代理池搭建
'''
代理池分为免费的和付费的
免费的:不稳定
付费的:花钱
'''
github:https://github.com/jhao104/proxy_pool
直接将项目拉下即可
1.拉取代码
git clone git@github.com:jhao104/proxy_pool.git
2.安装依赖
pip install -r requirements.txt
3.修改配置文件
settings.py
DB_CONN = 'redis://127.0.0.1:6379/1'
4.启动项目
# 启动爬虫
python proxyPool.py schedule
# web服务程序
python proxyPool.py server
5.获取代理
http://127.0.0.1:5010/get/
BeautifulSoup4
'''
pip install BeautifulSoup4
'''
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")
'''
在查找class属性时,需要使用class_,因为class是python中的一个关键字
'''
bs4遍历树
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" id='id_p'>lqz is handsome<b class='sister'>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>
"""
soup = BeautifulSoup(html_doc, 'html.parser')
'''
name :标签名
class_ : 标签中的class属性
'''
# print(soup.prettify()) # 美化html
'''
#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
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" id='id_p'>lqz is handsome<b class='sister'>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>
"""
soup = BeautifulSoup(html_doc, 'html.parser')
# 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(列表中的关系为或的关系)
# 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
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
'''
div 标签名
.类名 类名
#id id号
div>p div下紧邻的子元素p标签
div p div的所有的p标签
div+p div后的第一个p元素(同级)
div~p div后的所有的p元素(同级)
'''
res = soup.select('.sister') # 返回的是一个列表
res=soup.select('#id_p')[0]['class']
print(res)