class="positionInfo"]/text()'* 区域: './/div[@class="positionInfo"]/a/text()'* 总价: './/div[@class="totalPrice"]/span/text()'* 单价: './/div[@class="unitPrice"]/span/text()'
代码实现
import requests, time, randomfrom fake_useragent import UserAgentfrom lxml import etreeclass LianJiaSpider:def __init__(self):self.url = "/ershoufang/pg{}/"self.blag=1# 随机headersdef get_headers(self):agent = UserAgent().randomheaders = {"User-Agent": agent}return headers# 请求def get_html(self, url):#请求三次.每次请求时间最多为5秒if self.blag<=3:try:res = requests.get(url=url, headers=self.get_headers(),timeout=5)# html=res.texthtml = res.content.decode()return htmlexcept Exception as e:print(e)self.blag+=1self.get_html(url)# 解析def parse_html(self, url):html = self.get_html(url)if not html:return Nonep = etree.HTML(html)# 基准xpath表达式 -30个房源节点对象列表h_list = p.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]')for h in h_list:item = {}# 名称item["name"] = (h.xpath('.//a[@data-el="region"]/text()')[0] if h.xpath('.//a[@data-el="region"]/text()') else None)# 户型+面积+方位+是否精装info_list = h.xpath('.//div[@class="houseInfo"]/text()')if info_list:L = info_list[0].split("|")if len(L) == 5:item["model"] = L[1].strip()item["area"] = L[2].strip()item["direction"] = L[3].strip()item["perfect"] = L[4].strip()else:item["model"] = item["area"] = item["direction"] = item["perfect"] = Noneelse:item["model"] = item["area"] = item["direction"] = item["perfect"] = None# 楼层item["floor"] = (h.xpath('.//div[@class="positionInfo"]/text()')[0] if h.xpath('.//div[@class="positionInfo"]/text()') else None)# 区域item["address"] = (h.xpath('.//div[@class="positionInfo"]/a/text()')[0] if h.xpath('.//div[@class="positionInfo"]/a/text()') else None)# 总价item["total"] = (h.xpath('.//div[@class="totalPrice"]/span/text()')[0]+"万" if h.xpath('.//div[@class="totalPrice"]/span/text()') else None)# 单价item["unit"] = (h.xpath('.//div[@class="unitPrice"]/span/text()')[0] if h.xpath('.//div[@class="unitPrice"]/span/text()') else None)print(item)# 保存def save_html(self):passdef run(self):for i in range(1,20):url=self.url.format(i)self.parse_html(url)# time.sleep(random.randint(1,3))#没抓取一页要初始化self.blagself.blag=1if __name__ == '__main__':l = LianJiaSpider()l.run()
百度贴吧图片抓取
目标思路
目标
抓取指定贴吧所有图片
思路
1、获取贴吧主页URL,下一页,找到不同页的URL规律2、获取1页中所有帖子URL地址: [帖子链接1,帖子链接2,...]3、对每个帖子链接发请求,获取图片URL4、向图片的URL发请求,以wb方式写入本地文件
实现步骤
贴吧URL规律
/f?kw=??&pn=50
xpath表达式
1、帖子链接xpath//div[@class="t_con cleafix"]/div/div/div/a/@href2、图片链接xpath//div[@class="d_post_content j_d_post_content clearfix"]/img[@class="BDE_Image"]/@src3、视频链接xpath//div[@class="video_src_wrapper"]/embed/@data-video# 注意: 此处视频链接前端对响应内容做了处理,需要查看网页源代码来查看，复制HTML代码在线格式化
代码实现
from urllib import parseimport requests, time, randomfrom fake_useragent import UserAgentfrom lxml import etreeclass TieBa:def __init__(self):self.url = "/f?"#如果各种数据及其逻辑没有问题,则需将浏览器标识改为IE浏览器self.headers = {"User-Agent":'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0) ' }# UserAgent().random# 请求def get_html(self, url,params=None):html = requests.get(url=url,params=params, headers=self.headers).content.decode("utf-8", "ignore")return html# xpath解析def xpath_html(self, html, xpath_db):p = etree.HTML(html)r_list = p.xpath(xpath_db)return r_list# 解析+提取def parse_html(self, one_url,params):one_html = self.get_html(one_url,params)# print(one_html)xpath_db = '//div[@class="t_con cleafix"]/div/div/div/a/@href'# 一个页面的帖子链接(50个)t_list = self.xpath_html(one_html, xpath_db)print(t_list)# 完整的帖子的链接for t in t_list:t_link = "" + t# 保存图片self.save_html(t_link)# 保存帖子图片def save_html(self, link):t_html = self.get_html(link)t_html_xpath_db = '//div[@class="d_post_content j_d_post_content clearfix"]/img[@class="BDE_Image"]/@src'img_list = self.xpath_html(t_html, t_html_xpath_db)# 向图片链接发请求保存到本地for img in img_list:img_html = requests.get(url=img, headers=self.headers).contentfilename = img[-10:] + ".jpg"with open(filename, "wb") as f:f.write(img_html)print("图片保存成功!")time.sleep(random.randint(1, 2))def run(self):name = input("贴吧名:")begin = input("起始页:")end = input("终止页:")for page in range(int(begin), int(end) + 1):# name = parse.quote(name)pn = (page-1)*50params={"kw":name,"pn":str(pn)}# url = self.url.format(name, pn)self.parse_html(self.url,params)if __name__ == '__main__':t = TieBa()t.run()
requests.get()参数
查询参数-params
参数类型字典,字典中键值对作为查询参数
使用方法
1、res = requests.get(url,params=params,headers=headers)2、特点: * url为基准的url地址，不包含查询参数* 该方法会自动对params字典编码,然后和url拼接
示例
import requestsbaseurl = '/f?'params = {'kw' : '赵丽颖吧','pn' : '50'}headers = {'User-Agent' : 'Mozilla/4.0'}# 自动对params进行编码,然后自动和url进行拼接,去发请求res = requests.get(url=baseurl,params=params,headers=headers)res.encoding = 'utf-8'print(res.text)
Web客户端验证参数-auth
作用及类型1、针对于需要web客户端用户名密码认证的网站2、auth = ('username','password')
code课程方向案例
# xpath表达式//a/@href# url /AIDCode/aid1904/14-redis/
思考：爬取具体的笔记文件？
import os# 保存在: /home/tarena/redis# 先判断 /home/tarena/redis 是否存在1、不存在: 先创建目录,然后再保存 .zip2、存在: 直接保存 .zip# 使用频率很高if not os.path.exists('路径'):os.makedirs('路径')
代码实现
import requestsfrom fake_useragent import UserAgentfrom lxml import etreeclass Tarena:def __init__(self):self.url = '/AIDCode/aid1906/14Spider/'# self.headers={"User-Agent":UserAgent.random}#需要web客户端用户名密码认证的网站self.auth = ("tarenacode", "code_")def get_html(self):html = requests.get(url=self.url, auth=self.auth).content.decode()p = etree.HTML(html)href_list = p.xpath('//a/@href')for href in href_list:if href.endswith(".zip") or href.endswith(",rar"):self.download(href)def download(self, href):file_url = self.url + hrefhtml = requests.get(url=file_url, auth=self.auth).contentwith open(href, "wb") as f:f.write(html)print(href, "下载成功!")if __name__ == '__main__':t = Tarena()t.get_html()
SSL证书认证参数-verify
适用网站及场景1、适用网站: https类型网站但是没有经过 证书认证机构 认证的网站2、适用场景: 抛出 SSLError 异常则考虑使用此参数
参数类型
1、verify=True(默认) : 检查证书认证2、verify=False（常用）: 忽略证书认证# 示例response = requests.get(url=url,params=params,headers=headers,verify=False)
代理参数-proxies
定义1、定义: 代替你原来的IP地址去对接网络的IP地址。2、作用: 隐藏自身真实IP,避免被封。
普通代理
获取代理IP网站
西刺代理、快代理、全网代理、代理精灵、... ...
参数类型
1、语法结构proxies = {'协议':'协议://IP:端口号'}2、示例proxies = {'http':'http://IP:端口号','https':'https://IP:端口号'}
示例
使用免费普通代理IP访问测试网站: /get
import requestsurl = '/get'headers = {'User-Agent':'Mozilla/5.0'}# 定义代理,在代理IP网站中查找免费代理IPproxies = {'http':'http://112.85.164.220:9999','https':'https://112.85.164.220:9999'}html = requests.get(url,proxies=proxies,headers=headers,timeout=5).textprint(html)
思考: 建立一个自己的代理IP池，随时更新用来抓取网站数据
1、从西刺代理IP网站上,抓取免费代理IP2、测试抓取的IP,可用的保存在文件中
思考 - 代码实现
1、抓取西刺代理IP-国内高匿代理 - IP+端口/nn/2、对抓取的IP定义为代理,测试,可用的保存到1个文件中timeout参数res.status_code == 200
写一个获取收费开放代理的接口
import requestsurl="/nn/"# url="/nn/"proxies={"http":"http://309435365:szayclhp@222.89.74.38:17714","https":"https://309435365:szayclhp@222.89.74.38:17714"}headers = {'User-Agent':'Mozilla/5.0' }html=requests.get(url=url,headers=headers,proxies=proxies).textprint(html)
私密代理
语法格式
1、语法结构proxies = {'协议':'协议://用户名:密码@IP:端口号'}2、示例proxies = {'http':'http://用户名:密码@IP:端口号','https':'https://用户名:密码@IP:端口号'}
示例代码
import requestsurl = '/get'proxies = {'http': 'http://309435365:szayclhp@106.75.71.140:16816','https':'https://309435365:szayclhp@106.75.71.140:16816',}headers = {'User-Agent' : 'Mozilla/5.0',}html = requests.get(url,proxies=proxies,headers=headers,timeout=5).textprint(html)
今日任务
1、总结前几天内容,理顺知识点2、代理参数 - 如何建立自己的IP代理池,并使用随机代理IP访问网站3、Web客户端验证 - 如何下载、保存
如果觉得《python爬虫之request.get()参数》对你有帮助，请点赞、收藏，并留下你的观点哦！
