一、requests的高级用法
1.1 ssl认证
# https 和http有什么区别 -https=http+ssl/tsl 证书 # 没有被认证过的机构,签发的证书,用的时候,浏览器会提示不安全 # 网站是需要被一些某些认证的,然后在签发证书,这样我们在使用这个网站的时候,浏览器才不会提示 # 1 ssl认证 # 1.1 不认证证书了 import requests respone = requests.get('https://www.12306.cn', verify=False) # 不验证证书,报警告,返回200 print(respone.status_code) # 只会警告但是不会报错 # 1.2 手动携带证书访问 import requests respone=requests.get('https://www.12306.cn',cert=('/path/server.crt','/path/key')) print(respone.status_code)
1.2 使用代理
#1 有些网站会做一些频率限制,这个时候如果我们的ip被封了的时候 那么我们就会有一段时间进不去这个网站 做爬虫就需要避免调这些 封ip: 做代理 封账号:开小号 # 代理是什么? 分正向代理和反向代理 正向代理:就是代理客户端:给我们很多给ip地址,替我们访问网站 反向代理:就是nginx代理服务端,多个ip请求发送过来的时候,帮我们处理到多个服务端 # 发送http请求 使用代理发送 # 2 使用代理ip发送请求 import requests proxies = { 'http': '192.168.10.102:9003', # 模拟代理ip 其实是有一个代理池的 } respone=requests.get('https://www.baidu.com',proxies=proxies) # 这个时候就不在是我们自己的ip地址访问这个网站了 而是上面那个代理ip访问的 封也是封的这个ip print(respone.text)
1.3 超时设置
respone=requests.get('https://www.baidu23.com',timeout=3) # 就是如果访问这个网站三秒内没有结果就会报错 print(respone)
1.4 异常处理
import requests from requests.exceptions import * #可以查看requests.exceptions获取异常类型 try: r=requests.get('http://www.baidu.com',timeout=0.00001) except ReadTimeout: print('===:') except ConnectionError: #网络不通 print('-----') except Timeout: print('aaaaa') except RequestException: print('Error') # 就是针对特定错误的处理
1.5 上传文件
import requests files={'file':open('a.txt','rb')} # 可以放到files中 respone=requests.post('http://httpbin.org/post',files=files) print(respone.text) # 就是上传文件到这个网站 如果是django后端 取文件 我们可以从request.FILES中取到
二、代理池搭建
# github开源的,代理池的代码,本地跑起来 -爬虫技术:爬取免费的代理网站,获取免费代理,验证过后,存到本地 -使用flask搭建一个web后端,访问某个接口就可以随机返回一个可用的代理地址 -https://github.com/jhao104/proxy_pool # 1. git clone git clone https://github.com/jhao104/proxy_pool.git # 2 创建虚拟环境:mkvirtualenv -p python3.8 crawl 安装依赖:pip install -r requirements.txt # 3 修改配置文件settings.py ---> 启动redis服务 # 配置API服务 HOST = "0.0.0.0" # IP PORT = 5000 # 监听端口 # 配置数据库 DB_CONN = 'redis://127.0.0.1:8888/0' # redis服务监听8888端口 # 配置 ProxyFetcher PROXY_FETCHER = [ # 会有十个 如果启动项目 这十个就会向特定网站获取 ip地址存到本地 "freeProxy01", "freeProxy02", ] # 4 启动爬虫,启动web服务 # 启动调度程序 python proxyPool.py schedule # 启动webApi服务 python proxyPool.py server # 5 随机获取ip 127.0.0.1:5000/get # 就会随机返回一个ip地址给我们
2.1 代码演示
import requests # http://127.0.0.1:5010/get/ # 获取一个随机ip 因为获取的ip有些是https,有些是http 所以我们需要区分它们 res = requests.get('http://127.0.0.1:5010/get/').json() if res['https']: http = 'https' else: http = 'http' proxie = { http: res['proxy'] } print(proxie) res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005896.html', proxies=proxie) print(res.status_code)
2.2 django后端写一个返回ip地址
# 我们可以写一个 django后端 只要返回访问者ip即可 from django.shortcuts import HttpResponse drf ip_demo(request): ip = request.META.get('REMOTE_ADDR') return HttpResponse(f'你的ip地址是{ip}') # 这样我们在使用代理池访问这个接口 我们就可以知道我们访问的代理的ip是多少了 import requests res = requests.get('http://127.0.0.1:5010/get/').json() # 随件获取代理ip if res['https']: http = 'https' else: http = 'http' proxie = { http: http+'://'+res['proxy'] } print(proxie) # 服务端部署在本地,是访问不到的,内网穿透,或者部署在服务器上 # res = requests.get('http://192.168.1.143:8000/ip/', proxies=proxie) # res = requests.get('https://46b3k95600.zicp.fun/ip/', proxies=proxie) # 内网穿透不生效 res = requests.get('http://101.133.225.166/ip/', proxies=proxie) # 我们可以把django部署在云服务器上 print(res.text) # 如果代理不可用,就不用代理了
三、爬取某视频网站
# requests 爬取好多网站,但是咱们爬回来,没法解析,re 正则匹配 # requests+正则,整站爬取视频 # 以它为例: https://www.pearvideo.com/
3.1 代码演示
