python爬虫入门

Posted 临风而眠

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python爬虫入门相关的知识，希望对你有一定的参考价值。

python爬虫入门(2)

​ Requests库实操

文章目录

一.实例

1.爬取京东热带风味冰红茶

img

在这破防的考试周，我们先来爬取一下超级美味的热带风味吧！

真的破防了啊！何以解忧，唯有红茶！呜呜呜😭😭😭

​ 爬取它

image-20210630152026014 
import requests
url = "https://item.jd.com/100004890352"
try:
   r = requests.get(url)
   r.raise_for_status()
   r.encoding = r.apparent_encoding
   print(r.text)
except:
   print("fail")

运行结果：

爬取成功！

image-20210630152140021

2.百度搜索关键词提交

​ 百度一下，你就知道👆image-20210708200707617当我们进行百度搜索的时候，会发生什么？👀

其实，搜索引擎都有关键词提交接口

<--百度的关键词接口-->
http://www.baidu.com/s?wd=keyword

那么只要用requests库构造一个符合百度接口的url就可以了

前面说过image-20210708202556653

那么根据关键词提交接口，我们就构造如下键值对

{'wd':'爬虫'}

## 百度搜索
import requests
keyword = "爬虫"
try:
    kv = {'wd':keyword}#键值对
    r = requests.get("http://www.baidu.com/s",params=kv)
    # 打印response对象中包含的request对象信息，
    print(r.request.url)#别写成requests.url
    r.raise_for_status()
    #看一下返回的长度，先不打印出来内容
    print(len(r.text))
except:
    print("fail")

运行结果

http://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB
709257

其它搜索引擎

每个搜索引擎有不同的关键词提交API

必应搜索是咋样的呢？
import requests
# 必应国内版
keyword = "爬虫"
try:
    kv = {'q': keyword}  
    r = requests.get("https://www.bing.com/?mkt=zh-CN", params=kv)
 
    print(r.request.url)  
    r.raise_for_status()

    print(len(r.text))
except:
    print("fail")

运行结果

https://www.bing.com/search?mkt=zh-CN&q=%E7%88%AC%E8%99%AB
146609
google呢？

import requests
# 谷歌搜索
keyword = "爬虫"
try:
    kv = {'q': keyword}  # 键值对
    r = requests.get("https://www.google.com/", params=kv)
    print(r.request.url)  
    r.raise_for_status()
    print(len(r.text))
except:
    print("fail")

https://www.google.com/

运行结果

https://www.google.com/?q=%E7%88%AC%E8%99%AB
14194

​ 所以，各个搜索引擎就是键值对的前面那个端口不同

可参考学习

看到两个比较好的讲爬取关键词的教程，可以点击here and there查看

搜索引擎智能提示 各大搜索引擎智能API

3.爬取泸溪河图片并保存

回顾一下经典🐶

​ 腻了吧唧的不好吃，有点儿像豌豆黄。里边儿还有什么，红豆啊什么之类的。还没我那冰红茶好喝呢。但是它那个乳酪，蛋黄还挺好吃的。刚才吃了俩，叫什么?泸溪河，泸溪河。这有点儿腻。

​ 黏不拉叽的，又不是老北京那种豌豆黄儿。但是它有点那个…豌豆的那个感觉。应该是什么豆磨的面捏的一个糕。

用过图床，网络图片的一般格式应该就了解了，这里就不解释了

下面通过爬取图片的url，将图片从二进制格式转化为文件

关于os库的用法 👉here

python文件操作👉 with open等

保持原文件名

import requests
import os
url = "https://img2.baidu.com/it/u=4284204932,2551468984&fm=26&fmt=auto&gp=0.jpg"
root = "C://Users//86171//Desktop"
path = root + url.split('/')[-1]
try:
    if not os.path.exists(root):
        os.mkdir(root)
    #根目录不存在，就建立根目录
    if not os.path.exists(path):
    #文件不存在，就爬取文件
        r = requests.get(url)
        with open(path,'wb') as f:
            f.write(r.content)		
            f.close()
            print('爬下来了，快去看看吧')
    else:
        print("already existing")
except:
     print("fail")
        
