Tabla de contenido
Código común del rastreador de Python
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:
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())