Python爬虫学习:简单的爬虫
Posted 桌子哥
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爬虫学习:简单的爬虫相关的知识,希望对你有一定的参考价值。
1.使用GET方式抓取数据,GET方法用于获取或者查询资源信息
#导入requests包 import requests #网址 url = \'http://www.cntour.cn/\' #GET方式,获取网页数据 strhtml = requests.get(url) #strhtml是一个url对象,代表整个网页,但是只需要网页中源码 print(strhtml.text)
结果(部分):
<!DOCTYPE html PUBLIC "-//W3C//XHD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/XHD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html;charset=utf-8"/>
<meta http-equiv="X-UA-Compatible" content="IE=Edge,chrome=1" />
<title>中国旅游网 ——中国文旅门户网站</title>
<meta name="keywords" content="中国旅游网,旅游网站,中国旅游,中国文旅网,中旅网,文化旅游网,旅游新闻,中国旅游新闻,旅游攻略,国家旅游,旅游媒体,中国景点网,旅游网站,旅游网,旅游媒体,旅游新闻网,旅游资讯,旅游网,"/>
<meta name="description" content="中国旅游网(www.cntour.cn)是中国最大的旅游门户网站,也是国内最专业的旅游媒体平台和旅游综合社区。服务电话:400-181-5261,中国旅游网,中国旅游,旅游攻略,中国文旅网,旅游媒体,旅游新闻,文化旅游网,旅游资讯,旅游网站,中国旅游网,旅游攻略,中国旅游网,旅游资讯,中国景点网,中国旅游,中旅网,旅游网,中国旅游网,景点介绍,城市旅游,中国旅游网,旅游门户,中国旅游网站,旅游网站,旅游网,旅游攻略,中国旅游网,旅游新闻,旅游资讯,最大的旅游网"/>
<link rel="stylesheet" type="text/css" href="/style/blue/css/common.css"/>
2.使用POST方式抓取数据
#导入requests包 import requests #导入JSON包 import json #用于翻译的函数 def get_translate_date(word=None): url = \'http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule\' #请求参数 Form_data = {\'i\': word, \'from\': \'AUTO\', \'to\': \'AUTO\', \'smartresult\': \'dict\', \'client\': \'fanyideskweb\', \'salt\': \'15904174011307\', \'sign\': \'7486c52fbfdb0cc06e420ba6c4cd36d1\', \'ts\': \'1590417401130\', \'bv\': \'97ba7c7fb78632ae9b11dcf6be726aee\', \'doctype\': \'json\', \'version\': \'2.1\', \'keyfrom\': \'fanyi.web\', \'action\': \'FY_BY_REALTlME\', \'typoResult\': \'false\'} #请求表单数据 response = requests.post(url, data=Form_data) #将JSON格式字符串转字典 content = json.loads(response.text) #打印翻译后的数据 print(content[\'translateResult\'][0][0][\'tgt\']) if __name__ == \'__main__\': get_translate_date(\'我爱蔡依林\')
结果:
I love jolin tsai
3.使用Beautif Soup解析网页
Beautiful Soup是Python的一个库,其最主要的功能是从网页抓取数据。Beautiful Soup目前已经被移植到bs4库中。
#导入requests import requests #导入Beautiful Soup from bs4 import BeautifulSoup #网址 url = \'http://www.cntour.cn/\' #GET方式,获取网页数据 strhtml = requests.get(url) #使用lxml解析器进行解析,将解析后的文档存储到新建的soup中 soup=BeautifulSoup(strhtml.text, \'lxml\') #使用soup.select引用路径 data=soup.select(\'#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a\') print(data)
结果:
[<a href="http://www.cntour.cn/news/13826/" target="_blank" title="疫情倒逼旅游业加快创新发展步伐">疫情倒逼旅游业加快创新发展步伐</a>, <a href="http://www.cntour.cn/news/13824/" target="_blank" title="世界旅游组织:今年国际游客或减80%">世界旅游组织:今年国际游客或减80%</a>, <a href="http://www.cntour.cn/news/13823/" target="_blank" title="线上旅游热情高涨 释放新兴消费潜力">线上旅游热情高涨 释放新兴消费潜力</a>, <a href="http://www.cntour.cn/news/13819/" target="_blank" title="恢复和扩大旅游消费要有“三心”">恢复和扩大旅游消费要有“三心”</a>, <a href="http://www.cntour.cn/news/13802/" target="_blank" title="文创行业线上发力">[文创行业线上发力]</a>, <a href="http://www.cntour.cn/news/13792/" target="_blank" title="“无接触商业”加速到来">[“无接触商业”加速到来]</a>, <a href="http://www.cntour.cn/news/13790/" target="_blank" title="主动迎接旅游转型">[主动迎接旅游转型]</a>, <a href="http://www.cntour.cn/news/13779/" target="_blank" title="文旅魅力 “云”端绽放">[文旅魅力 “云”端绽放]</a>, <a href="http://www.cntour.cn/news/13768/" target="_blank" title="景点开放要安全有序">[景点开放要安全有序]</a>, <a href="http://www.cntour.cn/news/13747/" target="_blank" title="图解:10年旅游让生活更美好">[图解:10年旅游让生活更]</a>, <a href="http://www.cntour.cn/news/12718/" target="_blank" title="发展旅游产业要有大格局">[发展旅游产业要有大格局]</a>, <a href="http://www.cntour.cn/news/12716/" target="_blank" title="科技改变旅游">[科技改变旅游]</a>]