#r.content是HTTP相应内容的二进制形式        
#os.path.exists(path)  如果路径 path 存在，返回 True；如果路径 path 不存在，返回 False
#os.mkdir(path[, mode])  以数字mode的mode创建一个名为path的文件夹.默认的 mode 是 0777 (八进制)
#split('/')[-1]			filename = url.split('/')[-1]  以‘/ ’为分割f符，保留最后一段

自己命名

import requests
import os
url = "https://img2.baidu.com/it/u=4284204932,2551468984&fm=26&fmt=auto&gp=0.jpg"
path = "C://Users//86171//Desktop/泸溪河.jpg"
#注意不要写成//泸溪河.jpg，不然新建了一个叫泸溪河.jpg的文件夹
try:
    if not os.path.exists(path):
        r = requests.get(url)
        with open(path,'wb') as f:
            f.write(r.content)
            f.close()
            print('爬下来了，快去看看吧')
    else:
        print("already existing")
except:
     print("fail")

爬取成功了！

Desktopu=4284204932,2551468984&fm=26&fmt=auto&gp=0

😄还是冰红茶好喝！

4.IP地址自动归属地查询

fail

​ https://chapangzhan.com/查旁站

​ ''旁站”一般指同一IP或者域名所在服务器的其他网站

import requests
url = "https://chapangzhan.com/"
try:
    r = requests.get(url+'202.102.144.56')	#我学校官网的IP
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text)
except:
    print("fail")

一开始就显示fail,
然而有try和except看不出具体错误，于是把try和except先注释掉，
出现了各种错误

image-20210709102352080

以为是开了代理的原因，然后关了代理，显示这个错误

image-20210709103739059

期间还出现了10064,10054这些错误…😢 😢

success

折腾了老久，后来试了一下修改user-agent，终于成功了✌️

import requests
kv ={'user-agent':'Mozilla/5.0'}
url = "https://chapangzhan.com/"
try:
    r = requests.get(url+'202.102.144.56', headers=kv)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text)
except:
    print("fail")

网站一般接收的是由浏览器引发的HTTP请求，而对于爬虫的请求，网站可以拒绝

response对象包含request请求，可以查看r.request.headers,原先是image-20210709105221770

爬虫告诉了服务器，这次访问是由python的requests库的程序引起的，服务器有来源审查，就可以使访问产生错误（不支持访问）

那么修改头部信息

image-20210709105004666

（Mozilla/5.0是一个标准的浏览器标识）

二.遇到的问题

①vscode出问题

​ 在VScode上面运行爬虫，然后没爬成功，显示了conda : 无法将“conda”项识别为 cmdlet、函数、脚本文件或可运行程序的名称

​ image-20210704171415575

​ 于是去搜教程https://blog.csdn.net/chencaw/article/details/89035571

​ 按里面说的添加了三个环境变量

image-20210704171433856

​

​ 解决了！

②google搜索那里

​ 运行结果中这个网址https://www.google.com/?q=%E7%88%AC%E8%99%AB

​ 打开后是这个页面：

image-20210708212008125

​ 而不是像百度和必应那样直接已经显示搜索结果了…

​ 暂时还不知道为啥，之后再来解决

③爬取图片

​ 为啥用根目录的那种方法只能在这里能找到我的图片

image-20210708214757463

image-20210708214910658

而我的图形界面的桌面上找不到…

​ 而用重命名，直接保存到path的形式，却可以在桌面上找到：image-20210708221606283

​ 评论区求解答🌸

④IP138

​ 我知道有个IP查询网站是IP138

​ 但为啥我用查旁站https://chapangzhan.com/报错的时候下面会显示

image-20210709102853134

​ 还有，我在查旁站的网页右键，进入检查界面，

image-20210709102944450

​ 为啥那里出现了一个cache.ip138?

​ 这两个网站是啥关系呢🤔🤔

​ 未完待续…问题还没解决😿

​

以上是关于python爬虫入门的主要内容，如果未能解决你的问题，请参考以下文章

python爬虫入门

如何入门 Python 爬虫?

python网络爬虫入门

python爬虫入门

如何入门 Python 爬虫

python爬虫如何入门