1.requests模块介绍
# requests模块介绍
对比:urllib使用麻烦
安装: pip install requests
# 初体验: 爬取搜狗首页
2.requests发送请求
1.requests的get请求:
# requests的简单get请求
# requests.get + headers
# requests.get + headers + params
# requests.get + headers + params + proxy
import requests
url = '...'
headers = {
"User-Agent":'...'
}
params = {
'key': 'value'
}
proxies = {
'http': 'http://127.0.0.1:8080'
'https': 'http://127.0.0.1:8899'
}
res = requests.get(url=url, headers=headers, params=params, proxies=proxies)
#第一种: 反爬机制与反反爬策略
反爬机制: UA检测
反反爬策略: UA伪装
2.requests的post请求: 知乎发现页搜索
import requests
url = '...'
headers = {
"User-Agent":'...'
}
data = {
'key': 'value'
}
proxy = {
'http': 'http://127.0.0.1:8080',
'https': 'http://127.0.0.1:8899'
}
res = requests.post(url=url, headers=headers, data=data, proxies=proxies)
3.响应数据
# 获取响应数据内容:(重点)
res.text 获取HTML文本
res.content 获取二进制流
res.json() 获取json数据
# 响应数据的属性:
res_code = res.status_code # 响应状态码(*)
res_headers = res.headers # 响应头信息
res_url = res.url # 此响应对应的请求url
res_cookie = res.cookies # 响应的cookies(*)
res_history = res.history # 请求历史
3.xpath解析库
# Xpath解析库介绍:
数据解析的过程中使用过正则表达式, 但正则表达式想要进准匹配难度较高, 一旦正则表达式书写错误, 匹配的数据也会出错.
网页由三部分组成: HTML, Css, JavaScript, HTML页面标签存在层级关系, 即DOM树, 在获取目标数据时可以根据网页层次关系定位标签, 在获取标签的文本或属性.
# xpath解析库解析数据原理:
1. 根据网页DOM树定位节点标签
2. 获取节点标签的正文文本或属性值
# xpath安装, 初体验 --> 使用步骤:
1.xpath安装: pip install lxml
2.requests模块爬取糗事百科热门的标题:
import requests
from lxml import etree
url = 'https://www.qiushibaike.com/'
headers = {
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=url, headers=headers)
tree = etree.HTML(res.text)
title_lst = tree.xpath('//ul/li/div/a/text()')
for item in title_lst:
print(item)
3.xpath使用步骤:
from lxml import etree
tree = etree.HTML(res.text)
tree = etree.parse(res.html, etree.HTMLParse()) # 示例如下, 了解内容
tag_or_attr = tree.xpath('xpath表达式')
# xpath解析本地文件
import requests
from lxml import etree
url = 'https://www.qiushibaike.com/'
headers = {
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
res = requests.get(url=url, headers=headers)
with open('qb.html', 'w', encoding='utf-8') as f:
f.write(res.text)
tree = etree.parse('./qb.html', etree.HTMLParser())
title_lst = tree.xpath('//ul/li/div/a/text()')
for item in title_lst:
print(item)
# xpath语法:
1.常用规则:
1. nodename: 节点名定位
2. //: 从当前节点选取子孙节点（任意位置）
3. /: 从当前节点选取直接子节点（根节点）
4. nodename[@attribute="..."] 根据属性定位标签
5. @attributename: 获取属性
6. text(): 获取文本
7. .:当前节点
8.属性匹配两种情况: 多属性匹配 & 单属性多值匹配
2.2 多属性匹配（and ）
示例: tree.xpath('//div[@class="item" and @name="test"]/text()')
2.1 单属性多值匹配（contains）
示例: tree.xpath('//div[contains(@class, "dc")]/text()')
3.按序选择:
3.1 索引定位: 从1开始
3.2 last()函数（倒数）
3.3 position()函数
解析示例: 示例解析的是本地文件
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Xpath练习文件</title>
</head>
<body>
<div id="007">
"我是div标签的文字内容, 和下面的p标签还有div标签是同级的哦"
<p>这是p标签内的文字内容</p>
<div>这是p标签同级的div标签</div>
</div>
<div class="divtag">
<ul>
<li>第1个li标签</li>
<li>第2个li标签</li>
<li>第3个li标签</li>
<li>第4个li标签</li>
<li>第5个li标签</li>
</ul>
<a href="https://www.baidu.com">这是百度的跳转连接</a>
</div>
<div class="c1" name="laoda">老大在此</div>
<div class="c1 c3" name="laoer">老二任性, class有两个值</div>
<div class="c1" name="laosan">我是老三</div>
</body>
</html>
from lxml import etree
tree = etree.parse('./x.html', etree.HTMLParser())
# 1.根据节点名, 即nodename定位title标签, 获取标签内文字
title_text = tree.xpath('//title/text()')
print(title_text)
# 2.根据节点属性定位: 定位id为007的div标签
div_007 = tree.xpath('//div[@id="007"]')
print(div_007)
# 3.示例直接子节点与子孙节点:/, //
div_007_one = tree.xpath('//div[@id="007"]/text()')
print(div_007_one)
div_007_two = tree.xpath('//div[@id="007"]//text()')
print(div_007_two)
# 4.获取a标签的href属性
a_href = tree.xpath('//div[@class="divtag"]/a/@href')
print(a_href)
# 4.多属性定位: 根据class属性和name属性定位div标签
div_two_attr = tree.xpath('//div[@class="c1" and @name="laoda"]/text()')
print(div_two_attr)
# 5.属性多值定位: 定位所有class中有c1的div标签
div_c1 = tree.xpath('//div[contains(@class, "c1")]')
# 6.按序定位
li_first = tree.xpath('//div[@class="divtag"]/ul/li[1]/text()') # 定位第一个li标签, 获取其文本
print(li_first)
li_last = tree.xpath('//div[@class="divtag"]/ul/li[last()]/text()') # 定位最后一个li标签
print(li_last)
li_daotwo = tree.xpath('//div[@class="divtag"]/ul/li[last()-1]/text()') # 定位倒数第二个li标签
print(li_daotwo)
li_qianthree = tree.xpath('//div[@class="divtag"]/ul/li[position()<4]/text()') # 定位前三个li标签
print(li_qianthree)
# 作业:
1.爬取糗事百科, 热门前两页的每一项标题, 详情页链接, 好笑指数及评论数
2.默写
res = requests.get(url=url, headers=headers, params=params, proxies=proxies)
res = requests.post(url=url, headers=headers, data=data, proxies=proxies)
代理类型:
透明代理:
匿名代理:
高匿代理:
获取响应数据内容:
res.text 获取HTML文本
res.content 获取二进制流
res.json() 获取json数据
xpath常用规则:
1. nodename: 节点名定位
2. //: 从当前节点选取子孙节点
3. /: 从当前节点选取直接子节点
4. nodename[@attribute="..."] 根据属性定位标签
5. @attributename: 获取属性
6. text(): 获取文本