本文主要涉及python爬虫知识点:
web是如何交互的
requests库的get、post函数的应用
response对象的相关函数,属性
python文件的打开,保存
代码中给出了注释,并且可以直接运行哦
如何安装requests库(安装好python的朋友可以直接参考,没有的,建议先装一哈python环境)
windows用户,Linux用户几乎一样:
打开cmd输入以下命令即可,如果python的环境在C盘的目录,会提示权限不够,只需以管理员方式运行cmd窗口
1
|
pip install -i https: //pypi .tuna.tsinghua.edu.cn /simple requests
|
Linux用户类似(ubantu为例): 权限不够的话在命令前加入sudo即可
1
|
sudo pip install -i https: //pypi .tuna.tsinghua.edu.cn /simple requests
|
python爬虫入门基础代码实例如下
1.Requests爬取BD页面并打印页面信息
1
2
3
4
5
6
|
# 第一个爬虫示例,爬取百度页面
import requests #导入爬虫的库,不然调用不了爬虫的函数
response = requests.get( "http://www.baidu.com" ) #生成一个response对象
response.encoding = response.apparent_encoding #设置编码格式
print ( "状态码:" + str ( response.status_code ) ) #打印状态码
print (response.text) #输出爬取的信息
|
2.Requests常用方法之get方法实例,下面还有传参实例
1
2
3
4
5
|
# 第二个get方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.get( "http://httpbin.org/get" ) #get方法
print ( response.status_code ) #状态码
print ( response.text )
|
3. Requests常用方法之post方法实例,下面还有传参实例
1
2
3
4
5
|
# 第三个 post方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.post( "http://httpbin.org/post" ) #post方法访问
print ( response.status_code ) #状态码
print ( response.text )
|
4. Requests put方法实例
1
2
3
4
5
|
# 第四个 put方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.put( "http://httpbin.org/put" ) # put方法访问
print ( response.status_code ) #状态码
print ( response.text )
|
5.Requests常用方法之get方法传参实例(1)
如果需要传多个参数只需要用&符号连接即可如下
1
2
3
4
5
|
# 第五个 get传参方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.get( "http://httpbin.org/get?name=hezhi&age=20" ) # get传参
print ( response.status_code ) #状态码
print ( response.text )
|
6.Requests常用方法之get方法传参实例(2)
params用字典可以传多个
1
2
3
4
5
6
7
8
9
|
# 第六个 get传参方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
data = {
"name" : "hezhi" ,
"age" : 20
}
response = requests.get( "http://httpbin.org/get" , params = data ) # get传参
print ( response.status_code ) #状态码
print ( response.text )
|
7.Requests常用方法之post方法传参实例(2) 和上一个有没有很像
1
2
3
4
5
6
7
8
9
|
# 第七个 post传参方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
data = {
"name" : "hezhi" ,
"age" : 20
}
response = requests.post( "http://httpbin.org/post" , params = data ) # post传参
print ( response.status_code ) #状态码
print ( response.text )
|
8.关于绕过反爬机制,以知呼为例
1
2
3
4
5
6
7
8
9
10
11
|
# 第好几个方法实例
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.get( "http://www.zhihu.com" ) #第一次访问知乎,不设置头部信息
print ( "第一次,不设头部信息,状态码:" + response.status_code ) # 没写headers,不能正常爬取,状态码不是 200
#下面是可以正常爬取的区别,更改了User-Agent字段
headers = {
"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.122 Safari/537.36"
} #设置头部信息,伪装浏览器
response = requests.get( "http://www.zhihu.com" , headers = headers ) #get方法访问,传入headers参数,
print ( response.status_code ) # 200!访问成功的状态码
print ( response.text )
|
9.爬取信息并保存到本地
因为目录关系,在D盘建立了一个叫做爬虫的文件夹,然后保存信息
注意文件保存时的encoding设置
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
# 爬取一个html并保存
import requests
url = "http://www.baidu.com"
response = requests.get( url )
response.encoding = "utf-8" #设置接收编码格式
print ( "\nr的类型" + str ( type (response) ) )
print ( "\n状态码是:" + str ( response.status_code ) )
