Python爬虫开发

1 网页请求

requests模块

import requests
 
#GET请求示例
query = input("请输入你想要查询的内容：")
url = f"https://www.sogou.com/web?query={query}"
UA = {
      "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/116.0"
}
resp = requests.get(url,headers=UA)      #以get方式请求url，赋值给resp
print(resp)                   #打印出响应的状态码
print(resp.text)              #打印出响应的源代码
 
#POST请求示例
url = "https://fanyi.baidu.com/sug"
s = input("请输入你要翻译的英文单词：")
data1 = {
      "kw":s
}
resp = requests.post(url,data=data1)
print(resp.json())                     #将服务器返回的内容处理成json格式。
 
#爬取豆瓣电影排行榜
url = "https://movie.douban.com/j/chart/top_list"
#重新封装参数
params= {
   "type": "11",
   "interval_id": "100:90",
   "action":"",
   "start": 0,
   "limit": 20,
}
headers = {
      "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/116.0"
}
resp = requests.get(url,params=params,headers=headers)
#print(resp.request.url)    url拼接params后，等价于完整的url
print(resp.json())
resp.close()     #关闭爬取使请求头中的keep-alive为off。

cookie登录

使用Session()方法

import requests
 
# 登录网站
session = requests.Session()           # 创建一个会话对象
url = "网站的实际登录URL"                 # 准备登录信息
data = {'username': 'dustfree',
        'password': '5678000'
}
resp = session.post(url,data=data)     # 登录动作
print(resp.text)
print(resp.cookies)
 
# 获取登录后の页面响应文本
resp2 = session.get("登录后才能进行访问のURL")
print(resp2.text)
 
# 进一步进行数据解析
'''
 
'''
 
# 关闭会话
session.close()

浏览器手工导出cookie

import requests
 
url = ("https://www.biquxsw.net/modules/article/bookcase.php")
headers = {
    "Cookie":"Hm_lvt_dbd0a5819ad389f6d69d1b451da153bc=1694225693,1694228755; Hm_lvt_a71b1bc761fe3f26085e79b5fd6a7f71=1694225693,1694228755; PHPSESSID=re6tuaaihncde317qodsg6pi3l; jieqiUserInfo=jieqiUserId%3D216432%2CjieqiUserUname%3D%CE%E5%C1%F9%C6%DF%B0%CB%C1%E5%C1%E5%C1%E5%2CjieqiUserName%3D%CE%E5%C1%F9%C6%DF%B0%CB%C1%E5%C1%E5%C1%E5%2CjieqiUserGroup%3D3%2CjieqiUserGroupName%3D%C6%D5%CD%A8%BB%E1%D4%B1%2CjieqiUserVip%3D0%2CjieqiUserHonorId%3D%2CjieqiUserHonor%3D%D0%C2%CA%D6%C9%CF%C2%B7%2CjieqiUserPassword%3D2b4ae288a819f2bcf8e290332c838148%2CjieqiUserUname_un%3D%26%23x4E94%3B%26%23x516D%3B%26%23x4E03%3B%26%23x516B%3B%26%23x94C3%3B%26%23x94C3%3B%26%23x94C3%3B%2CjieqiUserName_un%3D%26%23x4E94%3B%26%23x516D%3B%26%23x4E03%3B%26%23x516B%3B%26%23x94C3%3B%26%23x94C3%3B%26%23x94C3%3B%2CjieqiUserHonor_un%3D%26%23x65B0%3B%26%23x624B%3B%26%23x4E0A%3B%26%23x8DEF%3B%2CjieqiUserGroupName_un%3D%26%23x666E%3B%26%23x901A%3B%26%23x4F1A%3B%26%23x5458%3B%2CjieqiUserLogin%3D1694241457; jieqiVisitInfo=jieqiUserLogin%3D1694241457%2CjieqiUserId%3D216432; __gads=ID=885f1acbb2116637-22a6f229c6e300a9:T=1694225758:RT=1694242791:S=ALNI_MaK6hzq4_sstQMcbYQ7c1et3k8c4w; __gpi=UID=00000c3e253de0a7:T=1694225758:RT=1694242791:S=ALNI_MaAIfTbZ1Yz0214KLTHbcUSTm50Jg; jieqiVisitId=article_articleviews%3D153169%7C53547; Hm_lpvt_dbd0a5819ad389f6d69d1b451da153bc=1694243414; Hm_lpvt_a71b1bc761fe3f26085e79b5fd6a7f71=1694243414"
}
 
resp = requests.get(url, headers=headers)
print(resp.text)

import requests
 
url = "https://my.jjwxc.net/backend/favorite.php?jsid=69257790-0.010712389183930915"
headers = {
        "Cookie":"timeOffset_o=601; bbsnicknameAndsign=1%257E%2529%2524; testcookie=yes; Hm_lvt_bc3b748c21fe5cf393d26c12b2c38d99=1694227312,1694228113,1694232761; smidV2=20230909104152f3c81264b66739c9be9d64f258e08e55000e48661b6a77150; token=NjkyNTc3OTB8ZDlkMzhiMmI3ZmU5Yjg2YmFjMDQ3NDM2ODFlMmUyZmF8fHx8MjU5MjAwMHwxfHx85pmL5rGf55So5oi3fDB8bW9iaWxlfDF8MHx8; bbstoken=NjkyNTc3OTBfMF9iMjI3ZmM4NzQ1OWNhYzc4ZGNkMzJkN2IxM2Y3ZTMxOV8xX19fMQ%3D%3D; JJSESS=%7B%22returnUrl%22%3A%22https%3A//www.jjwxc.net/%22%2C%22sidkey%22%3A%22Dgvq0LiY5ZUcFtPe7p4jExn8TyfBQaAGumoC%22%2C%22clicktype%22%3A%22%22%2C%22bookFavoriteClass%22%3A%22favorite_2%22%7D; Hm_lpvt_bc3b748c21fe5cf393d26c12b2c38d99=1694242461; JJEVER=%7B%22shumeideviceId%22%3A%22WHJMrwNw1k/Hoy9TGPAiMxWmEO/NpqnujFwj6Cbr7WE2lZmSzO65fq9/tsQrSLttw8hI600oYFnQzmULVp4gbZJg4bu4wrWRzdCW1tldyDzmQI99+chXEigVwT8IShlBl27A54gDgTBk3vaAoz2wRe0lBLaZv6y0KU10Rt18csPbSczD/UEAZLqMfY7HcsIljbh4vSnbcMzY2bCBM9cOgFZ1dit9WO+Drze1DK/NrJ9kt3D4brZcBiAUDic6AW2yIixSMW2OQhYo%3D1487582755342%22%2C%22nicknameAndsign%22%3A%22undefined%7E%29%2524%22%2C%22foreverreader%22%3A%2269257790%22%2C%22desid%22%3A%222W/eIjSr7Pdv08Y55vgprayKQda8Lf5l%22%2C%22sms_total%22%3A%222%22%2C%22lastCheckLoginTimePc%22%3A1694241211%2C%22fenzhan%22%3A%22yq%22%2C%22fenpin%22%3A%22bgg.html%22%7D"
}
 
resp = requests.get(url, headers=headers)
resp.encoding = "gb18030"
print(resp.text)

