python爬虫系列之初识爬虫

Posted bai_nian_min_guo

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爬虫系列之初识爬虫相关的知识，希望对你有一定的参考价值。

前言

我们这里主要是利用requests模块和bs4模块进行简单的爬虫的讲解，让大家可以对爬虫有了初步的认识，我们通过爬几个简单网站，让大家循序渐进的掌握爬虫的基础知识，做网络爬虫还是需要基本的前端的知识的，下面我们进行我们的爬虫讲解

在进行实战之前，我们先给大家看下爬虫的一般讨论，方便大家看懂下面的实例

一、爬汽车之家

汽车之家这个网站没有做任何的防爬虫的限制，所以最适合我们来练手

1、导入我们要用到的模块

import requests
from bs4 import BeautifulSoup

　　

2、利用requests模块伪造浏览器请求

# 通过代码伪造浏览器请求
res = requests.get("https://www.autohome.com.cn/news/")

　　

3、设置解码的方式，python是utf-8，但是汽车之家是用gbk编码的，所以这里要设置一下解码的方式

# 设置解码的方式
res.encoding = "gbk"

　　

4、把请求返回的对象，传递一个bs4模块，生成一个BeautifulSoup对象

soup = BeautifulSoup(res.text,"html.parser")

　　

5、这样，我们就可以使用BeautifulSoup给我们提供的方法，如下是查找一个div标签，且这个div标签的id属性为auto-channel-lazyload-atricle

# find是找到相匹配的第一个标签
div = soup.find(name="div",attrs={"id":"auto-channel-lazyload-article"})
# 这个div是一个标签对象

　　

6、findall方法，是超找符合条件的所有的标签，下面是在步骤5的div标签内查找所有的li标签

li_list = div.find_all(name="li")

　　

7、查找li标签中的不同条件的标签

li_list = div.find_all(name="li")
for li in li_list:
    title = li.find(name="h3")
    neirong = li.find(name="p")
    href = li.find(name="a")
    img = li.find(name="img")
    if not title:
        continue

　　

8、获取标签的属性

    # print(title, title.text, sep="标题-->")
    # print(neirong, neirong.text, sep="内容-->")
    # print(href, href.attrs["href"], sep="超链接-->")

    # 获取标签对接的属性
    # print(img.attrs["src"])
    # ret = requests.get(img_src)

　　

9、如果我们下载一个文件，则需要requests.get这个文件，然后调用这个文件对象的content方法

    src = img.get("src")
    img_src = src.lstrip("/")
    file_name = img_src.split("/")[-1]
    img_src = "://".join(["https",img_src])
    print(file_name)
    ret = requests.get(img_src)
    with open(file_name,"wb") as f:
        f.write(ret.content)

　　

10、整体的代码如下

 

二、爬抽屉

这里我们看下如何爬抽屉

1、首先抽屉有做防爬虫的机制，我们在访问的时候必须要加一个请求头

# 实例1：爬取数据，这个网址有做防爬虫机制，所以需要带一个请求头信息，才能让服务端以为我们是浏览器，不然服务端会把我们的请求当做爬虫行为进行拦截
# 设置一个请求头
chouti = requests.get(url="https://dig.chouti.com/",
                      headers={
                          "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      })

　　

2、这个请求网站会返回一个cookies，通过下面的方法获取cookies

print(chouti.cookies.get_dict())
# {\'gpsd\': \'ab141f7a741144216429b6e901da5f34\', \'JSESSIONID\': \'aaaNxWlWjLLKU9CGXDyNw\'}

　　

3、转换页面为一个BeautifulSoup对象

# 将页面转换成一个BeautifulSoup的对象，就可以使用BeautifulSoup的方法了
soup = BeautifulSoup(chouti.text,"html.parser")

news_list = soup.find_all(name="div",attrs={"class":"item"})

for news in news_list:
    compont = news.find(name="div",attrs={"class":"part2"})

    print(compont.get("share-title"))