import requests import re res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=1&start=1') # print(res.text) video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text) # print(video_list) for video in video_list: # print(video) video_url = 'https://www.pearvideo.com/' + video # print(video_url) res = requests.get(video_url) # print(res.text) # 找到视频播放器 查看视频的地址在哪 # https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.6761335369801458 # break video_id = video.split('_')[-1] # print(video_id) # 获取视频id header = { # 现在我们获取出这个是地址 朝该地址发送请求 发现查看不了 所以我们需要加上请求头 'Referer': 'https://www.pearvideo.com/%s' % video } res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.6761335369801458' % video_id, headers=header).json() # print(res1) # 返回的是一个字典 real_mp4_url = res1['videoInfo']['videos']['srcUrl'] # 获取到的地址是访问不到的 所以我们需要替换 # print(real_mp4_url) # https://video.pearvideo.com/mp4/adshort/20200330/ 1669277139588 -15051215_adpkg-ad_hd.mp4 获取到的 # https://video.pearvideo.com/mp4/adshort/20200322/ cont-1663530 -15032637_adpkg-ad_hd.mp4 能播放的 # 所以需要把中间的数字替换掉 # 首先按照 / 分割分割一次 取后面的 # 再按照 - 分割 取前面的 然后再用后面的字符串替换 real_mp4_url = real_mp4_url.replace(real_mp4_url.rsplit('/', 1)[-1].split('-')[0], 'cont-%s' % video_id) print(real_mp4_url) # 这个时候的地址才是可以播放的 # 然后我们就可以把这些视频地址存到本地了 res = requests.get(real_mp4_url) with open('./video/%s.mp4' % video_id, 'wb') as f: for line in res.iter_content(): f.write(line)
四、爬取新闻
# requests+BautifulSoup4(解析库:bs4,lxml...) # https://www.autohome.com.cn/news/
4.1 代码演示
import requests from bs4 import BeautifulSoup res = requests.get('https://www.autohome.com.cn/news/1/#liststart') # print(res.text) # 从返回的html查找 bs4解析的是html,xml格式的 # 我们可以知道新闻都是在一个一个ul中 soup = BeautifulSoup(res.text, 'html.parser') ul_list = soup.find_all(name='ul', class_='article') # print(len(ul_list)) # 然后我们在for循环出一个一个ul for ul in ul_list: li_list = ul.find_all(name='li') # print(li) 在li中获取新闻信息 for li in li_list: h3 = li.find(name='h3') if h3: title = h3.text # print(title) # 所有的新闻标题 desc = li.find(name='p').text # print(desc) # 所有的文章概要 url = 'http:' + li.find(name='a').attrs.get('href') # attrs获取标签属性 # print(url) # 新闻地址 img = li.find(name='img').attrs.get('src') # print(img) # 因为有些地址开头没有https所以我们手动加上 if not img.startswith('http'): img = 'https:' + img # print(img) print(f''' 文章标题:{title} 文章概要:{desc} 文章地址:{url} 文章图片:{img} ''')
五、BeautifulSoup4介绍
# 就像上面我们爬取的网址 爬取下来之后是一推html文件 很难获取我们想要的信息 所以我们需要解析文件 BeautifulSoup4就是可以帮我们解析 # Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库 # pip3 install BeautifulSoup4 # 解析库解释 BeautifulSoup('要解析的内容:xml格式字符串', "html.parser") #内置解析库html.parser BeautifulSoup('要解析的内容:xml格式字符串', "lxml") # 速度快 必须要装lxml pip3 install lxml
5.1 代码演示
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" id='id_p' name='lqz' xx='yy'>lqz is handsome <b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ soup = BeautifulSoup(html_doc, 'lxml') # 1 美化html:了解 print(soup.prettify()) # 2 遍历文档树 ''' #遍历文档树:即直接通过标签名字选择,特点是选择速度快,但如果存在多个相同的标签则只返回第一个 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点 ''' # 1 基本用法,直接 .标签名字 res=soup.title print(res) res=soup.a print(res) # 可以嵌套使用 res=soup.head.title print(res) # 2 获取标签的名称 # 拿到的所有标签都是一个对象,Tag对象 bs4.element.Tag res=soup.head.title res=soup.body print(res.name) # 3 获取标签的属性 res=soup.p print(res.attrs) # 属性字典 # 4 获取标签的内容 res = soup.p print(res.text) # 把该标签子子孙孙内容拿出来拼到一起 字符串 print(res.string) # None 必须该标签没有子标签,才能拿出文本内容 print(list(res.strings) )# generator 生成器,把子子孙孙的文本内容放到生成器中 # 5 嵌套选择 res=soup.html.body.a print(res.text) # 6、子节点、子孙节点 print(soup.p.contents) #p下所有子节点 print(soup.p.children) #得到一个迭代器,包含p下所有子节点 # 7、父节点、祖先节点 print(soup.a.parent) #获取a标签的父节点,直接父节点 print(list(soup.a.parents)) #找到a标签所有的祖先节点,父亲的父亲,父亲的父亲的父亲... # 8、兄弟节点 print(soup.a.next_sibling) # 下一个兄弟 print(soup.a.previous_sibling) # 上一个兄弟 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 print('-----') print(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象
原文地址:http://www.cnblogs.com/stephenwzh/p/16922314.html
1. 本站所有资源来源于用户上传和网络,如有侵权请邮件联系站长!
2. 分享目的仅供大家学习和交流,请务用于商业用途!
3. 如果你也有好源码或者教程,可以到用户中心发布,分享有积分奖励和额外收入!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请联系管理员处理!
6. 本站资源售价只是赞助,收取费用仅维持本站的日常运营所需!
7. 如遇到加密压缩包,默认解压密码为"gltf",如遇到无法解压的请联系管理员!
8. 因为资源和程序源码均为可复制品,所以不支持任何理由的退款兑现,请斟酌后支付下载
声明:如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性