4.清洗和组织数据
#导入requests import requests #导入Beautiful Soup from bs4 import BeautifulSoup #导入re import re #网址 url = \'http://www.cntour.cn/\' #GET方式,获取网页数据 strhtml = requests.get(url) #使用lxml解析器进行解析,将解析后的文档存储到新建的soup中 soup=BeautifulSoup(strhtml.text, \'lxml\') #使用soup.select引用路径 data=soup.select(\'#main > div > div.mtop.firstMod.clearfix > div.centerBox > ul.newsList > li > a\') for item in data: result={ #提取标签正文用get_text() \'title\':item.get_text(), #在括号中指定要提取的属性数据 \'link\':item.get(\'href\'), #使用正则符号 #\\d匹配数字 #+匹配前一个字符1次或多次 \'ID\':re.findall(\'\\d+\',item.get(\'href\')) } print(result)
结果:
无正则化
{\'title\': \'疫情倒逼旅游业加快创新发展步伐\', \'link\': \'http://www.cntour.cn/news/13826/\'}
{\'title\': \'世界旅游组织:今年国际游客或减80%\', \'link\': \'http://www.cntour.cn/news/13824/\'}
{\'title\': \'线上旅游热情高涨 释放新兴消费潜力\', \'link\': \'http://www.cntour.cn/news/13823/\'}
{\'title\': \'恢复和扩大旅游消费要有“三心”\', \'link\': \'http://www.cntour.cn/news/13819/\'}
{\'title\': \'[文创行业线上发力]\', \'link\': \'http://www.cntour.cn/news/13802/\'}
{\'title\': \'[“无接触商业”加速到来]\', \'link\': \'http://www.cntour.cn/news/13792/\'}
{\'title\': \'[主动迎接旅游转型]\', \'link\': \'http://www.cntour.cn/news/13790/\'}
{\'title\': \'[文旅魅力 “云”端绽放]\', \'link\': \'http://www.cntour.cn/news/13779/\'}
{\'title\': \'[景点开放要安全有序]\', \'link\': \'http://www.cntour.cn/news/13768/\'}
{\'title\': \'[图解:10年旅游让生活更]\', \'link\': \'http://www.cntour.cn/news/13747/\'}
{\'title\': \'[发展旅游产业要有大格局]\', \'link\': \'http://www.cntour.cn/news/12718/\'}
{\'title\': \'[科技改变旅游]\', \'link\': \'http://www.cntour.cn/news/12716/\'}
正则化
{\'title\': \'疫情倒逼旅游业加快创新发展步伐\', \'link\': \'http://www.cntour.cn/news/13826/\', \'ID\': [\'13826\']}
{\'title\': \'世界旅游组织:今年国际游客或减80%\', \'link\': \'http://www.cntour.cn/news/13824/\', \'ID\': [\'13824\']}
{\'title\': \'线上旅游热情高涨 释放新兴消费潜力\', \'link\': \'http://www.cntour.cn/news/13823/\', \'ID\': [\'13823\']}
{\'title\': \'恢复和扩大旅游消费要有“三心”\', \'link\': \'http://www.cntour.cn/news/13819/\', \'ID\': [\'13819\']}
{\'title\': \'[文创行业线上发力]\', \'link\': \'http://www.cntour.cn/news/13802/\', \'ID\': [\'13802\']}
{\'title\': \'[“无接触商业”加速到来]\', \'link\': \'http://www.cntour.cn/news/13792/\', \'ID\': [\'13792\']}
{\'title\': \'[主动迎接旅游转型]\', \'link\': \'http://www.cntour.cn/news/13790/\', \'ID\': [\'13790\']}
{\'title\': \'[文旅魅力 “云”端绽放]\', \'link\': \'http://www.cntour.cn/news/13779/\', \'ID\': [\'13779\']}
{\'title\': \'[景点开放要安全有序]\', \'link\': \'http://www.cntour.cn/news/13768/\', \'ID\': [\'13768\']}
{\'title\': \'[图解:10年旅游让生活更]\', \'link\': \'http://www.cntour.cn/news/13747/\', \'ID\': [\'13747\']}
{\'title\': \'[发展旅游产业要有大格局]\', \'link\': \'http://www.cntour.cn/news/12718/\', \'ID\': [\'12718\']}
{\'title\': \'[科技改变旅游]\', \'link\': \'http://www.cntour.cn/news/12716/\', \'ID\': [\'12716\']}
5.爬虫攻防战
服务器第一种识别爬虫的方式就是通过检查连接的useragent来识别到底是浏览器访问,还是代码访问。如果是代码访问的话,访问量增大时,服务器会直接封掉来访IP。
破解方法1:
在Request headers中构造浏览器请求头。代码如下:
headers={\'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36\'} response=requests.get(url, headers=headers)
破解方法2:
增设延时,避免访问太频繁。
import time time.sleep(3)
破解方法3:
服务器的目的就是查出哪些为代码访问,然后封锁IP。为避免被封IP,在数据采集是经常会使用代理。requests也有相应的proxies属性。
首先,构建自己的代理IP池,将其以字典的形式赋值给proxies,然后传输给requests。
proxies={ "http":"http://10.10.1.10:3128", "https":"http://10.10.1.10:1080", } response=requests.get(url,proxies=proxies)
以上是关于Python爬虫学习:简单的爬虫的主要内容,如果未能解决你的问题,请参考以下文章