python爬虫经典步骤（详解python爬虫系列之初识爬虫）

python爬虫经典步骤

详解python爬虫系列之初识爬虫

前言

我们这里主要是利用requests模块和bs4模块进行简单的爬虫的讲解，让大家可以对爬虫有了初步的认识，我们通过爬几个简单网站，让大家循序渐进的掌握爬虫的基础知识，做网络爬虫还是需要基本的前端的知识的，下面我们进行我们的爬虫讲解

在进行实战之前，我们先给大家看下爬虫的一般讨论，方便大家看懂下面的实例

一、爬汽车之家

汽车之家这个网站没有做任何的防爬虫的限制，所以最适合我们来练手

1、导入我们要用到的模块

?

1 2	import requests from bs4 import beautifulsoup

2、利用requests模块伪造浏览器请求

?

1 2	# 通过代码伪造浏览器请求 res = requests.get(https://www.autohome.com.cn/news/)

3、设置解码的方式，python是utf-8，但是汽车之家是用gbk编码的，所以这里要设置一下解码的方式

?

1 2	# 设置解码的方式 res.encoding = "gbk"

4、把请求返回的对象，传递一个bs4模块，生成一个beautifulsoup对象

?

1	soup = beautifulsoup(res.text,"html.parser")

5、这样，我们就可以使用beautifulsoup给我们提供的方法，如下是查找一个li标签，且这个li标签的id属性为auto-channel-lazyload-atricle

?

1 2 3

# find是找到相匹配的第一个标签 li = soup.find(name="li",attrs={"id":"auto-channel-lazyload-article"}) # 这个li是一个标签对象

6、findall方法，是超找符合条件的所有的标签，下面是在步骤5的li标签内查找所有的li标签

?

1	li_list = li.find_all(name="li")

7、查找li标签中的不同条件的标签

?

1 2 3 4 5 6 7 8

li_list = li.find_all(name="li") for li in li_list:  title = li.find(name="h3")  neirong = li.find(name="p")  href = li.find(name="a")  img = li.find(name="img")  if not title:   continue

8、获取标签的属性

?

1 2 3 4 5 6 7

# print(title, title.text, sep="标题-->") # print(neirong, neirong.text, sep="内容-->") # print(href, href.attrs["href"], sep="超链接-->")   # 获取标签对接的属性 # print(img.attrs["src"]) # ret = requests.get(img_src)

9、如果我们下载一个文件，则需要requests.get这个文件，然后调用这个文件对象的content方法

?

1 2 3 4 5 6 7 8

src = img.get("src") img_src = src.lstrip("/") file_name = img_src.split("/")[-1] img_src = "://".join(["https",img_src]) print(file_name) ret = requests.get(img_src) with open(file_name,"wb") as f:  f.write(ret.content)

10、整体的代码如下

二、爬抽屉

这里我们看下如何爬抽屉

1、首先抽屉有做防爬虫的机制，我们在访问的时候必须要加一个请求头

?

1 2 3 4 5 6

# 实例1：爬取数据，这个网址有做防爬虫机制，所以需要带一个请求头信息，才能让服务端以为我们是浏览器，不然服务端会把我们的请求当做爬虫行为进行拦截 # 设置一个请求头 chouti = requests.get(url="https://dig.chouti.com/",       headers={        "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       })

2、这个请求网站会返回一个cookies，通过下面的方法获取cookies

?

1 2	print(chouti.cookies.get_dict()) # {'gpsd': 'ab141f7a741144216429b6e901da5f34', 'jsessionid': 'aaanxwlwjllku9cgxdynw'}

3、转换页面为一个beautifulsoup对象

?

1 2 3 4 5 6 7 8 9

# 将页面转换成一个beautifulsoup的对象，就可以使用beautifulsoup的方法了 soup = beautifulsoup(chouti.text,"html.parser")   news_list = soup.find_all(name="li",attrs={"class":"item"})   for news in news_list:  compont = news.find(name="li",attrs={"class":"part2"})    print(compont.get("share-title"))

4、下面我们看下如何登陆抽屉

首先我们先通过get方式访问主页

?

