requests模块+代理+bs4
目录
爬虫介绍
# 大部分软件,cs,bs,主流都是用http协议通信,模拟发送http请求---服务端把数据返回(html,xml,json)----数据的清洗(re,bs4)----入库(文件,mysql,redis,es,mongo)
-mysql:tcp自定定制的协议
-redis:tcp自定定制的协议
-docker:http协议,符合resful规范
-es:http协议,符合resful规范
# 爬虫的本质:
1 模拟发送http请求(requests,requests-hmtl,selenium)
2 数据清洗反扒(re,bs4,lxml:css选择器,xpath选择器)
3 增加并发量(线程,进程,协程)---》scrapy
4 入库
# 最大的爬虫:百度,谷歌
-百度一刻不停的在互联网中爬取网页----》把网页存到百度的数据库
(基本上所有公司都希望被百度爬到,并且权重高,显示在最前面)----(seo,sem)
-当我们在搜索内容时,输入了关键字----》全文检索---》现在在搜索结果中
# 爬虫有爬虫协议
-我们做爬虫要遵循爬虫协议:这个网站哪些让我们爬,哪些不让
-robots.txt
# 编码,混淆,加密的区别
# js逆向,安卓反编译,动态调试(汇编)
requests模块
模拟发送http请求,requests模块
# 介绍:使用requests可以模拟浏览器的请求,比起之前用到的urllib,requests模块的api更加便捷(本质就是封装了urllib3)
# 注意:requests库发送请求将网页内容下载下来以后,并不会执行js代码,这需要我们自己分析目标站点然后发起新的request请求
# 安装:pip3 install requests
# 只能发送请求,不能解析html,后来作者又写了一个模块:requests-hmtl模块:兼具发送请求和解析
requests+lxml=requests-hmtl
# 不仅仅用来做爬虫,重点:后端跟另一个服务交互,也需要使用它
-假设公司有:短链系统 把很长的url链接生成短的url链接
-原理:申请很短的域名:https://sourl.cn/wBdfzc
id code url
1 wBdfzc https://image.baidu.com/search/index?
-其它系统生成的链接很长---》转短---》调用短链系统的接口
get请求
import requests
res=requests.get('https://www.cnblogs.com/')
# res是http响应封装成了对象,响应中得所有东西,都在这个对象中
# print(res.text) # 响应体的字符串
携带参数
# 方式一:直接使用
res=requests.get('https://www.cnblogs.com/?name=lqz&age=19')
print(res.text) # 响应体的字符串
# 方式二:使用params参数
res=requests.get('https://www.cnblogs.com/',params={'name':'lqz','age':19})
