Python 爬虫常用代码

目录

Python 爬虫常用代码

web基础：

Request核心代码：

POST相关：

BeautifulSoup：

---

web基础：

Response Headers中的数据为浏览器向网站所传送的内容，包括浏览器的信息及cookies等。

status：200 正常  418 被发现时爬虫orz

（418时 需要进行包装（User-Agent详见后文））

Request核心代码：

在python3中 urllib 已经与 urllib2库整合，import urllib即可

import urllib.request

response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode("utf-8"))

decode 可将其解码为便于浏览的文本。

POST相关：

常用post的测试网站：

httpbin.org

post 一些data的测试（使用bytes转为二进制文件）（模拟用户真实登录（cookies））

import urllib.request,urllib.parse

if __name__ == '__main__':
    data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding="utf-8")
    response = urllib.request.urlopen("http://httpbin.org/post",data = data)
    print(response.read().decode("utf-8"))

记得使用try...except urllib.error.URLError: 来实现超时的错误处理（常用） 

data = bytes(urllib.parse.urlencode({"hello": "world"}), encoding="utf-8")
    try:
        req = urllib.request.Request("http://douban.com", data=data, headers=headers, method="POST")
        response = urllib.request.urlopen(req)
        print(response.read().decode("utf-8"))
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

反418操作：（亦是request 和 response结合使用的示例，用request获取 用urlopen打开request实例）

headers = {  #模拟浏览器头部信息 向豆瓣服务器发送消息
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36" #from your browser
}

data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding="utf-8")
    req = urllib.request.Request("http://douban.com",data = data,headers = headers, method = "POST")
    response = urllib.request.urlopen(req)
    print(response.read().decode("utf-8"))

BeautifulSoup：

作用：将复杂的HTML文档转换成一个复杂的树形结构，每个节点都是Python对象， 所有对象可归纳为4种

（强大的 搜索html标签及内容的工具，免于繁重的find工作）

--Tag 标签

--NavigableString

--BeautifulSoup

--Comment

基础示例：

from bs4 import BeautifulSoup

file = open("baidu.html","rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")


print(bs.a)# get tag
print(bs.title.string) # get string inside tag
print(bs.a.attrs) # get attrs inside tag

常用搜索函数：

bs.find_all("a") # 完全匹配
bs.find_all(re.compile("a")) # 正则匹配
bs.find_all(id = "head") # 寻找id为head的标签


# 方法搜索： 传入一个函数，根据函数的要求来搜索
def rules():
    return tag.has_attr("name")
bs.find_all(rules)

tlist = bs.select('title') # 通过标签来查找
tlist = bs.select('.mnav') # 通过类名来查找(# id)
tlist = bs.select('head > title') # 查找子标签
tlist = bs.select('.manv ~ .bri') # 查找兄弟标签
# 获取该文本的方法
print(tlist[0].get_text())