　

 

　

4、下面我们看下如何登陆抽屉

首先我们先通过get方式访问主页

# 1、先查看首页
r1 = requests.get(url="https://dig.chouti.com/",
                      headers={
                          "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      })

　　

然后我们通过post方式进行登陆，

# 2、提交用户名和密码进行登陆

r2 = requests.post(url="https://dig.chouti.com/login",
              headers={
                    "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
              },
              data={
                  "phone":"86139252938822",
                  "password":"admin",
                  "oneMonth":1
              },
              cookies=r1.cookies.get_dict()
              )

　　

 

最后登陆成功后，我们来实现一个点赞的操作，这里要注意

# 第二次登陆的时候把第一次返回的cookies带上，这个是抽屉这个网站的套路，同样这次登陆也会返回一个cookies，但是登陆这次返回的cookies其实是个迷惑我们的cookies，没有用
# print(r2.text)
# 登陆失败返回的信息：{"result":{"code":"21101", "message":"手机号或密码错误", "data":{}}}
# 登陆成功返回的信息：{"result":{"code":"9999", "message":"", "data":{"complateReg":"0","destJid":"cdu_53218132468"}}}

# 如果登陆成功，通过下面的方法就可以把服务端返回的cookies拿到，以后在发请求，带着cookies去就可以了
print(r2.cookies.get_dict())
# {\'puid\': \'b11ec95d3b515ae2677a01f6abd5b916\', \'gpid\': \'01cff9a184bd427789429d1dd556f4d2\'}

r3 = requests.post(url="https://dig.chouti.com/link/vote?linksId=25461201",
                    headers={
                        "user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                    },
                   # cookies=r2.cookies.get_dict(),
                   cookies=r1.cookies.get_dict(),
                   # 破解抽屉coookies套路
                   )
# 这次点赞，我们同样带的cookies是第一次登陆主页返回的cookies，而不是登陆成功后返回的cookies
# print(r3.text)

　　

 

 

 爬抽屉所有的代码如下

# 实例1：爬取数据，这个网址有做防爬虫机制，所以需要带一个请求头信息，才能让服务端以为我们是浏览器，不然服务端会把我们的请求当做爬虫行为进行拦截

# 设置一个请求头
chouti = requests.get(url="https://dig.chouti.com/",
                      headers={
                          "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      })

# print(chouti.text)

print(chouti.cookies.get_dict())
# {\'gpsd\': \'ab141f7a741144216429b6e901da5f34\', \'JSESSIONID\': \'aaaNxWlWjLLKU9CGXDyNw\'}

# 将页面转换成一个BeautifulSoup的对象，就可以使用BeautifulSoup的方法了
soup = BeautifulSoup(chouti.text,"html.parser")

news_list = soup.find_all(name="div",attrs={"class":"item"})

for news in news_list:
    compont = news.find(name="div",attrs={"class":"part2"})

    print(compont.get("share-title"))



# 1、先查看首页
r1 = requests.get(url="https://dig.chouti.com/",
                      headers={
                          "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      })

# r1.cookies.get_dict()，第一次访问主页，服务端就给返回了一个cookies

# 2、提交用户名和密码进行登陆

r2 = requests.post(url="https://dig.chouti.com/login",
              headers={
                    "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
              },
              data={
                  "phone":"8613925293887",
                  "password":"admin123.",
                  "oneMonth":1
              },
              cookies=r1.cookies.get_dict()
              )


# 第二次登陆的时候把第一次返回的cookies带上，这个是抽屉这个网站的套路，同样这次登陆也会返回一个cookies，但是登陆这次返回的cookies其实是个迷惑我们的cookies，没有用
# print(r2.text)
# 登陆失败返回的信息：{"result":{"code":"21101", "message":"手机号或密码错误", "data":{}}}
# 登陆成功返回的信息：{"result":{"code":"9999", "message":"", "data":{"complateReg":"0","destJid":"cdu_53218132468"}}}