print(res.text) # 响应体的字符串
# 小注意:如果中文涉及到 url的编码和解码
from urllib import parse
携带请求头
# 最初级的反扒----现在请求头中得user-agent
# 常见请求头:
user-agent:客户端类型
Referer: https://www.lagou.com/gongsi/ 上一次访问的地址
图片防盗链
反扒:除了首页外,上一个地址不是我们自己的地址,就禁掉
# 面试题:讲讲你知道的http的请求头?
x-forword-for
# 携带请求头
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36',}
res=requests.get('https://dig.chouti.com/',headers=header)
print(res.text)
携带cookie
携带cookie---登录信息---携带着说明登录了---能干登录的事
# 方式一:带在请求头中
res = requests.post('https://dig.chouti.com/link/vote',
headers=header,
data={'linkId': '35811284'})
print(res.text)
# 方式二:使用cookie参数:之前登录成功了,就有cookie,cookie是CookieJar的对象,直接传
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36',}
res = requests.post('https://dig.chouti.com/link/vote',
headers=header,
# Dict or CookieJar
# cookies={},
data={'linkId': '35811284'})
print(res.text)
post请求
# 登录接口 post请求
from-data,urlencoded(默认),json
res = requests.post('http://www.aa7a.cn/user.php', data={
'username': '@qq.com',
'password': '',
'captcha': 'aaaa',
'remember': 1,
'ref': 'http://www.aa7a.cn/user.php?act=logout',
'act': ' act_login',
})
print(res.text)
print(res.cookies) # 登录成功的cookie,cookieJar对象----字典
# 登录成功
res1=requests.get('http://www.aa7a.cn/',cookies=res.cookies)
print('616564099@qq.com' in res1.text)
携带数据
# post请求编码是json格式
res=requests.post('xxx',json={})
request.session
# request.session的使用,整个过程中自动维护cookie
session=requests.session()
# 使用session发送请求
session.post('http://www.aa7a.cn/user.php', data={
'username': '616564099@qq.com',
'password': 'lqz123',
'captcha': 'aaaa',
'remember': 1,
'ref': 'http://www.aa7a.cn/user.php?act=logout',
'act': ' act_login',
})
res1=session.get('http://www.aa7a.cn/')
print('616564099@qq.com' in res1.text)
response属性
# repsonse对象的属性和方法----把http的响应封装成了response
respone=requests.get('https://www.cnblogs.com/')
respone=requests.get('http://www.autohome.com/news')
respone.text # 响应体的字符串
respone.content # 响应体二进制数据
respone.status_code #响应状态码
respone.headers 响应头
respone.cookies #响应的cookie
respone.cookies.get_dict() #cookie转成dict
respone.cookies.items() # cookie拿出key和value
respone.url # 请求的地址
respone.history # 列表,有重定向,里面放了重定向之前的地址
respone.encoding # 响应编码格式
respone.iter_content() # 后期咱们下载图片,视频,需要使用它
# iter_content()的使用
res=requests.get('https://video.pearvideo.com/mp4/adshort/20220427/cont-1760318-15870165_adpkg-ad_hd.mp4')
with open('致命诱惑3.mp4','wb') as f:
# f.write(res.content)
for line in res.iter_content(chunk_size=1024): # 按1024字节写
f.write(line)
编码问题
大部分网站都是utf-8
编码,老网站中文编码使用gbk
,gb2312
respone = requests.get('http://www.autohome.com/news')
respone.encoding='gbk'
print(respone.text) # 默认使用utf-8可能会导致中文乱码
获取二进制数据
response.content
response.iter_content(chunk_size=1024)
# .content的使用
res=requests.get('https://gdhbimg.huaban.com/e1abf47cecfe5848afc2a4a8fd2e0df1c272637f2825b-e3lVMF_fw658')
with open('美女.png','wb') as f:
f.write(res.content)
解析json
res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashxop=keyword', data={
'cname': '',
'pid': '',
'keyword': '北京',
'pageIndex': 1,
'pageSize': 10,})
print(res.text)
print(type(res.text))
import json
dic_res = json.loads(res.text)
print(type(dic_res))
print(dic_res['Table1'][0]['storeName'])
# 简便方法
res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashxop=keyword', data={
'cname': '',
'pid': '',
'keyword': '北京',
'pageIndex': 1,