print ( "\n头部信息:" + str ( response.headers ) )
print ( "\n响应内容:" )
print ( response.text )
#保存文件
file = open ( "D:\\爬虫\\baidu.html" , "w" ,encoding = "utf" ) #打开一个文件,w是文件不存在则新建一个文件,这里不用wb是因为不用保存成二进制
file .write( response.text )
file .close()
|
10.爬取图片,保存到本地
1
2
3
4
5
6
|
#保存百度图片到本地
import requests #先导入爬虫的库,不然调用不了爬虫的函数
response = requests.get( "https://www.baidu.com/img/baidu_jgylogo3.gif" ) #get方法的到图片响应
file = open ( "D:\\爬虫\\baidu_logo.gif" , "wb" ) #打开一个文件,wb表示以二进制格式打开一个文件只用于写入
file .write(response.content) #写入文件
file .close() #关闭操作,运行完毕后去你的目录看一眼有没有保存成功
|
下面是一个完整的python爬虫实例,功能是爬取百度贴吧上的图片并下载到本地;
python爬虫主要操作步骤:
获取网页html文本内容;
分析html中图片的html标签特征,用正则解析出所有的图片url链接列表;
根据图片的url链接列表将图片下载到本地文件夹中。
1. urllib+re实现
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
#!/usr/bin/python
# coding:utf-8
# 实现一个简单的爬虫,爬取百度贴吧图片
import urllib
import re
# 根据url获取网页html内容
def getHtmlContent(url):
page = urllib.urlopen(url)
return page.read()
# 从html中解析出所有jpg图片的url
# 百度贴吧html中jpg图片的url格式为:<img ... src="XXX.jpg" width=...>
def getJPGs(html):
# 解析jpg图片url的正则
jpgReg = re. compile (r '<img.+?src="(.+?\.jpg)" width' ) # 注:这里最后加一个'width'是为了提高匹配精确度
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)
return jpgs
# 用图片url下载图片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
urllib.urlretrieve(imgUrl,fileName)
# 批量下载图片,默认保存到当前目录下
def batchDownloadJPGs(imgUrls,path = './' ):
# 用于给图片命名
count = 1
for url in imgUrls:
downloadJPG(url,' '.join([path,' { 0 }.jpg'. format (count)]))
count = count + 1
# 封装:从百度贴吧网页下载图片
def download(url):
html = getHtmlContent(url)
jpgs = getJPGs(html)
batchDownloadJPGs(jpgs)
def main():
url = 'http://tieba.baidu.com/p/2256306796'
download(url)
if __name__ = = '__main__' :
main()
|
运行上面脚本,过几秒种之后完成下载,可以在当前目录下看到图片已经下载好了:
2. requests + re实现
下面用requests库实现下载,把getHtmlContent和downloadJPG函数都用requests重新实现。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
#!/usr/bin/python
# coding:utf-8
# 实现一个简单的爬虫,爬取百度贴吧图片
import requests
import re
# 根据url获取网页html内容
def getHtmlContent(url):
page = requests.get(url)
return page.text
# 从html中解析出所有jpg图片的url
# 百度贴吧html中jpg图片的url格式为:<img ... src="XXX.jpg" width=...>
def getJPGs(html):
# 解析jpg图片url的正则
jpgReg = re. compile (r '<img.+?src="(.+?\.jpg)" width' ) # 注:这里最后加一个'width'是为了提高匹配精确度
# 解析出jpg的url列表
jpgs = re.findall(jpgReg,html)
return jpgs
# 用图片url下载图片并保存成制定文件名
def downloadJPG(imgUrl,fileName):
# 可自动关闭请求和响应的模块
from contextlib import closing
with closing(requests.get(imgUrl,stream = True )) as resp:
with open (fileName, 'wb' ) as f:
for chunk in resp.iter_content( 128 ):
f.write(chunk)
# 批量下载图片,默认保存到当前目录下
def batchDownloadJPGs(imgUrls,path = './' ):
# 用于给图片命名
count = 1
for url in imgUrls:
downloadJPG(url,' '.join([path,' { 0 }.jpg'. format (count)]))
print '下载完成第{0}张图片' . format (count)
count = count + 1
# 封装:从百度贴吧网页下载图片
def download(url):
html = getHtmlContent(url)
jpgs = getJPGs(html)
batchDownloadJPGs(jpgs)
def main():
url = 'http://tieba.baidu.com/p/2256306796'
download(url)
if __name__ = = '__main__' :
main()
|
上面介绍的10个python爬虫入门基础代码实例和1个简单的python爬虫完整实例虽然都是基础知识但python爬虫的主要操作方法也是这些,掌握这些python爬虫就学会一大半了。更多关于python爬虫的文章请查看下面的相关罗拉