Python3爬虫实战：实战源码+博客讲解

Posted 2020-11-25 cilisousuo

Python Spider

• 贵有恒，何必三更起五更睡；最无益，只怕一日暴十寒。
• Python3爬虫实战：实战源码+博客讲解
• 个人网站
• CSDN博客
• CSDN爬虫专栏
• 学习交流群【328127489】

声明

• 代码、教程仅限于学习交流，请勿用于任何商业用途！

文章首发声明

• 文章在自己的个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站：http://cuijiahua.com/

目录

• 爬虫小工具
  • 文件下载小助手
• 爬虫实战
  • 笔趣看小说下载
  • 百度文库免费文章下载助手_rev1
  • 百度文库免费文章下载助手_rev2
  • 《帅啊》网帅哥图片下载
  • 构建代理IP池
  • 《火影忍者》漫画下载
  • 财务报表下载小助手
  • 一小时入门网络爬虫
  • 抖音App视频下载
  • GEETEST验证码识别
  • 12306抢票小助手
  • 百万英雄答题辅助系统
  • 网易云音乐免费音乐批量下载
  • B站免费视频和弹幕批量下载
  • 京东商品晒单图下载
  • 正方教务管理系统个人信息查询
• 其它

爬虫小工具

• downloader.py:文件下载小助手

  一个可以用于下载图片、视频、文件的小工具，有下载进度显示功能。稍加修改即可添加到自己的爬虫中。

  动态示意图：

  

爬虫实战

• biqukan.py:《笔趣看》盗版小说网站，爬取小说工具

  第三方依赖库安装：

   pip3 install beautifulsoup4
  

  使用方法：

   python biqukan.py
  

• baiduwenku.py: 百度文库word文章爬取

  原理说明：http://blog.csdn.net/c406495762/article/details/72331737

  代码不完善，没有进行打包，不具通用性，纯属娱乐。

• shuaia.py: 爬取《帅啊》网，帅哥图片

  《帅啊》网URL：http://www.shuaia.net/index.html

  原理说明：http://blog.csdn.net/c406495762/article/details/72597755

  第三方依赖库安装：

   pip3 install requests beautifulsoup4
  

• daili.py: 构建代理IP池

  原理说明：http://blog.csdn.net/c406495762/article/details/72793480

• carton: 使用Scrapy爬取《火影忍者》漫画

  代码可以爬取整个《火影忍者》漫画所有章节的内容，保存到本地。更改地址，可以爬取其他漫画。保存地址可以在settings.py中修改。

  动漫网站：http://comic.kukudm.com/

  原理说明：http://blog.csdn.net/c406495762/article/details/72858983

• hero.py: 《王者荣耀》推荐出装查询小助手

  网页爬取已经会了，想过爬取手机APP里的内容吗？

  原理说明：http://blog.csdn.net/c406495762/article/details/76850843

• financical.py: 财务报表下载小助手

  爬取的数据存入数据库会吗？《跟股神巴菲特学习炒股之财务报表入库(MySQL)》也许能给你一些思路。

  原理说明：http://blog.csdn.net/c406495762/article/details/77801899

  动态示意图：

  

• one_hour_spider:一小时入门Python3网络爬虫。

  原理说明:

  • 知乎：https://zhuanlan.zhihu.com/p/29809609
  • CSDN：http://blog.csdn.net/c406495762/article/details/78123502

  本次实战内容有：

  • 网络小说下载(静态网站)-biqukan
  • 优美壁纸下载(动态网站)-unsplash
  • 视频下载

• douyin.py:抖音App视频下载

  抖音App的视频下载，就是普通的App爬取。

  原理说明:

  • 个人网站：http://cuijiahua.com/blog/2018/03/spider-5.html

• douyin_pro:抖音App视频下载（升级版）

  抖音App的视频下载，添加视频解析网站，支持无水印视频下载，使用第三方平台解析。

  原理说明:

  • 个人网站：http://cuijiahua.com/blog/2018/03/spider-5.html

• douyin:抖音App视频下载（升级版2）

  抖音App的视频下载，添加视频解析网站，支持无水印视频下载，通过url解析，无需第三方平台。

  原理说明:

  • 个人网站：http://cuijiahua.com/blog/2018/03/spider-5.html

  动态示意图：

  

• geetest.py:GEETEST验证码识别

  原理说明:

  无

• 12306.py:用Python抢火车票简单代码

  可以自己慢慢丰富，蛮简单，有爬虫基础很好操作，没有原理说明。

• baiwan:百万英雄辅助答题

  效果图：

  

