Python爬虫 |
您所在的位置：网站首页 › python批量爬取网页图片 › Python爬虫 |
Python爬虫
|
本文概要
本篇文章主要介绍利用Python爬虫爬取付费文章，适合练习爬虫基础同学，文中描述和代码示例很详细，干货满满，感兴趣的小伙伴快来一起学习吧！ ☀️大家好！我是新人小白博主朦胧的雨梦，希望大家多多关照和支持😝😝😝 🌖大家一起努力，共同成长，相信我们都会遇到更好的自己👊👊👊 🌗期待我的文章能给各位带来收获和解决问题的灵感🤩🤩🤩 🌟大家的三连是我不断更新的动力~😘😘😘
最最重要的是分析信息接口！！！ 1. 获取url 2. 通过请求拿到响应 3. 处理反爬 4. 提取信息 5. 保存内容 本次操练网页 https://www.duanmeiwen.com/xinshang/3203373.html(某美文网) 1.掌握爬虫布置模板； 2.掌握反爬手段； 3.了解如何提取保存内容。 ✨一.爬虫模板 🌲1.urllib库的使用模板 import urllib.request url ='xxxxxxxxxxxx' #发送请求 request= urllib.request.Request（url，data，header） #得到响应 response=urllib.request.urlopen（request） #解码 content = response.read().decode() #查看数据 print(content) 🌲2.requests库的使用模板 import requests url ='xxxxxxxxxxxx' #发送请求 response = request.get(url， params，headers) (get请求或者post请求) #根据响应的格式解码，非常智能 response.encoding=response.appareent_encoding #查看数据 print(response.txt) ✨二.分析信息接口1.首先右键查看网页源代码
针对返回数据的特点，我们现在有三种方法： 🌲1.正则表达式正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。简单来说，利用一定的逻辑公式，过滤掉不需要的数据，主要处理字符串。对于本题来说有点杀鸡用牛刀了。简单来示范一下： 首先导入re模块 import re接下来开始操作这堆"字符串" re.compile()是用来优化正则的，它将正则表达式转化为对象，re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式，多次调用一个正则表达式就重复利用这个正则对象，可以实现更有效率的匹配。需要搭配finditer()等一起使用，参数pattern : 正则表达式；，flags : 表示匹配模式。
右键点击检查进入Network页面，主要是方便我们看清楚结构。 效果 XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快地被开发者采用来当作小型查询语言。我们只要简单理解为它主要是针对定位HTML中某部分位置的语言。 首先导入XPath from lxml import etree接下来开始操作 效果 这就是优雅，对比上面，我们用三行代码就完成了任务，由此可见，用对方法很重要。 🌲 3.漂亮的汤（BeautifulSoup） ✨五.保存内容这里就很简单，基础文件操作的知识，“行百里者半九十”，来吧，咱们直接一口气写完。 tree = etree.HTML(response.text) titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()') message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()') for i in range(len(message)): with open('优美文艺句子.txt', 'a', encoding='utf-8') as fp: fp.write(message[i]) fp.write('\n') print('文章爬取完成')效果 通过今天的小案例，我们明白了，第一，思路一定要清楚，快准狠分析出接口链接，第二，提取数据的方法要正确，这样会直接事半功倍，好了，今天就分享到这里，谢谢大家的观看，有什么想法记得评论区告诉我！拜拜~✨ ✨ ✨ 🌲完整代码 import requests from lxml import etree # 需要请求的url url = 'https://www.duanmeiwen.com/xinshang/3203373.html' # 伪装请求头 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36', } # 获得响应 response = requests.get(url=url, headers=headers) # 智能解码 response.encoding = response.apparent_encoding # 提取数据 tree = etree.HTML(response.text) titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()') message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()') #遍历保存数据 for i in range(len(message)): with open('优美文艺句子.txt', 'a', encoding='utf-8') as fp: fp.write(message[i]) fp.write('\n') print('文章爬取完成') 💫往期好文推荐TOP🥇.自动驾驶技术未来大有可为❤️❤️❤️🏆🏆🏆❤️❤️❤️ TOP🥈.Python爬虫 | 利用python爬虫获取想要搜索的数据(某du)❤️❤️❤️🏆🏆🏆❤️❤️❤️ TOP🥉.ChatGPT | 一文详解ChatGPT(学习必备)❤️❤️❤️🏆🏆🏆❤️❤️❤️
|
网页内容： 
很明显，爬取的信息就在源代码里，所以直接对网页链接发起请求。这里请求头伪装我们优先携带user-agent。
真轻松，这种网页就是最好的，把东西都放在你面前，拿吧拿吧我很大方！
这里写的比较粗糙，因为大家会发现我们会大量在重复写一个相同的筛选语句，所以就有那么一点机械重复的感觉，而且我们有专门对付这中HTML结构的工具，所以接下来咱们隆重介绍XPath！
【本文地址】
今日新闻 |
推荐新闻 |