# 如果登陆成功，通过下面的方法就可以把服务端返回的cookies拿到，以后在发请求，带着cookies去就可以了
print(r2.cookies.get_dict())
# {\'puid\': \'b11ec95d3b515ae2677a01f6abd5b916\', \'gpid\': \'01cff9a184bd427789429d1dd556f4d2\'}

r3 = requests.post(url="https://dig.chouti.com/link/vote?linksId=25461201",
                    headers={
                        "user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                    },
                   # cookies=r2.cookies.get_dict(),
                   cookies=r1.cookies.get_dict(),
                   # 破解抽屉coookies套路
                   )
# 这次点赞，我们同样带的cookies是第一次登陆主页返回的cookies，而不是登陆成功后返回的cookies
# print(r3.text)

　　

三、爬github

 github的登陆是form表单做的，所以我们在登陆github的时候需要把cookies和crsf_token都带上

1、访问github的首页

# 1、GET，访问登陆页面

r1 = requests.get(url="https://github.com/",
                  headers={
                      "user-agent":"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      }
                  )
# print(r1.cookies.get_dict())

　　

2、访问登陆页面，需要在隐藏的input标签中找到token，然后获取到

r2 = requests.get(url="https://github.com/login",
                  headers={
                          "user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      }
                  )

login_obj = BeautifulSoup(r2.text,"html.parser")

token = login_obj.find(name="form",attrs={"action":"/session"}).find(name="input",attrs={"name":"authenticity_token"}).get("value")

　　

 

 3、post方式访问登陆页面，携带上用户名和密码，token和cookies

# 2、发送post请求，发送用户名和密码，发送的数据要不仅有用户名和密码，还要带上csrf token和cookie，浏览器发什么，我们就发什么
r3 = requests.post(url="https://github.com/session",
                  headers={
                          "user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                      },
                   data={
                       "login":"admin",
                       "password":"admin",
                       "authenticity_token":token
                   },
                    cookies=r2.cookies.get_dict()
                  )

　　

4、以后就可以携带r3这个请求访问的cookies进行登陆github后的操作了

obj = BeautifulSoup(r3.text,"html.parser")

# print(obj.find_all(name="img",attrs={"alt":"@admin"}))

# 3、发送get请求，访问这个路径：https://github.com/settings/profile

r4 = requests.get(url="https://github.com/settings/profile",
             cookies=r3.cookies.get_dict()
             )

print(r4.text)

　　

爬github的所有的代码如下

 

四、爬拉钩网

最后我们来爬一下拉勾网

1、首先get方式访问拉勾网的首页

import requests
from bs4 import BeautifulSoup

# 如果遇到登陆的密码被加密了有两种解决办法
# 1、获取他的加密方式，然后手动破解
# 2、直接抓包把加密后的数据发过去就可以了

# 1、访问登陆页面
l1 = requests.get(url="https://passport.lagou.com/login/login.html",
                  headers={
                      "user-agent": "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.133 Safari/537.36"
                  })

# print(l1.text)

　　

2、登陆拉钩网，他的请求头稍微有点特殊

 

data很简单，我们直接抓包就可以拿到

主要是请求头中的数据是怎么来的，下面这2个是在我们请求登陆的页面中返回的，由于这2项在script标签中，我们只能通过正则表达式来匹配获取

 

 

 

 

 

最后是爬拉勾网的所有的代码

 

以上是关于python爬虫系列之初识爬虫的主要内容，如果未能解决你的问题，请参考以下文章

python爬虫从入门到放弃之初识爬虫

python爬虫框架scrapy初识

python小课堂专栏python小课堂33 - 初识原生爬虫优化

Python学习---爬虫学习[scrapy框架初识]

Python爬虫--初识爬虫

初识Java爬虫之Jsoup，提供参考代码