0


爬虫学习2:爬虫爬取网页的信息与图片的方法

爬虫爬取网页的信息与图片的方法

  • 爬取人物信息

import requests

head ={"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0"}# 这是get请求带参数的模式defget_param():# 1、url
    url ="https://www.sogou.com/web?"# 2、发送请求 get带参数使用params参数
    response = requests.get(url, headers=head, params={"query":"刘亦菲"})# 3、获取想要的数据withopen("./dilireba.html","w", encoding="utf8")as fp:
        fp.write(response.text)print(type(response.text))pass
get_param()

在这里插入图片描述

  • 爬取动态变换的数据(如:翻译)

import requests
defpost_data():# 1、url
    url ='https://fanyi.baidu.com/sug'# 2、发送请求
    response = requests.post(url, headers=head, data={"kw":"dog"})# 获取想要的数据print(response.json())
post_data()

在这里插入图片描述

  • 爬取具体位置的数据的方法

import requests
from lxml import etree
if __name__ =='__main__':
    tree = etree.parse("./test.html")#读取文件# xpath返回的都是列表# / 标识一个层级print(tree.xpath("/html/body/div/p"))#找到想要数据的位置print(tree.xpath("/html/head/title"))# 定位百里守约  索引定位 从1开始print(tree.xpath("/html/body/div[1]/p"))#读取第一个div的pprint(tree.xpath("/html/body/div/p[1]"))#读取body下面所有div下的第一个p#print(tree.xpath("/html/body/div[2]/a[2]"))print(tree.xpath("/html/body/div[3]/ul/li[3]/a"))## # // 标识多个层级 属性定位 attr = class id# 定位李清照print(tree.xpath("//div[@class='song']/p[1]"))#查看class或id 对应的信息是不是独一无二的,如是采用div[@class='song']这种形式,如不是查看其上一级是不是独一无二的。print(tree.xpath("//div[@class='song']/a[@class='du']"))# # 取所有的li标签print(tree.xpath("//div[@class='tang']/ul/li"))# # 取li标签内的所有a标签for li in tree.xpath("//div[@class='tang']/ul/li"):try:#数据正确print("".join(li.xpath("./a/text()")))#将列表形式变成字符串形式except Exception as e:#数据失败,执行下一个,不会影响其他数据执行pass## # 取标签下的直系文本内容print(tree.xpath("/html/body/div[1]/p/text()"))# 取标签下的所有文本print(tree.xpath("/html/body/div[2]//text()"))# 取标签内的属性值 @attr_nameprint(tree.xpath("//div[@class='song']/img/@src"))

在这里插入图片描述
在这里插入图片描述

test.html文件
<htmllang="en"><head><metacharset="UTF-8"/><title>测试bs4</title></head><body><div><p>百里守约</p></div><divclass="song">
            你好
            <p>李清照</p><p>王安石</p><p>苏轼</p><p>柳宗元</p><ahref="http://www.song.com/"title="赵匡胤"target="_self"><span>this is span</span>
            宋朝是最强大的王朝,不是军队的强大,而是经济很强大,国民都很有钱</a><ahref=""class="du">总为浮云能蔽日,长安不见使人愁</a><imgsrc="http://www.baidu.com/meinv.jpg"alt=""/></div><divclass="tang"><ul>
                清明时节雨纷纷,路上行人欲断魂
                <li><ahref="http://www.baidu.com"title="qing">
                        清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村
                    </a></li><li><ahref="http://www.163.com"title="qin">
                        秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山
                    </a></li><li><ahref="http://www.126.com"alt="qi">岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君</a></li><li><ahref="http://www.sina.com"class="du">杜甫</a></li><li><ahref="http://www.dudu.com"class="du">杜牧</a></li><li><b>杜小月</b></li><li><i>度蜜月</i></li><li><ahref="http://www.haha.com"id="feng">凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘</a></li></ul></div></body></html>
  • 爬取网页(豆瓣TOP250的数据)