1 2 3 4 5

# 1、先查看首页 r1 = requests.get(url="https://dig.chouti.com/",       headers={        "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       })

然后我们通过post方式进行登陆，

?

1 2 3 4 5 6 7 8 9 10 11 12 13

# 2、提交用户名和密码进行登陆   r2 = requests.post(url="https://dig.chouti.com/login",     headers={      "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"     },     data={      "phone":"86139252938822",      "password":"admin",      "onemonth":1     },     cookies=r1.cookies.get_dict()     )

最后登陆成功后，我们来实现一个点赞的操作，这里要注意　

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

# 第二次登陆的时候把第一次返回的cookies带上，这个是抽屉这个网站的套路，同样这次登陆也会返回一个cookies，但是登陆这次返回的cookies其实是个迷惑我们的cookies，没有用 # print(r2.text) # 登陆失败返回的信息：{"result":{"code":"21101", "message":"手机号或密码错误", "data":{}}} # 登陆成功返回的信息：{"result":{"code":"9999", "message":"", "data":{"complatereg":"0","destjid":"cdu_53218132468"}}}   # 如果登陆成功，通过下面的方法就可以把服务端返回的cookies拿到，以后在发请求，带着cookies去就可以了 print(r2.cookies.get_dict()) # {'puid': 'b11ec95d3b515ae2677a01f6abd5b916', 'gpid': '01cff9a184bd427789429d1dd556f4d2'}   r3 = requests.post(url="https://dig.chouti.com/link/vote?linksid=25461201",      headers={       "user-agent": "mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"      },      # cookies=r2.cookies.get_dict(),      cookies=r1.cookies.get_dict(),      # 破解抽屉coookies套路      ) # 这次点赞，我们同样带的cookies是第一次登陆主页返回的cookies，而不是登陆成功后返回的cookies # print(r3.text)

爬抽屉所有的代码如下

?

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 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67

# 实例1：爬取数据，这个网址有做防爬虫机制，所以需要带一个请求头信息，才能让服务端以为我们是浏览器，不然服务端会把我们的请求当做爬虫行为进行拦截   # 设置一个请求头 chouti = requests.get(url="https://dig.chouti.com/",       headers={        "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       })   # print(chouti.text)   print(chouti.cookies.get_dict()) # {'gpsd': 'ab141f7a741144216429b6e901da5f34', 'jsessionid': 'aaanxwlwjllku9cgxdynw'}   # 将页面转换成一个beautifulsoup的对象，就可以使用beautifulsoup的方法了 soup = beautifulsoup(chouti.text,"html.parser")   news_list = soup.find_all(name="li",attrs={"class":"item"})   for news in news_list:  compont = news.find(name="li",attrs={"class":"part2"})    print(compont.get("share-title"))       # 1、先查看首页 r1 = requests.get(url="https://dig.chouti.com/",       headers={        "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       })   # r1.cookies.get_dict()，第一次访问主页，服务端就给返回了一个cookies   # 2、提交用户名和密码进行登陆   r2 = requests.post(url="https://dig.chouti.com/login",     headers={      "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"     },     data={      "phone":"8613925293887",      "password":"admin123.",      "onemonth":1     },     cookies=r1.cookies.get_dict()     )     # 第二次登陆的时候把第一次返回的cookies带上，这个是抽屉这个网站的套路，同样这次登陆也会返回一个cookies，但是登陆这次返回的cookies其实是个迷惑我们的cookies，没有用 # print(r2.text) # 登陆失败返回的信息：{"result":{"code":"21101", "message":"手机号或密码错误", "data":{}}} # 登陆成功返回的信息：{"result":{"code":"9999", "message":"", "data":{"complatereg":"0","destjid":"cdu_53218132468"}}}   # 如果登陆成功，通过下面的方法就可以把服务端返回的cookies拿到，以后在发请求，带着cookies去就可以了 print(r2.cookies.get_dict()) # {'puid': 'b11ec95d3b515ae2677a01f6abd5b916', 'gpid': '01cff9a184bd427789429d1dd556f4d2'}   r3 = requests.post(url="https://dig.chouti.com/link/vote?linksid=25461201",      headers={       "user-agent": "mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"      },      # cookies=r2.cookies.get_dict(),      cookies=r1.cookies.get_dict(),      # 破解抽屉coookies套路      ) # 这次点赞，我们同样带的cookies是第一次登陆主页返回的cookies，而不是登陆成功后返回的cookies # print(r3.text)

