爬虫实例系列一(requests)

一 爬虫简介

'''
    爬虫:通过编写程序,模拟浏览器上网,让其去互联网上爬取数据的过程

    分类:
        通用爬虫:爬取全部的页面数据
        聚焦爬虫:抓取页面中局部数据
        增量式爬虫:爬取网站中更新出的数据

    反爬机制:门户网站会通过制定相关的技术手段,组织爬虫程序进行数据获取
    反反爬策略:针对反爬机制制定的策略,为了获取数据

    第一个反爬机制:
        robots.txt协议:防君子不防小人的协议
'''

二  request 入门使用流程

'''

    request使用流程:
        - 制定url
        - 发起请求
        - 获取响应回来的页面数据
        - 持久化存储
        
'''

三 实例

1 获取搜狗页面(反反爬机制:防君子不防小人)

import requests

#获取搜狗页面数据

#1.指定url
url='https://www.sogo.com/'

#2.发起请求
response=requests.get(url=url)

#3.获取页面数据
response_text=response.text

#4.持久化存储
with open('sogo.html',mode='w',encoding='utf8') as f:
    f.write(response_text)

2 获取知乎页面数据(UA伪装)

'''
    User-Agent:请求载体的身份标识
    反爬机制:UA检测
    反反爬策略:UA伪装
'''

#请求知乎

url='https://www.zhihu.com/'

#指定请求头,进行UA伪装
headers={
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.20 Safari/537.36'
}
response=requests.get(url=url,headers=headers)

print(response.text)

3 post请求实例(请求百度翻译结果)

#请求百度翻译结果

#经过分析发现,百度翻译发送的请求是ajax请求

import requests

url='https://fanyi.baidu.com/sug'

#指定请求头,进行UA伪装
headers={
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.20 Safari/537.36'
}

#搜索数据不要写死

kw=input('input a word:')
#构建请求数据
data={
    'kw':kw
}

response=requests.post(url=url,headers=headers,data=data)

print(response.json())

4 post 请求携带更多参数data={}

#爬取城市肯德基餐厅的位置信息 http://www.kfc.com.cn/kfccda/storelist/index.aspx

'''
抓包获取的数据
Request URL: http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword
Request Method: POST
Status Code: 200 OK
Remote Address: 120.92.131.8:80
Referrer Policy: no-referrer-when-downgrade
'''

import requests

url='http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'

headers={
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.20 Safari/537.36'
}

data={
    'cname':'',
    'pid':'',
    'keyword': '深圳',
    'pageIndex': 3,
    'pageSize': 10,
}

response=requests.post(url=url,headers=headers,data=data)

print(response.json())

5 爬取豆瓣电影中的详细数据(ajax请求)

import requests

#爬取豆瓣电影中的详细数据(ajax请求)

#'https://movie.douban.com/j/chart/top_list?type=24&interval_id=100%3A90&action=&start=20&limit=20'

url='https://movie.douban.com/j/chart/top_list'

headers={
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.20 Safari/537.36'
}
#此处参数已经写死,后续项目中在此基础修改
params={
    'type': '24',
    'interval_id': '100:90',
    'action':'',
    'start':'40',
    'limit':'20',
}

response=requests.get(url=url,headers=headers,params=params)

print(response.json())