# pip install fake_useragentimport time

import requests
import fake_useragent
from lxml import etree
import re

if __name__ =='__main__':# UA伪装
    head ={# "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0""User-Agent": fake_useragent.UserAgent().random
    }# 打开一个文件写入数据
    fp =open("./doubanFilm.txt","w", encoding="utf8")# 1、url# url = "https://movie.douban.com/top250"# url2 = "https://movie.douban.com/top250?start=25&filter="# url3 = "https://movie.douban.com/top250?start=50&filter="for i inrange(0,250,25):#所有网页地址
        url =f"https://movie.douban.com/top250?start={i}&filter="
        time.sleep(5)# 2、发送请求
        response = requests.get(url, headers=head)# 3、获取想要的数据
        res_text = response.text
        # 4、数据解析
        tree = etree.HTML(res_text)# 定位所有的li标签
        li_list = tree.xpath("//ol[@class='grid_view']/li")# 所有的li标签,包含信息for li in li_list:
            film_name ="".join(li.xpath(".//span[@class='title'][1]/text()"))# 改成字符串形式
            director_actor_y_country_type ="".join(li.xpath(".//div[@class='bd']/p[1]/text()"))
            score ="".join(li.xpath(".//span[@class='rating_num']/text()"))
            quote ="".join(li.xpath(".//span[@class='inq']/text()"))# director_actor_y_country_type需要修改
            new_str = director_actor_y_country_type.strip()# 去除空格
            y = re.match(r"([\s\S]+?)(\d+)(.*?)", new_str).group(2)# 正则表达式方式
            country = new_str.rsplit("/")[-2].strip()
            types = new_str.rsplit("/")[-1].strip()
            director = re.match(r"导演: ([a-zA-Z\u4e00-\u9fa5·]+)(.*?)", new_str).group(1)try:
                actor = re.match(r"(.*?)主演: ([a-zA-Z\u4e00-\u9fa5·]+)(.*?)", new_str).group(2)except Exception as e:
                actor ="no"

            fp.write(
                film_name +"#"+ y +"#"+ country +"#"+ types +"#"+ director +"#"+
                actor +"#"+ score +"#"+ quote +"\n")# 连接信息,连接符最好采用不常见的符号防止误读取print(film_name, y, country, types, director, actor, score, quote)

    fp.close()

在这里插入图片描述

  • 爬取图片

import os.path
import fake_useragent
import requests
from lxml import etree
# UA伪装
head ={"User-Agent": fake_useragent.UserAgent().random#自动伪装}
pic_name =0defrequest_pic(url):# 2、发送请求
    response = requests.get(url, headers=head)# 3、获取想要的数据
    res_text = response.text
    # 4、数据解析
    tree = etree.HTML(res_text)
    li_list = tree.xpath("//div[@class='slist']/ul/li")#获取所有的照片信息for li in li_list:# 1、获取照片的url
        img_url ="https://pic.netbian.com"+"".join(li.xpath("./a/img/@src"))#img/@src,代表img的src属性# 2、发送请求
        img_response = requests.get(img_url, headers=head)# 3、获取想要的数据
        img_content = img_response.content
        global pic_name
        withopen(f"./picLib/{pic_name}.jpg","wb")as fp:#命名照片名称,并写下
            fp.write(img_content)
        pic_name +=1if __name__ =='__main__':ifnot os.path.exists("./picLib"):#若没有一个此文件夹,建立一个文件夹存放照片
        os.mkdir("./picLib")# 1、url
    url ="https://pic.netbian.com/4kdongman/"
    request_pic(url)for i inrange(2,10):#之后照片的url
        next_url =f"https://pic.netbian.com/4kdongman/index_{i}.html"
        request_pic(next_url)pass

在这里插入图片描述

标签: 爬虫 学习 python

本文转载自: https://blog.csdn.net/mohanyelong/article/details/140588189
版权归原作者 夜清寒风 所有, 如有侵权,请联系我们删除。

“爬虫学习2:爬虫爬取网页的信息与图片的方法”的评论:

还没有评论