使用代理IP

import requests
 
url = "https://www.baidu.com"
proxies = {
    "http":"106.38.248.189:80"
}
 
resp = requests.get(url=url, proxies=proxies)
resp.encoding = "utf-8"
 
print(resp.text)

备注：本项目使用以下免费代理IP资源https://www.zdaye.com/free/

          国外免费代理IP资源参考https://cn.proxy-tools.com/proxy/us

2 数据解析

re模块

import re
 
# findall：匹配字符串中所有的符合正则的内容，置于列表中。
lst = re.findall(r"\d+","我的电话号hi：10086,我女朋友的电话是：10010")
print(lst)
 
# finditer：匹配字符串中所有的内容，置于是迭代器中，从中提取内容使用.group()
it = re.finditer(r"\d+","我的电话号hi：10086,我女朋友的电话是：10010")
print(it)
for i in it:
   print(i.group())
 
#search返回的结果是match对象，从中提取内容使用.group()         #只要有一个结果，就只返回一个结果。
s = re.search(r"\d+","我的电话号：10086,我女朋友的电话是：10010")
print(s.group())
 
# match是从头开始匹配
s = re.match(r"\d+","10086,我女朋友的电话是：10010")
print(s.group())
 
#预加载正则表达式
obj = re.compile(r"\d+")
ret = obj.finditer("我的电话号：10086,我女朋友的电话是：10010")
for it in ret:
    print(it.group())
 
# 分组匹配：(?P<分组名称>正则表达式)可单独从正则匹配的内容中进一步提取内容
s = """
<div class='老一'><span id='1'>小白狼</span></div>
<div class='老二'><span id='2'>绯夜</span></div>
<div class='老三'><span id='3'>dustfree</span></div>
<div class='老四'><span id='4'>棒棒</span></div>
<div class='老五'><span id='5'>凤凰展翅</span></div>
"""
obj = re.compile(r"<div class='.*?'><span id='(?P<id>\d+)'>(?P<name>.*?)</span></div>", re.S)      # re.S可以使.匹配换行符
result = obj.finditer(s)
for resu in result:
    pinjie = resu.group("id") + ":" + resu.group("name")
    print(pinjie)

re模块实战_豆瓣电影top250

import requests
import re
import csv
 
for num in range(0, 226, 25):
    # 发送请求
    url = f"https://movie.douban.com/top250?start={num}&filter="
    headers = {
      "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/116.0"
    }
    resp = requests.get(url,headers=headers)
    page_content = resp.text
    #print(resp.text)
 
    #解析数据
    obj = re.compile(r'<li>.*?<div class="item">.*?<span class="title">(?P<name>.*?)'
                 r'</span>.*?导演:(?P<director>.*?)&nbsp.*?<br>(?P<year>.*?)&nbsp;.*?class="rating_num" property="v:average">'
                 r'(?P<score>.*?)</span>.*?<span>(?P<评价数>.*?)人评价</span>',re.S)
    result = obj.finditer(page_content)
 
    #测试能否提取数据成功
    for resu in result:
        print(resu.group("name"))
        print(resu.group("director").strip())
        print(resu.group("year").strip())
        print(resu.group("score"))
        print(resu.group("评价数"))
 
    # 写入数据      一直无法写入或写入乱码，暂未解决。
    with open('data.csv', mode='w', encoding='utf-8', newline='') as csvfile:
        csvwriter = csv.writer(csvfile)
        # 写入表头
        csvwriter.writerow(['name', 'director', 'year', 'score', '评价数'])
        for resu in result:
            dic = resu.groupdict()
            dic['year'] = dic['year'].strip()
            dic['director'] = dic['director'].strip()
            csvwriter.writerow(dic.values())
    print("CSV文件写入完成")

re模块实战_电影天堂の必看片の下载链接

import requests
import re
 
#发送请求
pre_url = "https://www.dy2018.com/"
resp = requests.get(pre_url)
resp.encoding = "gb2312"
html_page1 = resp.text
 
#解析数据
obj1 = re.compile(r"2023必看热片.*?<ul>(?P<duanluo>.*?)</ul>", re.S)
obj2 = re.compile(r"<a href='(?P<href>.*?)'",re.S)
obj3 = re.compile(r'◎片　　名(?P<movie>.*?)<br />'
                  r'.*?<td style="WORD-WRAP: break-word" bgcolor="#fdfddf"><a href="(?P<link>.*?)">magnet', re.S)
result1 = obj1.finditer(html_page1)
url_list = []
for resu in result1:
    html_page2 = resu.group("duanluo")
    #print(html_page2)
    #进一步解析，提取链接的后半部分。
    result2 = obj2.finditer(html_page2)
    for resu2 in result2:
        url = pre_url + resu2.group("href").strip("/")
        #print(url)
        url_list.append(url)   #将组合而成的链接地址保存至列表
        #print(url_list)
#进一步提取子页面的内容
for u in url_list:
    resp2 = requests.get(u)
    resp2.encoding = "gb2312"
    html_page3 = resp2.text
    #print(html_page3)
    #break    #测试用
    result3 = obj3.search(html_page3)
    print(result3.group("movie"))
    print(result3.group("link"))

bs4模块实战_水果价格

import requests
from bs4 import BeautifulSoup
 
for num in range(0, 3, 1):
    # 发送请求
    url = f"http://www.tyhx.com.cn/Web/Price?PageNo={num}"
    headers = {
      "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/116.0"
    }
    resp = requests.get(url,headers=headers)
 
    #解析数据
    page = BeautifulSoup(resp.text, "html.parser")   #创建bs4对象并指定html解析器
    #table = page.find("table", class_="list1")      #为了避讳Python的关键字class，bs4使用class_，也可以使用以下的字典代替
    table = page.find("table", attrs={"class":"list1"})    #获取指定の表格
    #print(table)
    trs = table.find_all("tr")[1:]                  #获取表格の每一行，赋值给trs
    for tr in trs:
        tds = tr.find_all("td")                      #获取每一行の字段们td，赋值给tds
        name = tds[0].text                           #获取被标签标记的内容，赋值给变量name/address/high/low/avg等等。
        address = tds[1].text
        high = tds[2].text
        low = tds[3].text
        avg = tds[4].text
        print(name,address,high,low,avg)

bs4模块实战_美女图片

#程序逻辑：
#1.获取主页源码，提取其中の子页面的链接地址 href
#2.通过href获取子页面源码，提取其中の图片下载链接地址 img-src
#3.下载美女图片
import requests
from bs4 import BeautifulSoup
import time
 
for num in range(1, 73, 1):      #爬取至第5页会报错，暂未解决。
    #发送请求
    url = f"http://www.umeituku.com/bizhitupian/meinvbizhi/{num}.htm"
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/116.0"
    }
    resp = requests.get(url,headers=headers)
    resp.encoding = "utf-8"
    #print(resp.text)
 
