資訊內(nèi)容
python3爬蟲入門：常用網(wǎng)絡(luò)爬蟲模塊和技術(shù)
urllib模塊qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib庫是python中自帶的模塊，也是一個(gè)**基本的網(wǎng)絡(luò)請(qǐng)求庫，該模塊提供了一個(gè)urlopen()方法，通過該方法指定URL發(fā)送網(wǎng)絡(luò)請(qǐng)求來獲取數(shù)據(jù)。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib 是一個(gè)收集了多個(gè)涉及 URL 的模塊的包
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib.request 打開和讀取 URL
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
三行代碼即可爬取百度首頁源代碼：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import urllib.request # 打開指定需要爬取的網(wǎng)頁 response=urllib.request.urlopen('http://www.baidu.com') # 或者是 # from urllib import request # response = request.urlopen('http://www.baidu.com') # 打印網(wǎng)頁源代碼 print(response.read().decode())加入decode()是為了避免出現(xiàn)下圖中十六進(jìn)制內(nèi)容qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
加入decode()進(jìn)行解碼后qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
下面三種本篇將不做詳述qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib.error 包含 urllib.request 拋出的異常qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib.parse 用于解析 URLqOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
urllib.robotparser 用于解析 robots.txt 文件qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
requests模塊qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
requests模塊是python中實(shí)現(xiàn)HTTP請(qǐng)求的一種方式，是第三方模塊，該模塊在實(shí)現(xiàn)HTTP請(qǐng)求時(shí)要比urllib模塊簡(jiǎn)化很多，操作更加人性化。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
以GET請(qǐng)求為例：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import requests response = requests.get('http://www.baidu.com/') print('狀態(tài)碼：', response.status_code) print('請(qǐng)求地址：', response.url) print('頭部信息：', response.headers) print('cookie信息：', response.cookies) # print('文本源碼：', response.text) # print('字節(jié)流源碼：', response.content)輸出結(jié)果如下：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
狀態(tài)碼： 200 請(qǐng)求地址： http://www.baidu.com/ 頭部信息： {'Cache-Control': 'private, no-cache, no-store, proxy-revalidate, no-transform', 'Connection': 'keep-alive', 'Content-Encoding': 'gzip', 'Content-Type': 'text/html', 'Date': 'Sun, 10 May 2020 02:43:33 GMT', 'Last-Modified': 'Mon, 23 Jan 2017 13:28:23 GMT', 'Pragma': 'no-cache', 'Server': 'bfe/1.0.8.18', 'Set-Cookie': 'BDORZ=27315; max-age=86400; domain=.baidu.com; path=/', 'Transfer-Encoding': 'chunked'} cookie信息： <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>這里講解一下response.text和 response.content的區(qū)別:qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
response.content是直接從網(wǎng)絡(luò)上面抓取的數(shù)據(jù),沒有經(jīng)過任何解碼,所以是一個(gè) bytes類型
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
response.text是將response.content進(jìn)行解碼的字符串,解碼需要指定一個(gè)編碼方式, requests會(huì)根據(jù)自己的猜測(cè)來判斷編碼的方式,所以有時(shí)候可能會(huì)猜測(cè)錯(cuò)誤,就會(huì)導(dǎo)致解碼產(chǎn)生亂碼,這時(shí)候就應(yīng)該使用 response.content.decode(‘utf-8’)qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
進(jìn)行手動(dòng)解碼qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
以POST請(qǐng)求為例qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import requests data={'word':'hello'} response = requests.post('http://www.baidu.com',data=data) print(response.content)請(qǐng)求headers處理qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
當(dāng)爬取頁面由于該網(wǎng)頁為防止惡意采集信息而使用反爬蟲設(shè)置，從而拒絕用戶訪問，我們可以通過模擬瀏覽器的頭部信息來進(jìn)行訪問，這樣就能解決反爬蟲設(shè)置的問題。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
通過瀏覽器進(jìn)入指定網(wǎng)頁，右擊鼠標(biāo)，選中“檢查”，選擇“Network”，刷新頁面后選擇第一條信息，右側(cè)消息頭面板將顯示下圖中請(qǐng)求頭部信息qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
