目次
Webファンデーション:
応答ヘッダーのデータは、ブラウザー情報やCookieなど、ブラウザーからWebサイトに送信されるコンテンツです。
ステータス:見つかった場合、200の通常の418クローラーorz
(418の場合はパッケージが必要です(ユーザーエージェントの詳細は後で参照))
コアコードのリクエスト:
python3では、urllibはurllib2ライブラリと統合されており、urllibをインポートするだけです。
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode("utf-8"))
デコードは、閲覧しやすいテキストにデコードできます。
POST関連:
一般的に使用される投稿のテストサイト:
いくつかのデータテストを投稿します(バイトを使用してバイナリファイルに変換します)(実際のユーザーログイン(Cookie)をシミュレートします)
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"))
urllib.error.URLErrorを除いてtry ...を使用することを忘れないでください:タイムアウトエラー処理を実装するために(一般的に使用されます)
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)
アンチ418操作:(リクエストとレスポンスの組み合わせの例でもあります。リクエストを使用して、urlopenでリクエストインスタンスを取得します)
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:
機能:複雑なHTMLドキュメントを複雑なツリー構造に変換します。各ノードはPythonオブジェクトであり、すべてのオブジェクトは4つのタイプに要約できます。
(htmlタグとコンテンツを検索するための強力なツールで、大量の検索作業を回避します)
-タグタグ
--NavigableString
--BeautifulSoup
- コメント
基本的な例:
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
一般的な検索機能:
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())