• requests高阶 & BS4


    1.requests高阶用法

    1.requests上传文件操作
    2.会话维持: Session对象(重点)
    3.设置超时时间: timeout, 请求5秒内没有返回响应, 则抛出异常
    4.Prepare Request: 构建request对象, 可以放入队列中实现爬取队列调度
    

      

    1.requests上传文件操作
            files = {'file': open('filename', 'rb')}
            res = requests.post(url=url, files=files)
    ​
    2.会话维持: Session对象
            from requests import Session
            session = Session()
            res = session.get(url=url, headers=headers)
    ​
    3.设置超时时间: timeout, 请求5秒内没有返回响应, 则抛出异常
            res = requests.get(url=url, headers=headers, timeout=5)
    ​
    4.Prepare Request: 构建request对象, 可以放入队列中实现爬取队列调度
            from requests import Request, Session
            url = '....'
            data = {
                'wd': 'spiderman'
            }
            headers = {
                'User-Agent': '...'
            }
            # 1.实话session对象
            session = Session()
            # 2.构建request对象, 传入必要参数
            req = Request('POST', url, data=data, headers=headers)
            req = Request('GET', url, params=params, headers=headers)
            # 3.应用prepared_request方法将request对象转化为Prepared Request对象
            prepared = session.prepare_request(req)
            # 4.利用session的send方法发送请求
            res = session.send(prepared)

    2.BeautifulSoup库使用

    
    
    # BeautifulSoup库介绍:
    BeautifulSoup也是一个解析库
    BS解析数据是依赖解析器的, BS支持的解析器有html.parser, lxml, xml, html5lib等, 其中lxml解析器解析速度快, 容错能力强.
    BS现阶段应用的解析器多数是lxml
    

      

    # BeautifulSoup 使用步骤:
    from bs4 import BeautifulSoup
    ​ soup = BeautifulSoup(res.text, 'lxml') tag = soup.select("CSS选择器表达式") # 返回一个列表

      

    CSS选择器:
    1.根据节点名及节点层次关系定位标签: 标签选择器  &  层级选择器
    soup.select('title')
    soup.select('div > ul > li')   # 单层级选择器
    soup.select('div li')  # 多层级选择器
    ​
    2.根据节点的class属性定位标签: class选择器(classical)
    soup.select('.panel')
    ​
    3.根据id属性定位标签: id选择器
    soup.select('#item')
    ​
    4.嵌套选择:
    ul_list = soup.select('ul')
    for ul in ul_list:
      print(ul.select('li'))
    ​
    # 获取节点的文本或属性:
    tag_obj.string: 获取直接子文本-->如果节点内有与直系文本平行的节点, 该方法拿到的是None
    tag_obj.get_text(): 获取子孙节点的所有文本
    tag_obj['attribute']: 获取节点属性
    

      

     
    
    
    # 练习示例:
    html = '''
        <div class="panel">
            <div class="panel-heading">
                <h4>BeautifulSoup练习</h4>
            </div>
            <div class="panel-body">
                <ul class="list" id="list-1">
                    <li class="element">第一个li标签</li>
                    <li class="element">第二个li标签</li>
                    <li class="element">第三个li标签</li>
                </ul>
                <ul class="list list-small">
                    <li class="element">one</li>
                    <li class="element">two</li>
                </ul>
                <li class="element">测试多层级选择器</li>
            </div>
        </div>
    '''
    from bs4 import BeautifulSoup
    ​
    soup = BeautifulSoup(html, 'lxml')
    # 1.根据节点名定位节点, 获取其文本
    h4 = soup.select('h4')   # 标签选择器
    print(h4[0].get_text())
    ​
    # 2.根据class属性定位节点
    panel = soup.select('.panel-heading')
    print(panel)
    ​
    # 3.根据id属性定位节点
    ul = soup.select('#list-1')
    print(ul)
    ​
    # 4.嵌套选择
    ul_list = soup.select('ul')
    for ul in ul_list:
        li = ul.select('li')
        print(li)
        
    # 5.单层级选择器与多层级选择器
    li_list_single = soup.select(".panel-body > ul > li")
    li_list_multi = soup.select(".panel-body li")



    
    
    # 作业: 爬取整部三国演义销售, 写入txt文件: 'http://www.shicimingju.com/book/sanguoyanyi.html'
    import requests
    from bs4 import BeautifulSoup
    ​
    url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
    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)
    soup = BeautifulSoup(res.text, 'lxml')
    a_list = soup.select(".book-mulu ul li a")
    for item in a_list:
        name = item.string
        href = item["href"]
        # print(href)
        full_url = 'http://www.shicimingju.com' + href
        detail_page = requests.get(url=full_url, headers=headers).text
        soup_detail = BeautifulSoup(detail_page, 'lxml')
        div = soup_detail.select(".chapter_content")[0]
        print(type(div.get_text()))
        with open('%s.txt' % name, 'w', encoding="utf-8") as f:
            f.write(div.get_text())
            
            
    # 默写:
    会话维持:Session对象
        from requests import Session
        session = Session()
        res = session.get(url=url, headers=headers)
        
    # BeautifulSoup 使用步骤:
    from bs4 import BeautifulSoup
    soup = BeautifulSoup(res.text, 'lxml')
    tag = soup.select("CSS选择器表达式")   # 返回一个列表
     
  • 相关阅读:
    python爬虫入门---第三篇:保存一张图片
    python爬虫入门---第四篇:网站对爬虫的限制及突破测试
    python笔记之字符串
    浅析requests库响应对象的text和content属性
    AOP concepts
    设计模式之组合模式
    装饰者设计模式
    设计模式读书笔记-----桥接模式(转)
    适配器模式
    原型设计模式及深拷贝
  • 原文地址:https://www.cnblogs.com/gaodenghan/p/13638733.html
Copyright © 2020-2023  润新知