例如：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import requests url = 'https://www.bilibili.com/' headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36'} response = requests.get(url, headers=headers) print(response.content.decode())網(wǎng)絡(luò)超時(shí)qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
在訪問一個(gè)頁面，如果該頁面長(zhǎng)時(shí)間未響應(yīng)，系統(tǒng)就會(huì)判斷該網(wǎng)頁超時(shí)，所以無法打開網(wǎng)頁。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
例如：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import requests url = 'http://www.baidu.com' # 循環(huán)發(fā)送請(qǐng)求50次 for a in range(0, 50): try: # timeout數(shù)值可根據(jù)用戶當(dāng)前網(wǎng)速，自行設(shè)置 response = requests.get(url, timeout=0.03) # 設(shè)置超時(shí)為0.03 print(response.status_code) except Exception as e: print('異常'+str(e)) # 打印異常信息部分輸出結(jié)果如下：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
代理服務(wù)
qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
設(shè)置代理IP可以解決不久前可以爬取的網(wǎng)頁現(xiàn)在無法爬取了，然后報(bào)錯(cuò)——由于連接方在一段時(shí)間后沒有正確答復(fù)或連接的主機(jī)沒有反應(yīng)，連接嘗試失敗的問題。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
以下網(wǎng)站可以提供免費(fèi)代理IP https://www.xicidaili.com/例如：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
import requests # 設(shè)置代理IP proxy = {'http': '117.45.139.139:9006', 'https': '121.36.210.88:8080' } # 發(fā)送請(qǐng)求 url = 'https://www.baidu.com' response = requests.get(url, proxies=proxy) # 也就是說如果想取文本數(shù)據(jù)可以通過response.text # 如果想取圖片，文件，則可以通過 response.content # 以字節(jié)流的形式打印網(wǎng)頁源代碼,bytes類型 print(response.content.decode()) # 以文本的形式打印網(wǎng)頁源代碼，為str類型 print(response.text) # 默認(rèn)”iso-8859-1”編碼，服務(wù)器不指定的話是根據(jù)網(wǎng)頁的響應(yīng)來猜測(cè)編碼。Beautiful Soup模塊qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
Beautiful Soup模塊是一個(gè)用于HTML和XML文件中提取數(shù)據(jù)的python庫。Beautiful Soup模塊自動(dòng)將輸入的文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為UTF-8編碼，你不需要考慮編碼方式，除非文檔沒有指定一個(gè)編碼方式，這時(shí)，Beautiful Soup就不能自動(dòng)識(shí)別編碼方式了，然后，僅僅需要說明一下原始編碼方式就可以了。qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
例如：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"><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> """ # 創(chuàng)建對(duì)象 soup = BeautifulSoup(html_doc, features='lxml') # 或者創(chuàng)建對(duì)象打開需要解析的html文件 # soup = BeautifulSoup(open('index.html'), features='lxml') print('源代碼為：', soup)# 打印解析的HTML代碼運(yùn)行結(jié)果如下：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
<html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> </body></html>用Beautiful Soup爬取百度首頁標(biāo)題qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
from bs4 import BeautifulSoup import requests response = requests.get('http://news.baidu.com') soup = BeautifulSoup(response.text, features='lxml') print(soup.find('title').text)運(yùn)行結(jié)果如下：qOD少兒編程網(wǎng)-Scratch_Python_教程_免費(fèi)兒童編程學(xué)習(xí)平臺(tái)
百度新聞——海量中文資訊平臺(tái)
- 上一篇
Python之自動(dòng)獲取目標(biāo)網(wǎng)站最新通知
簡(jiǎn)介Python之自動(dòng)獲取目標(biāo)網(wǎng)站最新通知：1、建立通知數(shù)據(jù)庫這一步的目的是爬取目標(biāo)網(wǎng)站已經(jīng)發(fā)布的通知的數(shù)據(jù)，并進(jìn)行存儲(chǔ)，從而建立與該目標(biāo)網(wǎng)站內(nèi)容相對(duì)應(yīng)的本地?cái)?shù)據(jù)庫。考慮到數(shù)據(jù)庫中的數(shù)據(jù)將是辨別和獲取一則新通知的唯一方法，因此所建立的數(shù)據(jù)庫將存儲(chǔ)每一條通知的標(biāo)題、發(fā)布日期和訪問鏈接。第一步使用到的模塊有
- 下一篇
Python中的進(jìn)度條progressbar，讓進(jìn)度直觀顯示！
簡(jiǎn)介今天突然被問了一個(gè)問題：程序在執(zhí)行中很久不結(jié)束是怎么回事？看不到程序執(zhí)行的進(jìn)度，在我們進(jìn)行大工程的時(shí)候的確是一件很頭疼的事，本文讓我們來了解一個(gè)很常用的進(jìn)度條展示小工具——Progressbar。注：最新版的使用者不要照著GitHub上的官方文檔去操作，文檔信息沒有維護(hù)，會(huì)出現(xiàn)很多問題。下載模塊pi
相關(guān)資訊