    #解析数据
    main_page = BeautifulSoup(resp.text, "html.parser")     #创建bs4对象并指定html解析器
    alist = main_page.find("div", class_="TypeList").find_all("a")
    #print(alist)
    for a in alist:
        href = a.get("href")       #.get("x")获取标签中x属性的属性值，并赋值给变量。
        #print(href)
        #进一步发送请求
        child_page_resp = requests.get(href)
        child_page_resp.encoding = "utf-8"
        child_page_text = child_page_resp.text
        #print(child_page_text)
        #进一步解析数据
        child_page = BeautifulSoup(child_page_text, "html.parser")
        div = child_page.find("div", class_="ImageBody")
        img = div.find("img")
        src = img.get("src")
        #下载美女图片
        img_resp = requests.get(src)
        img_name = src.split("/")[-1]
        with open("img/"+img_name, mode="wb") as f:
            f.write(img_resp.content)
        print("SUCCESS!", img_name)
        time.sleep(2)
print("All SUCCESS!")

xpath模块

from lxml import etree
 
xml = """
<book>
    <id>1</id>
    <name>恰饭群英谱</name>
    <price>无穷</price>
    <nick>帕梅</nick>
    <author>
        <nick id="10086">小白狼</nick>
        <nick id="10010">棒棒</nick>
        <nick class="10000">dustfree</nick>
        <nick class="12319">绯夜</nick>
        <div>
            <nick>野马1</nick>
        </div>
        <span>
            <nick>野马2</nick>
            <div>
                <nick>野马3</nick>  
            </div>
        </span>
    </author>
 
    <partner>
        <nick id="ppc">玛莎</nick>
        <nick id="ppbc">迈巴赫</nick>
    </partner>
</book>
"""
tree = etree.XML(xml)
# result = tree.xpath("/book")                 # /表示层级关系，第一个/是根节点。
# result = tree.xpath("/book/name")
# result = tree.xpath("/book/name/text()")      # text()用于获取文本
# result = tree.xpath("/book/author//nick/text()")   # // 后代
# result = tree.xpath("/book/author/*/nick/text()")   # 文件名通配符*，代表任意节点。
result = tree.xpath("/book//nick/text()")
 
print(result)
from lxml import etree
 
tree = etree.parse("b.html")
#result = tree.xpath("/html")
#result = tree.xpath("/html/body/ul/li[1]/a/text()")       # xpath从1开始数，[]里的数字表示索引
#result = tree.xpath("/html/body/ol/li/a[@href='London']/text()")   # [@xx='xx']表示属性の筛选
#print(result)
 
ol_li_list = tree.xpath("/html/body/ol/li")
for li in ol_li_list:
    result = li.xpath("./a/text()")
    print(result)
    result2 = li.xpath("./a/@href")   # @属性 表示获取属性值3
    print(result2)
 
print(tree.xpath("/html/body/ul/li/a/@href"))
 
#小技巧：可通过浏览器的检查功能，复制现成のxpath进行魔改。
print(tree.xpath('/html/body/div[1]/text()'))

xpath模块实战_猪八戒网

备注：无输出，原因未知。

import requests
from lxml import etree
 
url = "https://beijing.zbj.com/search/service/?kw=saas"
resp = requests.get(url)
#print(resp.text)
 
html = etree.HTML(resp.text)
divs = html.xpath("/html/body/div[2]/div/div/div[3]/div/div[4]/div/div[2]/div[1]/div")
for div in divs:      #遍历每个服务商信息
    price = div.xpath("./div/div[3]/div[1]/span/text()")           
    title = div.xpath("./div/div[3]/div[2]/a/text()")             
    com_name = div.xpath("./div/a/div[2]/div[1]/div/text()")       
    print(price,title,com_name)

3 线程、进程、协程

多线程

import threading
 
# 定义一个简单的函数，用于打印数字
def print_num():
    for i in range(10):
        print(i)
 
# 创建五个线程并传递同一个函数作为目标
thread1 = threading.Thread(target=print_num)
thread2 = threading.Thread(target=print_num)
thread3 = threading.Thread(target=print_num)
thread4 = threading.Thread(target=print_num)
thread5 = threading.Thread(target=print_num)
 
# 启动线程
thread1.start()
thread2.start()
thread3.start()
thread4.start()
thread5.start()
 
# 等待线程结束
thread1.join()
thread2.join()
thread3.join()
thread4.join()
thread5.join()
 
print("All threads are done!")

线程池

# 程序逻辑： 封装一个可实现单页面爬取功能の函数——将调用函数の任务提交给线程池。
import requests
from concurrent.futures import ThreadPoolExecutor
 
def download_one_page(url, current):
    Form_data = {
        "limit": "20",
        "current": str(current)
    }
    resp = requests.post(url, data=Form_data)
    json_data = resp.json()
 
    vegetable_list = []
 
    if 'list' in json_data:
        for item in json_data['list']:
            prodName = item['prodName']
            lowPrice = item['lowPrice']
            highPrice = item['highPrice']
            avgPrice = item['avgPrice']
            place = item['place']
            pubDate = item['pubDate'].split()[0]
 
            vegetable_list.append((prodName, lowPrice, highPrice, avgPrice, place, pubDate))
    print(f"First vegetable name of {current} :",vegetable_list[0][0])
    return vegetable_list
 
if __name__ == '__main__':
    url = "http://www.xinfadi.com.cn/getPriceData.html"
    with ThreadPoolExecutor(50) as t:                        # 创建线程池
        for current in range(1, 101):
            t.submit(download_one_page(url,current))         # 提交任务给线程池
    print("OVER！")

进程

Python中的进程调用の语法，与线程调用の语法类似。

多任务异步协程

实战之唯美图片下载

import asyncio
import aiohttp        # requests模块只支持同步操作。aiohttp模块支持异步操作。
 
urls = [
    "https://i1.huishahe.com/uploads/allimg/202205/9999/281e5e87b0.jpg",
    "https://i1.huishahe.com/uploads/allimg/202205/9999/0883978edc.jpg",
    "https://i1.huishahe.com/uploads/tu/201906/9999/6297d91768.jpg",
    "https://i1.huishahe.com/uploads/tu/201911/9999/85c8311a57.jpg",
    "https://i1.huishahe.com/uploads/allimg/202205/9999/cce11863bd.jpg"
]
 
async def aiodownload(url):
    name = url.rsplit("/",1)[1]
    async with aiohttp.ClientSession() as session:    # 创建aiohttp对象，并赋值给session。       # aiohttp.ClientSession()等价于requests.Session()
        async with session.get(url) as resp:          # 发送aiohttp请求，得到响应，并赋值给resp。
            # 可使用aiofiles模块实现文件读写异步。
            with open(name, mode="wb") as f:          # 打开文件。
                f.write(await resp.content.read())    # 写入文件。写入操作属于异步，需要await挂起。  # content.read()等价于content
    print(name, "下载完成！")
 
async def main():             # 定义一个main()函数，专门用于处理异步协程逻辑。
    tasks = []                                                 # 创建一个空列表，用于保存异步协程对象。
    for url in urls:
        tasks.append(asyncio.create_task(aiodownload(url)))    # 调用download()函数，生成异步协程对象。
    # tasks = [asyncio.create_task(aiodownload(url)) for url in urls]            # 本行代码等价于以上3行代码。
    await asyncio.wait(tasks)                                  # 将任务列表添加至异步协程序列。
 
if __name__ == '__main__':
    asyncio.run(main())       # 异步协程运行main()函数。

实战之小说下载

'''
# 需求分析:爬取整部小说。
原始url = "https://dushu.baidu.com/pc/reader?gid=4306063500&cid=1569782244"
url0 = 'https://dushu.baidu.com/api/pc/getCatalog?data={"book_id":"4306063500"}'
url1 = 'https://dushu.baidu.com/api/pc/getChapterContent?data={"book_id":"4306063500","cid":"4306063500|1569782244","need_bookinfo":1}'
# 方案设计：
1.通过访问URL1,可以获取某个章节の文本。分析URL1得知，其所需参数为book_id和cid。
2.可以确定的是book_id为固定值，而在访问URL0后得到的json响应包中，正好包含所需核心参数cid。
3.因此，爬取本部小说的逻辑为：首先同步访问URL0，获取所有章节的cid、name；然后异步访问URL1，快速获取小说文本。
'''
 