三、爬github

github的登陆是form表单做的，所以我们在登陆github的时候需要把cookies和crsf_token都带上

1、访问github的首页

?

1 2 3 4 5 6 7 8

# 1、get，访问登陆页面   r1 = requests.get(url="https://github.com/",      headers={       "user-agent":"mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       }      ) # print(r1.cookies.get_dict())

2、访问登陆页面，需要在隐藏的input标签中找到token，然后获取到

?

1 2 3 4 5 6 7 8 9

r2 = requests.get(url="https://github.com/login",      headers={        "user-agent": "mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       }      )   login_obj = beautifulsoup(r2.text,"html.parser")   token = login_obj.find(name="form",attrs={"action":"/session"}).find(name="input",attrs={"name":"authenticity_token"}).get("value")

3、post方式访问登陆页面，携带上用户名和密码，token和cookies

?

1 2 3 4 5 6 7 8 9 10 11 12

# 2、发送post请求，发送用户名和密码，发送的数据要不仅有用户名和密码，还要带上csrf token和cookie，浏览器发什么，我们就发什么 r3 = requests.post(url="https://github.com/session",      headers={        "user-agent": "mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.133 safari/537.36"       },      data={       "login":"admin",       "password":"admin",       "authenticity_token":token      },标签： Python 爬虫 上一篇下一篇 猜您喜欢 python中读取文件怎么操作（Python实现的读取文件内容并写入其他文件操作示例） python开启两个线程（Python开启线程,在函数中开线程的实例） python中split使用方法（python lxml中etree的简单应用） python对mysql数据分析（python使用adbapi实现MySQL数据库的异步存储） python中怎么实现队列的创建（python 堆和优先队列的使用详解） python整型可以用什么表示（实例介绍Python中整型） python 配置文件环境变量（python环境路径配置以及命令行运行脚本） Python实现模拟点击（用python实现刷点击率的示例代码） python入门练习网页（详解python项目实战:模拟登陆CSDN） python算法图解（python实现kmp算法的实例代码） 蒜苔和鱿鱼尾巴一起炒，味道特别棒，又脆又嫩，有滋又有味（蒜苔和鱿鱼尾巴一起炒） 鱿鱼炒蒜苔不是黑暗料理，这样做清香扑鼻，鲜美脆嫩，开胃又下饭（鱿鱼炒蒜苔不是黑暗料理） 蒜苔炒鱿鱼（蒜苔炒鱿鱼） 远离 五毛食品 洛阳80后妈妈发明的 飞行棋 成校园爆款 玩具（远离五毛食品） 失传的古代飞行棋游戏 六博（失传的古代飞行棋游戏） 感冒要吃什么药（猫咪感冒要吃什么药） 热门推荐 1mysql的默认事务隔离级别（啥是 MySQL 事务隔离级别？） 2python3.7对象检测（在Python中使用Neo4j的方法） 3canvas绘制图形方法（如何使用canvas绘制可移动网格的示例代码） 4javascript 自带格式化时间（JavaScript内置日期、时间格式化时间实例代码） 5Visual Studio 自动添加头部注释 6php怎么设置静态成员函数（php输出控制函数和输出函数生成静态页面） 7dedecms标签怎么调用（dedeCMS 站内搜索代码的改进方法） 8虚拟服务器和云主机的区别（云服务器属于虚拟机么？它们有什么不同？） © 2021 开心学习