  原理说明：

  • 个人网站：http://cuijiahua.com/blog/2018/01/spider_3.html

  功能介绍：

  服务器端，使用Python（baiwan.py）通过抓包获得的接口获取答题数据，解析之后通过百度知道搜索接口匹配答案，将最终匹配的结果写入文件（file.txt)。

  手机抓包不会的朋友，可以看下我的早期手机APP抓包教程。

  Node.js（app.js）每隔1s读取一次file.txt文件，并将读取结果通过socket.io推送给客户端（index.html）。

  亲测答题延时在3s左右。

  声明：没做过后端和前端，花了一天时间，现学现卖弄好的，javascript也是现看现用，百度的程序，调试调试而已。可能有很多用法比较low的地方，用法不对，请勿见怪，有大牛感兴趣，可以自行完善。

• Netease:根据歌单下载网易云音乐

  效果图：

  

  原理说明：

  暂无

  功能介绍：

  根据music_list.txt文件里的歌单的信息下载网易云音乐，将自己喜欢的音乐进行批量下载。

• bilibili：B站视频和弹幕批量下载

  原理说明：

  暂无

  使用说明：

   python bilibili.py -d 猫 -k 猫 -p 10
  
   三个参数：
   -d	保存视频的文件夹名
   -k	B站搜索的关键字
   -p	下载搜索结果前多少页
  

• jingdong：京东商品晒单图下载

  效果图：

  

  原理说明：

  暂无

  使用说明：

   python jd.py -k 芒果
  
    三个参数：
   -d	保存图片的路径，默认为fd.py文件所在文件夹
   -k	搜索关键词
   -n  	下载商品的晒单图个数，即n个商店的晒单图
  

• zhengfang_system_spider：对正方教务管理系统个人课表，个人学生成绩，绩点等简单爬取

  效果图：

  

  使用说明：

   cd zhengfang_system_spider
   pip install -r requirements.txt
   python spider.py
  

其它

• 欢迎 Pull requests，感谢贡献。

 

文件下载小助手

#-*- coding: UTF-8 -*-
import requests  
from contextlib import closing

class ProgressBar(object):  
    def __init__(self, title, count=0.0, run_status=None, fin_status=None, total=100.0, unit=‘‘, sep=‘/‘, chunk_size=1.0):  
        super(ProgressBar, self).__init__()  
        self.info = "[%s] %s %.2f %s %s %.2f %s"  
        self.title = title  
        self.total = total  
        self.count = count  
        self.chunk_size = chunk_size  
        self.status = run_status or ""  
        self.fin_status = fin_status or " " * len(self.status)  
        self.unit = unit  
        self.seq = sep  
  
    def __get_info(self):  
        #[名称] 状态 进度 单位 分割线 总数 单位  
        _info = self.info % (self.title, self.status, self.count/self.chunk_size, self.unit, self.seq, self.total/self.chunk_size, self.unit)  
        return _info  
  
    def refresh(self, count = 1, status = None):  
        self.count += count  
        self.status = status or self.status  
        end_str = "
"  
        if self.count >= self.total:  
            end_str = ‘
‘  
            self.status = status or self.fin_status  
        print(self.__get_info(), end=end_str, )  


if __name__ == ‘__main__‘:
	#url = ‘http://www.demongan.com/source/game/二十四点.zip‘
	#filename = ‘二十四点.zip‘
	print(‘*‘ * 100)
	print(‘				欢迎使用文件下载小助手‘)
	print(‘作者:Jack-Cui
博客:http://blog.csdn.net/c406495762‘)
	print(‘*‘ * 100)
	url  = input(‘请输入需要下载的文件链接:
‘)
	filename = url.split(‘/‘)[-1]
	with closing(requests.get(url, stream=True)) as response:  
		chunk_size = 1024  
		content_size = int(response.headers[‘content-length‘])  
		if response.status_code == 200:
			print(‘文件大小:%0.2f KB‘ % (content_size / chunk_size))
			progress = ProgressBar("%s下载进度" % filename
			            , total = content_size  
			            , unit = "KB"  
			            , chunk_size = chunk_size  
			            , run_status = "正在下载"  
			            , fin_status = "下载完成")  

			with open(filename, "wb") as file:  
			        for data in response.iter_content(chunk_size=chunk_size):  
			            file.write(data)  
			            progress.refresh(count=len(data))  
		else:
			print(‘链接异常‘)

　　

磁力搜索网站2020/01/01更新

https://www.cnblogs.com/cilisousuo/p/12099547.html