# 代码实现
import os
import requests
import asyncio
import aiohttp
import aiofiles
 
async  def getChapterContent(book_id,cid,title):
    directory = r"C:\Users\cinaanic\Desktop\pyproject\爬虫code\novel download"
    file_name = os.path.join(directory, title + ".txt")
    url1 = f'https://dushu.baidu.com/api/pc/getChapterContent?data={{"book_id":"{book_id}","cid":"{book_id}|{cid}","need_bookinfo":1}}'
    async with aiohttp.ClientSession() as session:       # 创建aiohttp对象，并赋值给session。
        async with session.get(url1) as resp:            # 发送aiohttp请求，得到响应，并赋值给resp。
            json_data = await resp.json()
            async with aiofiles.open(file_name, mode="w", encoding="utf-8") as f:
                text = json_data['data']['novel']['content']
                await f.write(text)
                print(title,"下载完成！")
async def getCatalog(url0):
    resp = requests.get(url0)
    dict = resp.json()
    tasks = []       # 创建一个空列表，用于保存异步协程对象。
    for item in dict['data']['novel']['items']:
        title = item['title']
        cid = item['cid']
        # 调用getChapterContent()函数，生成异步协程对象并追加存入列表tasks。
        tasks.append(asyncio.create_task(getChapterContent(book_id,cid,title)))    
    # 将任务列表添加至异步协程序列。注意缩进，否则达不到异步协程の效果：异步协程≤3s,非异步协程≥20s。
    await asyncio.wait(tasks)
 
if __name__ == '__main__':
    book_id = "4306063500"
    url0 = f'https://dushu.baidu.com/api/pc/getCatalog?data={{"book_id":"{book_id}"}}'
    asyncio.run(getCatalog(url0))

4 selenium模拟人工操作浏览器

模拟定位、点击、输入文本、回车、切换窗口

# 下载浏览器及其对应驱动程序：https://commondatastorage.googleapis.com/chromium-browser-snapshots/index.html?prefix=Win_x64/1177694/
# 请把驱动程序解压后置于Python解释器同一目录中。
 
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import time
 
url = "https://www.lagou.com/"
brower = webdriver.Chrome()      # 创建Chrome浏览器对象
 
brower.get(url)                  # 调用Chrome访问url
el = brower.find_element(By.XPATH, "/html/body/div[10]/div[1]/div[2]/div[2]/div[1]/div/ul/li[9]/a")    # 定位指定の网页元素
el.click()       # 操作：点击事件
el2 = brower.find_element(By.XPATH, "/html/body/div[7]/div[1]/div[1]/div[1]/form/input[1]")            # 定位指定の网页元素
el2.send_keys("python", Keys.ENTER)  # 操作：搜索框中输入内容并回车
 
brower.minimize_window()   # 最小化Chrome窗口
brower.maximize_window()   # 最大化Chrome窗口
time.sleep(3)              # 让Chrome休息一会儿，等待网络加载
print(brower.page_source)  # 获取动态加载后的页面HTML源码——即浏览器开发者工具中Elements中的所有内容，而非右键直接查看页面源码。
list = brower.find_elements(By.XPATH, "/html/body/div/div[2]/div/div[2]/div[3]/div/div[1]/div")    # 定位指定の网页元素
for l in list:
    job_name = l.find_element(By.XPATH, "./div[1]/div[1]/div[1]/a").text       # 定位指定の网页元素并提取文本
    job_price = l.find_element(By.XPATH, "./div[1]/div[1]/div[2]/span").text   # 定位指定の网页元素并提取文本
    job_company = l.find_element(By.XPATH, "./div[1]/div[2]/div[1]/a").text    # 定位指定の网页元素并提取文本
    print(job_name,job_price,job_company)
 
# 找到第一条，点击。                             # xpath表达式明明正确，却一直报错，真TMD奇葩！
el3 = brower.find_element(By.TAG_NAME, "/html/body/div[1]/div[2]/div/div[2]/div[3]/div/div[1]/div[1]/div[1]/div[1]/span/div/div[1]/a")  # 定位指定の网页元素
el3.click()      # 操作：点击事件。这时将打开一个新标签页
 
brower.switch_to.window(brower.window_handles[-1])    # 切换到新标签页
el4 = brower.find_element(By.XPATH, "/html/body/div[1]/div[2]/div[2]/div[1]/dl[1]/dd[2]/div")   # 定位指定の网页元素
job_detail = el4.text     # 操作：提取文本
print(job_detail)
brower.close()            # 关掉新标签页
 
brower.switch_to.window(brower.window_handles[0])     # 切换到主窗口
 
time.sleep(30)    # 让Chrome保持不退出状态30s，否则chrom会立刻关闭

模拟下拉菜单；启用静默模式、webdriver反爬

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.select import Select
from selenium.webdriver.chrome.options import Options
import time
 
# 创建配置对象，设定相关配置参数
opt = webdriver.ChromeOptions()    # 创建配置对象
opt.add_argument('--headless')     # 启用静默模式
opt.add_argument('--disable-gpu')  # 禁用GPU加速，适用于部分环境
# 反爬手段：禁用webdriver属性，隐藏受自动化软件控制の特征(chrome的版本大于等于88时，在console中执行window.navigator.webdriver=false)。
opt.add_argument('--disable-blink-features=AutomationControlled')
 
# 创建Chrome浏览器对象，并使配置生效
brower = webdriver.Chrome(options=opt)
 
# 调用Chrome访问url
url = "http://www.gkong.com/co/delta/index_solution.asp"
brower.get(url)
# 定位至搜索框
el = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[1]/table[2]/tbody/tr[2]/td/input")
el.send_keys("电源")              # 操作：搜索框中输入内容
 
# 定位至下拉框
el2 = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[1]/table[2]/tbody/tr[3]/td/select")
sel = Select(el2)                # 包装成Select下拉菜单对象
sel.select_by_value("2")         # 按照value值进行切换
# 定位至查找按钮
el3 = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[1]/table[2]/tbody/tr[4]/td/input")
el3.click()                      # 操作：点击事件
time.sleep(2)
# 定位至table
table = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[2]/table[1]")
print(table.text)
print("========================================================")
 
