table des matières

Code commun du robot d'exploration Python

Fondation Web:

Les données contenues dans les en-têtes de réponse sont le contenu envoyé par le navigateur au site Web, y compris les informations du navigateur et les cookies.

état: 200 chenilles 418 normales orz une fois trouvé

(Le package est requis lorsque 418 (User-Agent est détaillé dans le texte suivant))

Demander le code principal:

En python3, urllib a été intégré à la bibliothèque urllib2, il suffit d'importer urllib

import urllib.request

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

decode peut le décoder en un texte facile à parcourir.

Liés au POST:

Sites de test pour les articles couramment utilisés:

httpbin.org

Poster un test de données (en utilisant des octets pour les convertir en fichiers binaires) (simulation de la connexion d'un utilisateur réel (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"))

N'oubliez pas d'utiliser try ... sauf urllib.error.URLError: pour implémenter la gestion des erreurs de timeout (couramment utilisé)

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)

Opération anti-418: (également un exemple de la combinaison de requête et de réponse, utilisez request pour obtenir l'instance de requête avec 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 ：

Fonction: convertir un document HTML complexe en une arborescence complexe, chaque nœud est un objet Python, tous les objets peuvent être résumés en 4 types

(Outil puissant pour rechercher des balises html et du contenu, en évitant les travaux de recherche lourds)

--Tag tag

--NavigableString

--BelleSoup

--Commentaire

Exemple de base:

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

Fonctions de recherche courantes:

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())