Tabla de contenido

Fundación web:

Los datos en los encabezados de respuesta son el contenido enviado por el navegador al sitio web, incluida la información del navegador y las cookies.

estado: 200 orz orz normal 418 cuando se encuentra

(El paquete es necesario cuando el 418 (los detalles del agente de usuario ver más adelante))

Solicitar código central:

En python3, urllib se ha integrado con la biblioteca urllib2, solo importe urllib

import urllib.request

response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode("utf-8"))

decode puede decodificarlo en texto que es fácil de navegar.

POST relacionados:

Sitios de prueba para publicaciones de uso común:

httpbin.org

Publicar alguna prueba de datos (usando bytes para convertir en archivos binarios) (simulando el inicio de sesión de un usuario real (cookies))

import urllib.request,urllib.parse

if __name__ == '__main__':
    data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding="utf-8")
    response = urllib.request.urlopen("http://httpbin.org/post",data = data)
    print(response.read().decode("utf-8"))

Recuerde usar try ... except urllib.error.URLError: para implementar el manejo de errores de tiempo de espera (comúnmente usado)

data = bytes(urllib.parse.urlencode({"hello": "world"}), encoding="utf-8")
    try:
        req = urllib.request.Request("http://douban.com", data=data, headers=headers, method="POST")
        response = urllib.request.urlopen(req)
        print(response.read().decode("utf-8"))
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)

Operación anti-418: (también un ejemplo de la combinación de solicitud y respuesta, use solicitud para obtener la instancia de solicitud con urlopen)

headers = {  #模拟浏览器头部信息 向豆瓣服务器发送消息
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36" #from your browser
}

data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding="utf-8")
    req = urllib.request.Request("http://douban.com",data = data,headers = headers, method = "POST")
    response = urllib.request.urlopen(req)
    print(response.read().decode("utf-8"))

BeautifulSoup:

Función: convierte un documento HTML complejo en una estructura de árbol compleja, cada nodo es un objeto de Python, todos los objetos se pueden resumir en 4 tipos

(Potente herramienta para buscar etiquetas y contenido html, evitando el trabajo pesado)

- Etiqueta de etiqueta

--NavigableString

--BeautifulSoup

--Comentario

Ejemplo básico:

from bs4 import BeautifulSoup

file = open("baidu.html","rb")
html = file.read()
bs = BeautifulSoup(html,"html.parser")


print(bs.a)# get tag
print(bs.title.string) # get string inside tag
print(bs.a.attrs) # get attrs inside tag

Funciones de búsqueda comunes:

bs.find_all("a") # 完全匹配
bs.find_all(re.compile("a")) # 正则匹配
bs.find_all(id = "head") # 寻找id为head的标签


# 方法搜索： 传入一个函数，根据函数的要求来搜索
def rules():
    return tag.has_attr("name")
bs.find_all(rules)

tlist = bs.select('title') # 通过标签来查找
tlist = bs.select('.mnav') # 通过类名来查找(# id)
tlist = bs.select('head > title') # 查找子标签
tlist = bs.select('.manv ~ .bri') # 查找兄弟标签
# 获取该文本的方法
print(tlist[0].get_text())

Código común del rastreador de Python

Tabla de contenido

Fundación web:

Solicitar código central:

POST relacionados:

BeautifulSoup:

Supongo que te gusta