 
# 以下代码片段想使用for i in range(len(sel.options)):进行遍历，却在18行sel.select_by_value一直报错，使用sel.select_by_index也是如此。
# 定位至下拉框
el2 = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[1]/table[2]/tbody/tr[3]/td/select")
sel = Select(el2)                # 包装成Select下拉菜单对象
sel.select_by_value("4")         # 按照value值进行切换
# 定位至查找按钮
el3 = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[1]/table[2]/tbody/tr[4]/td/input")
el3.click()                      # 操作：点击事件
time.sleep(2)
# 定位至table
table = brower.find_element(By.XPATH, "/html/body/table[4]/tbody/tr/td[2]/table[1]")
print(table.text)
print("========================================================")

验证码自动化识别（调用超级鹰接口）

4位数字字母

# 笔趣阁自动化登录
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
import time
from chaojiying import Chaojiying_Client
 
 
# 创建配置对象，设定相关配置参数
opt = webdriver.ChromeOptions()    # 创建配置对象
# 反爬手段：禁用webdriver属性，隐藏受自动化软件控制の特征(chrome的版本大于等于88时，在console中执行window.navigator.webdriver=false)。
opt.add_argument('--disable-blink-features=AutomationControlled')
# 创建Chrome浏览器对象，并使配置生效
brower = webdriver.Chrome(options=opt)
# 调用Chrome访问url
url = "https://www.biquxsw.net/login.php"
brower.get(url)
time.sleep(3)
 
 
# 填入账户密码
el1 = brower.find_element(By.XPATH,"//html/body/div[2]/div/form/table/tbody/tr[1]/td/table/tbody/tr[1]/td[2]/input")   # 定位至账户框
el2 = brower.find_element(By.XPATH,"/html/body/div[2]/div/form/table/tbody/tr[1]/td/table/tbody/tr[2]/td[2]/input")   # 定位至密码框
el1.send_keys("******")      # 操作：输入笔趣阁账户:五六七八铃铃铃
el2.send_keys("******")      # 操作：输入笔趣阁密码:******
 
 
# 识别验证码
el3 = brower.find_element(By.XPATH,"/html/body/div[2]/div/form/table/tbody/tr[1]/td/table/tbody/tr[3]/td[2]/img")   # 定位至验证码图片处
img = el3.screenshot_as_png     # 获取验证码图片の字节
# 登录、调用超级鹰查询接口
chaojiying = Chaojiying_Client('你的超级鹰账户', '你的超级鹰密码', '你的超级鹰软件ID')
dict = chaojiying.PostPic(img, 1902)
verify_code = dict['pic_str']   # 获取验证码值
# 输入验证码
el4 = brower.find_element(By.XPATH,"/html/body/div[2]/div/form/table/tbody/tr[1]/td/table/tbody/tr[3]/td[2]/input")
el4.send_keys(verify_code)
time.sleep(3)
 
 
# 点击登录
el5 = brower.find_element(By.XPATH,"/html/body/div[2]/div/form/table/tbody/tr[1]/td/table/tbody/tr[5]/td[2]/input")   # 定位至登录按钮
el5.click()                      # 操作：点击登录
time.sleep(300)

4位数字字母_超级鹰干超级鹰

# 用超级鹰干超级鹰
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
import time
from chaojiying import Chaojiying_Client
 
 
# 创建配置对象，设定相关配置参数
opt = webdriver.ChromeOptions()    # 创建配置对象
# 反爬手段：禁用webdriver属性，隐藏受自动化软件控制の特征(chrome的版本大于等于88时，在console中执行window.navigator.webdriver=false)。
opt.add_argument('--disable-blink-features=AutomationControlled')
# 创建Chrome浏览器对象，并使配置生效
brower = webdriver.Chrome(options=opt)
# 调用Chrome访问url
url = "https://www.chaojiying.com/user/login/"
brower.get(url)
time.sleep(3)
 
 
# 填入账户密码
el1 = brower.find_element(By.XPATH,"/html/body/div[3]/div/div[3]/div[1]/form/p[1]/input")   # 定位至账户框
el2 = brower.find_element(By.XPATH,"/html/body/div[3]/div/div[3]/div[1]/form/p[2]/input")   # 定位至密码框
el1.send_keys("你的超级鹰账户")      # 操作：输入账户
el2.send_keys("你的超级鹰密码")      # 操作：输入密码
 
 
# 识别验证码
el3 = brower.find_element(By.XPATH,"/html/body/div[3]/div/div[3]/div[1]/form/div/img")   # 定位至验证码图片处
img = el3.screenshot_as_png     # 获取验证码图片の字节
# 登录、调用超级鹰查询接口
chaojiying = Chaojiying_Client('你的超级鹰账户', '你的超级鹰密码', '你的超级鹰软件ID')
dict = chaojiying.PostPic(img, 1902)
verify_code = dict['pic_str']   # 获取验证码值
# 输入验证码
el4 = brower.find_element(By.XPATH,"/html/body/div[3]/div/div[3]/div[1]/form/p[3]/input")
el4.send_keys(verify_code)
time.sleep(3)
 
# 点击登录
el5 = brower.find_element(By.XPATH,"/html/body/div[3]/div/div[3]/div[1]/form/p[4]/input")   # 定位至登录按钮
el5.click()                      # 操作：点击登录
time.sleep(300)

算术运算

# 暴露面管理平台自动化登录
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
import time
from chaojiying import Chaojiying_Client
 
 
# 创建配置对象，设定相关配置参数
opt = webdriver.ChromeOptions()    # 创建配置对象
# 反爬手段：禁用webdriver属性，隐藏受自动化软件控制の特征(chrome的版本大于等于88时，在console中执行window.navigator.webdriver=false)。
opt.add_argument('--disable-blink-features=AutomationControlled')
# 创建Chrome浏览器对象，并使配置生效
brower = webdriver.Chrome(options=opt)
# 调用Chrome访问url
url = "暴露面管理平台地址"
brower.get(url)
time.sleep(5)
 
 
# 填入账户密码
el1 = brower.find_element(By.XPATH,"/html/body/div/div/div[1]/div[2]/div/div/form/div[1]/div/div/input")   # 定位至账户框
el2 = brower.find_element(By.XPATH,"//html/body/div/div/div[1]/div[2]/div/div/form/div[2]/div/div/input")   # 定位至密码框
el1.send_keys("********")       # 操作：输入账户
el2.send_keys("********")       # 操作：输入密码
 
 
# 识别验证码
el3 = brower.find_element(By.XPATH,"/html/body/div/div/div[1]/div[2]/div/div/form/div[3]/div/div/div[2]/img")   # 定位至验证码图片处
img = el3.screenshot_as_png     # 获取验证码图片の字节
# 登录、调用超级鹰查询接口
chaojiying = Chaojiying_Client('你的超级鹰账户', '你的超级鹰密码', '你的超级鹰soft_id')
dict = chaojiying.PostPic(img, 6001)    # 6001:参考超级鹰定义的识别类型
verify_code = dict['pic_str']   # 获取验证码值
# 输入验证码
el4 = brower.find_element(By.XPATH,"/html/body/div/div/div[1]/div[2]/div/div/form/div[3]/div/div/div[1]/div/input")
el4.send_keys(verify_code)
time.sleep(3)
 
