【python】从web抓取信息

• 能打开浏览器的模块webbrowser，它的open函数可以做一些有意思的事情。例如从sys.argv或者剪切板读入地址，然后直接在Google地图打开相应的地图页面。

import webbrowser #python模块，非第三方模块，不需要下载，直接使用
import pyperclip #第三方模块
#启用电脑默认的浏览器打开网页
address = pyperclip.paste()
webbrowser.open('http://www.google.cn/maps/place/'+address)

这个模块平时使用的不多，只是在书上看到了才试了试。它的功能selenium模块(第三方模块)可以实现，而且selenium模块的功能更多。

• requests模块(第三方模块)，很强大的一个模块，从Web直接下载文件(HTML,txt,zip等等)。

爬虫爬取网站时，会被部分网站阻止，因为不更改请求头的话，请求头会默认为Python...

请求头可设置为：

header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
                        ' AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}

简单的例子如下：

import requests
from bs4 import BeautifulSoup    #requests和bs4都为第三方模块
#请求头
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
                        ' AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}
#接受返回的HTML文件
res = requests.get('https://www.cnblogs.com/to-red/',headers=header)
#检查下载状态，下载失败时会停止
res.raise_for_status()
#下载成功后会会保存在text变量中
#print(res.text)

#BeautifulSoup解析HTML,返回一个BeautifulSoup对象
soup = BeautifulSoup(res.text,'html.parser')
#select方法，p .class #id，返回的是Tag对象，有对应的HTML标签，也有attrs属性
title = soup.select('#Header1_HeaderTitle')[0]
print(title.text)
blog = title.get('href') 
print(blog)

requests模块+bs4模块就可以做很多事情了，比如追一本小说，每次运行一次程序，就会下载好最新的章节。

• selenium模块，控制Google浏览器需要安装chromedriver  点击下载，并将chromedriver.exe放在与Chrome浏览器的同一目录下。

如图：

 

 

 selenium模块的常用操作：

from selenium import webdriver
from selenium.webdriver.common.keys import Keys
browser = webdriver.Chrome(executable_path='C:\Program Files (x86)\Google\Chrome\Application\chromedriver')
browser.get('https://www.cnblogs.com/to-red/')
#find_element_*方法在页面寻找内容
pythonS = browser.find_element_by_id('CatList_LinkList_0_Link_0')
#单击
pythonS.click()
#提交表单
search = browser.find_element_by_id('q')
search.send_keys('hello')
#发送一个回车键
search.send_keys(Keys.ENTER)