'pageSize': 10,})
print(type(res.json()))
print(type(res.json()))
高级用法之 Cert Verification
高级用法之证书----http请求---https请求
https = http + ssl
import requests
# 不验证证书,直接访问
respone=requests.get('https://www.12306.cn',verify=False)
# 验证证书
respone=requests.get('https://www.12306.cn',
cert=('/path/server.crt',
'/path/key'))
代理
使用代理是因为:频率限制----限制ip,黑名单(封ip)
import requests
proxies = {
'http': '112.14.47.6:52024',
}
respone=requests.get('https://www.cnblogs.com/',proxies=proxies)
print(respone.status_code)
# django---部署到云服务器上---客户端ip --request.META.get('REMOTE_ADDR')
正向代理和反向代理
超时,认证,异常,上传文件
# 超时设置
import requests
respone=requests.get('https://www.baidu.com',timeout=0.0001)
# 异常处理
from requests.exceptions import *
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 Exception:
print('x')
# 上传文件
import requests
files={'file':open('a.jpg','rb')}
respone=requests.post('http://httpbin.org/post',files=files)
print(respone.status_code)
代理池搭建
代理池----有很多代理ip----每次随机从里面取出一个ip使用
# 基于网上别人开源的代理池的python代码,自己搭建(本质是爬取的免费代理,验证)
-基于flask搭建的服务端:提供一些接口,只要向接口发送请求,就能随机返回一个代理
-爬虫程序:爬取免费代理,验证通过放到redis中
第一步:clone代码
git clone git@github.com:jhao104/proxy_pool.git
第二步:安装依赖
pip3.8 install -r requirements.txt
第三步:配置配置文件
# settings.py
DB_CONN = 'redis://127.0.0.1:6379/1'
第四步:启动项目
# 爬虫程序
python38 proxyPool.py schedule
# web服务程序
python38 proxyPool.py server
# 第五步:获取代理
http://127.0.0.1:5010/get/
django后端获取客户端的ip
# django 返回访问者ip,部署在服务器上
# 客户端使用搭建的代理池访问我们自己的djnago
-正常会返回代理的ip地址
import requests
res1 = requests.get('http://127.0.0.1:5010/get/').json()
print(res1['proxy'])
if res1['https']:
h = 'https'
else:
h = 'http'
proxies = {
h: res1['proxy'],
}
res = requests.get('http://101.133.225.166/get_ip/',proxies=proxies)
print('---',res.text)
爬取某视频网站
# https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=5&start=0
import requests
import re
res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=5&start=0')
# print(res.text)
video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text)
print(video_list)
# https://www.pearvideo.com/video_1768482
for video in video_list:
video_id = video.split('_')[-1]
video_url = 'https://www.pearvideo.com/' + video
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36',
'Referer': video_url
}
res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.5602821872545047' % video_id,
headers=header
).json()
# print(res1['videoInfo']['videos']['srcUrl'])
mp4_url = res1['videoInfo']['videos']['srcUrl']
real_mp4_url = mp4_url.replace(mp4_url.split('/')[-1].split('-')[0], 'cont-%s' % video_id)
print(real_mp4_url)
# 下载视频
res2 = requests.get(real_mp4_url)
with open('video/%s.mp4' % video_id, 'wb') as f:
for line in res2.iter_content(1024):
f.write(line)
# 直接发送请求,拿不到视频,它是发送了ajax请求获取了视频,但是需要携带referer
# res=requests.get('https://www.pearvideo.com/video_1768482')
# print(res.text)
# https://video.pearvideo.com/mp4/third/20220729/ 1659324669265 -11320310-183708-hd.mp4 # 不能播
# https://video.pearvideo.com/mp4/third/20220729/ cont-1768482 -11320310-183708-hd.mp4 #能播
# url='https://video.pearvideo.com/mp4/third/20220729/ 1659324669265 -11320310-183708-hd.mp4'
# 其他
-关于全站爬取:更好分类id和起始爬取的数字即可
-同步爬取,速度一般,加入线程(线程池),提高爬取速度---》作业(线程池)
-封ip问题---》代理池了(使用代理池)
-视频处理(截取视频,拼接视频)---》ffmpeg软件---》通过命令调用软件
python操作软件:subprocess模块 执行ffmpeg的命令完成视频操作
python模块操作opencv(c写的,编译后,使用python调用),实现非常高级的功能
文件操作给视频加头去尾部