 
# 点击登录
el5 = brower.find_element(By.XPATH,"/html/body/div/div/div[1]/div[2]/div/div/form/div[4]/div/button")   # 定位至登录按钮
el5.click()                      # 操作：点击登录
time.sleep(300)

识图点击（错误率高）

# 晋江文学城自动化登录
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.chrome.options import Options
import time
from chaojiying import Chaojiying_Client
 
 
# 创建配置对象，设定相关配置参数
opt = webdriver.ChromeOptions()    # 创建配置对象
# 反爬手段：禁用webdriver属性，隐藏受自动化软件控制の特征(chrome的版本大于等于88时，在console中执行window.navigator.webdriver=false)。
opt.add_argument('--disable-blink-features=AutomationControlled')
# 创建Chrome浏览器对象，并使配置生效
brower = webdriver.Chrome(options=opt)
# 调用Chrome访问url
url = "https://www.jjwxc.net/"
brower.get(url)
time.sleep(3)
 
 
# 点击登入
el0 = brower.find_element(By.XPATH,"/html/body/div[3]/div[3]/div/div[4]/a[1]")
el0.click()
# 填入账户密码
el1 = brower.find_element(By.XPATH,"/html/body/div[9]/div[3]/div[3]/div[2]/div[2]/form/div[1]/div[1]/p[1]/input")   # 定位至账户框
el2 = brower.find_element(By.XPATH,"/html/body/div[9]/div[3]/div[3]/div[2]/div[2]/form/div[1]/div[1]/p[2]/input")   # 定位至密码框
el1.send_keys("********")       # 操作：输入账户
el2.send_keys("********")       # 操作：输入密码
time.sleep(3)
 
# 识别验证码
el3 = brower.find_element(By.XPATH,"/html/body/div[9]/div[3]/div[3]/div[2]/div[2]/form/div[2]/div[1]/div/div/div[1]/div[3]/div/img")   # 定位至验证码图片处
img = el3.screenshot_as_png     # 获取验证码图片の字节
# 登录、调用超级鹰查询接口
chaojiying = Chaojiying_Client('你的超级鹰账户', '你的超级鹰密码', '你的超级鹰soft_id')
dict = chaojiying.PostPic(img, 9004)    # 9004:参考超级鹰定义的识别类型
zuobiao = dict['pic_str']   # 获取验证码坐标：x1,y1|x2,y2|x3,y3
# 提取坐标偏移量，事件链带着偏移量执行点击、提交
zuobiao_list = zuobiao.split("|")   # 过滤坐标，只保留数字、逗号
for rs in zuobiao_list:     # x1,y1
    p_temp = rs.split(",")  # 继续过滤坐标，只保留数字
    x = int(p_temp[0])      # x1
    y = int(p_temp[1])      # y1
    ActionChains(brower).move_to_element_with_offset(el3,x,y).click().perform()    # 带着偏移量执行点击、提交
time.sleep(3)
 
# 点击登录
el6 = brower.find_element(By.XPATH,"/html/body/div[9]/div[3]/div[3]/div[2]/div[2]/form/div[2]/div[2]/input")    # 定位至协议勾选框
el6.click()              # 操作：点击勾选
el5 = brower.find_element(By.XPATH,"/html/body/div[9]/div[3]/div[3]/div[2]/div[2]/form/div[2]/div[4]/button")   # 定位至登录按钮
el5.click()              # 操作：点击登录
time.sleep(300)

滑块拖拽       {"Status":"Waiting Update"}

拖拽到底：

huakuai = brower.find_element(By.XPATH,"滑块のXpath")
ActionChains(brower).drag_and_drop_by_offset(huakuai,300,0).perform()

拖拽到指定图框：

 

5 Scrapy企业级爬虫框架     {"Status":"No Update Plan"}

* 应用实例_爬取video

下载梨视频video

# 爬取video程序の逻辑：
# 1.播放video，检查页面，找出videoの播放状态のURL。
# 2.刷新页面，找出videoの停止播放状态のURL，观察请求响应文本，找出与播放状态のURL类似的URL，对比二者之间的差异。
# 3.拼接出videoの播放状态のURL，涉及以下参数：contId、systemTime、cont-{contId}
# 4.下载video。
 
# videoの正常访问URL =                "https://www.pearvideo.com/video_1100878”
# videoの播放状态の可访问URL =          "https://video.pearvideo.com/mp4/short/20170628/cont-1100878-10579405-hd.mp4"
# videoの停止播放状态の可访问URL =       "https://www.pearvideo.com/videoStatus.jsp?contId=1100878&mrd=0.7072643950777905"
# 与videoの播放状态の可访问URL类似的URL = "https://video.pearvideo.com/mp4/short/20170628/1694248080439-10579405-hd.mp4"
 
import requests
 
# 发送请求
Normal_url = "https://www.pearvideo.com/video_1100878"
contId = Normal_url.split('_')[1]        # print(contId) 将输出videoの代号1100878
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:109.0) Gecko/20100101 Firefox/117.0",
    "Referer":Normal_url                 # 防盗链处理
}
video_stop_Url = f"https://www.pearvideo.com/videoStatus.jsp?contId={contId}&mrd=0.7072643950777905"
resp = requests.get(video_stop_Url, headers=headers)
 
# 拼接过程
dic = resp.json()
srcUrl = dic['videoInfo']['videos']['srcUrl']          # 获取与播放状态のURL类似的URL
systemTime = dic['systemTime']                         # 获取systemTimeの值，用于稍后进行替换
srcUrl = srcUrl.replace(systemTime, f"cont-{contId}")  # 将systemTimeの值替换成cont-{contId}
print(srcUrl)                                          # 获取最终のURL，即videoの播放状态のURL
 
# 下载视频
with open("1.mp4", mode="wb") as f:
    f.write(requests.get(srcUrl).content)
print("Download Success！")

下载麻豆video

"""
# 需求分析:爬取整部video。
# 站点分析：人工分析过程（略）。
# 方案设计：
1.访问原始url = "https://{麻豆域名}/mdx0270-%E6%B0%B4%E7%94%B5%E5%B8%88%E5%82%85%E7%9A%84%E6%AD%A2%E6%B0%B4%E7%A7%81%E6%B4%BB-%E6%B7%AB%E9%AD%85%E5%90%B8%E8%88%94%E5%8F%96%E7%B2%BE.html"
2.通过原始url，获取播放器dash_url = "https://dash.{麻豆域名}/share/64ec788eb377e4139defb9b2"
3.通过dash_url，获取到m3u8的构成要素——m3u8路径、token：
/videos/64ec788eb377e4139defb9b2/index.m3u8
token=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJhY2Nlc3MiOiJ2aWV3IiwiaWF0IjoxNjk0NjUxNDMzLCJleHAiOjE2OTQ2NTE1MzN9.amvuNXC5tQ-cGs9Zvt49aqK69FO3tTH5B0Agr1AXOZ8
4.将以上要素拼接成m3u8_url：
m3u8_url = "https://dash.{麻豆域名}/videos/64ec788eb377e4139defb9b2/index.m3u8?token=eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJhY2Nlc3MiOiJ2aWV3IiwiaWF0IjoxNjk0NjUwMDU2LCJleHAiOjE2OTQ2NTAxNTZ9.N-PAyW5Sm_DJoY6QXyuQ2K8y8kj-D_wAkAsVj5Wx34g"
5.访问m3u8_url，获取m3u8文件。
6.解析m3u8文件,过滤出纯净的.ts文件集合，访问，拼接成video文件。
# 备注：需挂上自己的美国代理IP方可成功，使用机场访问失败。
# 备注：将{麻豆域名}替换成你知道的麻豆URL
"""
 
# 代码实现
import os
import re
import requests
 
# 生成本地m3u8文件。
def generate_m3u8_file(url):
    # 访问url，提取出dash_url
    resp = requests.get(url, headers=headers)
    resp.encoding = "utf-8"
    pattern1 = r'<iframe height=720 width=1280 src=(https://\S+) frameborder=0'
    match1 = re.search(pattern1, resp.text)
    global dash_url
    dash_url = match1.group(1)
 
    # 访问dash_url，提取出m3u8路径、token，拼接成为m3u8_url
    resp2 = requests.get(dash_url, headers=headers)
    resp.encoding = "utf-8"
    pattern2 = r'var token = "(.*?)";'
    match2 = re.search(pattern2, resp2.text)
    token = match2.group(1)
    pattern3 = r"var m3u8 = '(.*?)';"
    match3 = re.search(pattern3, resp2.text)
    global m3u8_path
    m3u8_path = match3.group(1)
    new_dash_url = "/".join(dash_url.split("/")[:3])          # 提取出https://dash.{麻豆域名}
    m3u8_url = new_dash_url + m3u8_path + "?token=" +token    # 拼接m3u8_url
 
    # 访问m3u8_url，将结果写入文件
    resp3 = requests.get(m3u8_url)
    with open(m3u8_file_name, mode="wb") as f:
        f.write(resp3.content)
    print("成功生成m3u8文件！")
 
# 生成ts_url文件。
def generate_ts_url_file():
    # 切割并合并dash_url、m3u8_path
    cut = dash_url.split('/')
    cut_dash_url = f"https://{cut[2]}"
    cut_m3u8_path  = m3u8_path.split("/index.m3u8")[0]
    pre_hebing_url = cut_dash_url + cut_m3u8_path
    # print(pre_hebing_url)
 
    # 过滤m3u8文件，去除以'#'开头的行。拼接成ts_url。
    with open(m3u8_file_name, "r", encoding='utf-8') as f:
        lines = f.readlines()
        for line in lines:
            line = line.strip()            # 去除空格
            if line.startswith("#"):       # 去除以"#"开头的行
                continue
            global ts_url
            ts_url = pre_hebing_url + "/" + line + "\n"   # 生成ts_url
            # print(ts_url)
            with open(ts_url_name, "a") as f:
                f.write(ts_url)
        print("成功生成ts_url文件！")
 
# 下载ts_file，可考虑使用异步协程。
def download_ts_file():
    with open(ts_url_name, mode="r", encoding="utf-8") as f:
        n = 0
        for line in f:
            ts_file_name = os.path.join(directory, f"第{n}个.ts")
            line = line.strip()
            resp = requests.get(line)
 
            with open(ts_file_name, "wb") as file:
                file.write(resp.content)
            print(f"下载到第{n}个了！")
            n += 1
 
if __name__ == '__main__':
    url = input("请输入你想要下载的麻豆video url:")
    headers = {
        "User-Agent": "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Mobile Safari/537.36"
    }
    directory = r"C:\Users\cinaanic\Desktop\pyproject\爬虫code\videos"       # 替换成你的video下载目录
    m3u8_file_name = os.path.join(directory, "m3u8.m3u8")
    ts_url_name = os.path.join(directory, "ts_url.m3u8")
 
    # 调用函数
    generate_m3u8_file(url)
    generate_ts_url_file()
    download_ts_file()

下载美剧video      {"Status":"Waiting Update"}

# 其它美剧网站 = https://www.kanjuw.net/video/?247084-4-6.html
# 其它美剧网站 = https://www.kan-ju.com/video/?234205-4-6.html
'''
https://www.91mjtv.com/meiju/quanlideyouxidierji/1-7.html
https://vip.ffzy-play.com/20221211/33261_d4f7c459/index.m3u8
https://vip.ffzy-play.com/20221211/33261_d4f7c459/2000k/hls/mixed.m3u8
https://vip.ffzy-play.com/20221211/33261_d4f7c459/2000k/hls/af4decae096000059.ts
 
https://code.feifeicms.co/player.demo/dplayer.php?v=4.1&url=https%3A%2F%2Fvip.ffzy-play.com%2F20221211%2F33261_d4f7c459%2Findex.m3u8&t=1694609687&sign=3a8b47352a879d09e887bb7d42f4ff7e
v: 4.1
url: https://vip.ffzy-play.com/20221211/33261_d4f7c459/index.m3u8
t: 1694609687
sign: 3a8b47352a879d09e887bb7d42f4ff7e
'''
 
# 代码实现
import requests
url = "https://www.91mjtv.com/meiju/quanlideyouxidierji/1-7.html"
 
headers = {
           "User-Agent":"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Mobile Safari/537.36"
}
 
m3u8_url = "https://vip.ffzy-play.com/20221211/33261_d4f7c459/index.m3u8"
resp = requests.get(m3u8_url, headers=headers)
resp.encoding = "utf-8"
print(resp.text)        # 获取"2000k/hls/mixed.m3u8"
 
all_m3u8_url = "https://vip.ffzy-play.com/20221211/33261_d4f7c459/2000k/hls/mixed.m3u8"
 
# 下载.ts文件
 
 
# 合并.ts文件

备注：在线工具网址https://zh.savefrom.net/ 可下载YouTube视频。此工具也可以插件形式Install to Chrome，效果更佳！

          在线工具网址https://video-converter.com/cn/可提取出视频中的音频。

* 应用实例_Excel文件操作

使用openpyxl模块将数据写入Excel文件

import requests
import openpyxl
 
def download_one_page(url, current):
    Form_data = {
        "limit": "20",
        "current": str(current)  # 将current值转换为字符串
    }
    resp = requests.post(url, data=Form_data)
    json_data = resp.json()  # 解析JSON数据
 
    vegetable_list = []  # 创建一个空列表来存储提取的数据
 
    if 'list' in json_data:
        for item in json_data['list']:
            prodName = item['prodName']
            lowPrice = item['lowPrice']
            highPrice = item['highPrice']
            avgPrice = item['avgPrice']
            place = item['place']
            pubDate = item['pubDate'].split()[0]
 