# 百度网盘
-秒传功能:对每个文件都做了md5摘要,再上传相同文件
-盗版视频(某些视频),只要视频多一点点,少一点点就可以了
-单线程下载---》迅雷---》多线程下载
爬取新闻
# re 正则匹配----html内容(xml),比较复杂,查找的东西比较多,BeautifulSoup4 专业的对html,xml进行解析(修改)
# pip3 install beautifulsoup4
import requests
from bs4 import BeautifulSoup
res = requests.get('https://www.autohome.com.cn/news/1/#liststart')
# print(res.text)
# 之前使用re解析,解析这个比较麻烦,我们使用bs4解析
# 第一个参数是要解析的字符串(html,xml格式)
# 第二个参数是解析方式:html.parser
soup = BeautifulSoup(res.text, 'html.parser')
# 开始使用,查找内容
# 查找所有的类名为article的ul标签
ul_list = soup.find_all(name='ul', class_='article')
for ul in ul_list:
li_list = ul.find_all(name='li')
for li in li_list:
h3 = li.find(name='h3')
if h3:
# 从h3中取出文本内容,新闻标题
title = h3.text
desc = li.find(name='p').text
# url=li.find(name='a')['href']
url = 'http:' + li.find(name='a').attrs['href']
img = 'http:' + li.find(name='img')['src']
print('''
新闻标题:%s
新闻摘要:%s
新闻地址:%s
新闻图片:%s
''' % (title, desc, url,img))
# 1 把图片保存到本地(你会)
# 2 把清洗过后的数据存到mysql中
# 3 全站爬取变更页码数(https://www.autohome.com.cn/news/1/#liststart)
BeautifulSoup4 介绍
# Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库
# 使用requests发请求拿回来的html,就可以使用bs4解析出咱们想要的数据
# BeautifulSoup(要解析的字符串, "解析方式:html.parser,lxml:需要安装lxml解析库,如果不装就报错")
# 文档容错能力:可以不是标准的html,缺一些标签,也可以解析
bs4 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 基本使用(通过 . 遍历,速度快)
res=soup.p
res1=soup.p.b
res1=soup.html.body.p.b
print(res1)
# 2 取标签的名称
res1=soup.body
print(res1.name)
# 3 获取标签的属性(两种方式)
res1=soup.body.p
print(res1['class']) # ['title'] 因为class可能有多个
print(res1['id'])
print(res1.attrs['id'])
res=soup.a['href']
print(res)
# 4 获取标签的内容
res=soup.a
print(res.text) # text 把子子孙孙的文本内容拼到一起
print(res.string) # string 没有子标签才能获取文本
print(list(res.strings)) # generator strings:把子子孙孙的文本内容放到生成器中
res=soup.p
print(res.text)
print(res.string)
print(list(res.strings))
#5、嵌套选择(因为soup.head那到的也是要给对象,bs4.element.Tag类的对象,因为BeautifulSoup继承子Tag)
print(soup.head.title.string)
print(type(soup.head))
### 一下的了解
#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
print(list(soup.p.descendants)) #获取子孙节点,p下所有的标签都会选择出来
#7、父节点、祖先节点
print(soup.a.parent) #获取a标签的父节点
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(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象
bs4搜索文档树
# find(找最近的一个),find_all(找所有符合的)
1、五种过滤器: 字符串、正则表达式、列表、True、方法
# 1 字符串--->字符串指的是属性是字符串
p=soup.find(name='p',class_='title')
p=soup.find(id='id_p')
p=soup.find(id='id_p')
res=soup.find(text="The Dormouse's story").parent
print(res)
# 2 正则表达式
import re
res=soup.find_all(name=re.compile('^b'))
res=soup.find_all(class_=re.compile('^s'))
print(res)
# 3 列表
res=soup.find_all(name=['body','b'])
res=soup.find_all(class_=['sister','story'])
print(res)
# 4 True
res=soup.find_all(id=True) # 有id的所有标签
res=soup.find_all(text=False)
print(res)
# 5方法
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(name=has_class_but_no_id))
# find_all的其它属性:find就是find_all,只不过取了第一条
# limit:限制取的条数
# res=soup.find_all(class_=True,limit=1)
# recursive:是否递归查找,找一层还是找多层
# res=soup.body.find_all(name='p',recursive=False)
# attrs
# res=soup.find_all(class_=True)
# res=soup.find_all(attrs={'class':True})
# print(res)
# 搜索文档树的方式使用的是find和find_all
css选择器
# 还可以使用css选择器
'''
div 标签名
.类名 类名
#id id号
div>p div下紧邻的p标签
div p div下子子孙孙有p就拿出来
'''
# res=soup.select('.sister')
# res=soup.select('b.sister')
res=soup.select('#id_p')[0]['class']
print(res)