            # 将提取的数据作为元组添加到vegetable_list中
            vegetable_list.append((prodName, lowPrice, highPrice, avgPrice, place, pubDate))
 
    print(f"Downloaded data for Page: {current}")
    return vegetable_list
 
def save_to_excel(data, filename):
    try:
        workbook = openpyxl.load_workbook(filename)
        sheet = workbook.active
    except FileNotFoundError:
        workbook = openpyxl.Workbook()
        sheet = workbook.active
        sheet['A1'] = '产品名称'
        sheet['B1'] = '最低价格'
        sheet['C1'] = '最高价格'
        sheet['D1'] = '平均价格'
        sheet['E1'] = '产地'
        sheet['F1'] = '发布日期'
 
    for idx, row_data in enumerate(data, start=sheet.max_row + 1):
        sheet[f'A{idx}'] = row_data[0]
        sheet[f'B{idx}'] = row_data[1]
        sheet[f'C{idx}'] = row_data[2]
        sheet[f'D{idx}'] = row_data[3]
        sheet[f'E{idx}'] = row_data[4]
        sheet[f'F{idx}'] = row_data[5]
 
    workbook.save(filename)
 
if __name__ == '__main__':
    url = "http://www.xinfadi.com.cn/getPriceData.html"
 
    for current in range(1, 11):  # current的值从1到200循环
        vegetable_data = download_one_page(url, current)
        filename = 'vegetable.xlsx'
        save_to_excel(vegetable_data, filename)
 
    print("成功写入Excel文件！")

 

------------------------------------------------------------------------------------------------------------------------------------

爬虫初识

#爬虫定义：一组模拟浏览器上网、抓取数据的代码。
#爬虫分类（根据使用场景）：
1.通用爬虫：抓取系统的重要组成部分，通常抓取一整张页面数据。搜索引擎。
2.聚焦爬虫：建立在通用爬虫的基础上，通常抓取页面中的局部内容。
3.增量爬虫：监测网站更新情况。抓取网站的更新内容。
#爬虫与反爬（略）
UA检测与UA伪装

#http/https协议
#常用请求头：
User-Agent：当前请求载体的身份标识。
Connection：请求完毕后，是断开连接还是保持连接。
#常用响应头：
Content-Type：服务器响应客户端的数据类型。

#加密方式
1.对称秘钥加密            缺点：客户端生成秘钥，易被拦截。
2.非对称秘钥加密        缺点：效率低、公钥易被篡改。
3.证书秘钥加密           CA数字证书、

web请求流程

#浏览器发起请求の步骤（requests模块的编码流程）
1.指定URL
2.发起请求
3.获取响应数据
4.持久化存储
 
#环境安装：
pip  install requests  或者  pycharm设置——python解释器——添加包
 
#编程练习：
1.搜狗首页：将搜狗首页的html页面下载至本地。                    知识点：requests基本功能
2.简易网页采集器：爬取搜狗搜索指定词条的结果页面。          知识点：UA伪装
3.破解百度翻译：根据百度翻译的Ajax局部刷新特性，透过非数据分析手段爬取局部数据。    知识点：发送post请求、处理json格式的响应数据   
4.爬取豆瓣电影排行榜：依然Ajax         知识点：同上
5.爬取肯德基餐厅位置：依然Ajax         知识点：同上
 
#聚焦爬虫编码流程：
1.指定url
2.发起请求
3.获取响应数据
4.数据解析
5.持久化存储

数据解析方法

#数据解析原理：解析的局部文本内容，均在标签之间或标签对应的属性中存储。
1.对指定标签进行定位
2.对标签之间或标签对应的属性中存储的值进行提取。

RE语法

RE，英文为Regular Expression，中文译作正则表达式。是用于文本过滤的工具。进行逐行扫描，满足条件的被整行显示。

RE语法由一些元字符、其它任意字符串作为基本单元，匹配次数、边界锚定符、分组匹配等作为操作单元组成。

基本单元

  • 元字符：例如.、 \d、\w、\s 等，用于匹配特定类型的字符，如数字、字母、空白字符等。
  • 字面值字符：例如字母、数字、空格等，可以直接匹配它们自身。
  • 字符类：用方括号 [ ] 包围的字符集合，用于匹配方括号内的任意一个字符。

操作单元

  • 匹配次数
*
+
?
{m}
  • 边界锚定符：例如 ^、$、\b、\B 等，用于匹配字符串的开头、结尾或单词边界位置。                                            #常用于表单验证锚定手机号等。
  • 分组匹配group：······代耕

常用RE

.*     贪婪匹配，即尽可能多地匹配

.*?   惰性匹配，即尽可能少地匹配

RE模块

import re

 

 

#re模块的语法
eg: m=re.search('[0-9]','abcd4ef')
re.search(pattern,string)         搜索整个string，直到发现符合pattern的结果。
re.sub(pattern,replacement,string)     搜索整个string，直到发现符合pattern的结果，再将结果使用replacement进行替换。
re.split()                       根据正则表达式分割字符串，将分割后的字符串置于一个list中。
re.findall()                     根据正则表达式搜索字符串，将符合条件的字符串置于一个list中。
print(变量.group(0))             查看匹配后の结果
 
#re模块运用示例
content = 'abcd_output_1994_abcd_1912_abcd'
zz= 'output_\d{4}'
m = re.search(zz,content)
print(m.group())       #将打印output_1994
 
content = 'abcd_output_1994_abcd_1912_abcd'
zz= 'output_(\d{4})'
m = re.search(zz,content)
print(m.group(1))      #将打印1994

bs4前置知识：

xpath前置知识：

Xpath 是XML文档中搜索内容的一门语言。而HTML是XML的一个子集。

名词：节点、父节点、子节点、兄弟节点等。

课程链接：

https://www.bilibili.com/video/BV1i54y1h75W?p=1&vd_source=c928153ba3bfd8cd05cb7135600ed75e

附录

b.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8"/>
    <title>Title</title>
</head>
<body>
    <ul>
        <li><a href="http://www.baidu.com">百度</a></li>
        <li><a href="http://www.google.com">谷歌</a></li>
        <li><a href="http://www.sogou.com">搜狗</a></li>
    </ul>
    <ol>
        <li><a href="New York">纽约</a></li>
        <li><a href="London">伦敦</a></li>
        <li><a href="Hong Kong">香港</a></li>
    </ol>
    <div class="country">英国</div>
    <div class="land">美国</div>
</body>
</html>

验证码自动化识别(超级鹰官方接口)

#!/usr/bin/env python
# coding:utf-8
 
import requests
from hashlib import md5
 
class Chaojiying_Client(object):
 
    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }
 
    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()
 
    def PostPic_base64(self, base64_str, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
            'file_base64':base64_str
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, headers=self.headers)
        return r.json()
 
    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()
 
 
if __name__ == '__main__':
    chaojiying = Chaojiying_Client('超级鹰用户名', '超级鹰用户名的密码', '96001')	#用户中心>>软件ID 生成一个替换 96001
    im = open('a.jpg', 'rb').read()													#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    print(chaojiying.PostPic(im, 1902))											#1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()
    #print chaojiying.PostPic(base64_str, 1902)  #此处为传入 base64代码

 

posted @   dustfree  阅读(126)  评论(0)  编辑  收藏  举报
相关博文：
·  README-python
·  web安全之SQL注入漏洞
·  python 爬虫
·  requests模块+代理+bs4
·  爬虫基本原理（详解）
阅读排行：
· TypeScript + Deepseek 打造卜卦网站：技术与玄学的结合
· Manus的开源复刻OpenManus初探
· AI 智能体引爆开源社区「GitHub 热点速览」
· 从HTTP原因短语缺失研究HTTP/2和HTTP/3的设计差异
· 三行代码完成国际化适配，妙~啊~
点击右上角即可分享
微信分享提示
SQL AI 助手