python爬虫实例

一、基本GET请求

1. 最基本的GET请求可以直接用get方法

response = requests.get("http://www.baidu.com/")

2. 添加 headers 和查询参数

如果想添加 headers，可以传入headers参数来增加请求头中的headers信息。如果要将参数放在url中传递，可以利用 params 参数。

kw = {'wd':'长城'}

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

# params 接收一个字典或者字符串的查询参数，字典类型自动转换为url编码，不需要urlencode()

3.发起网络请求

response = requests.get("http://www.baidu.com/s?", params = kw, headers = headers)

4.# 查看响应内容，response.text 返回的是Unicode格式的数据

print（ response.text）

二、POST 请求

1. 传入data数据

对于 POST 请求来说，我们一般需要为它增加一些参数。那么最基本的传参方法可以利用 data 这个参数。

formdata = {

"type":"AUTO",

"i":"i love python",

"doctype":"json",

"xmlVersion":"1.8",

"keyfrom":"fanyi.web",

"ue":"UTF-8",

"action":"FY_BY_ENTER",

"typoResult":"true"

}

2.访问网址

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

3.设置headers

headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

4.发送post请求

response = requests.post(url, data = formdata, headers = headers)

5.打印

print（response.text）

6.如果是json文件可以直接显示

print(response.json())

三、获取Cookies

# 1. 发送请求

response=requests.get('http://www.baidu.com/')

# 2. 返回CookieJar对象:

cookiejar=response.cookies

print(cookiejar)

# 3. 将CookieJar转为字典：

cookiedict=requests.utils.dict_from_cookiejar(cookiejar)

print(cookiedict)

四、Session（会话）

在 requests 里，session对象是一个非常常用的对象，这个对象代表一次用户会话：从客户端浏览器连接服务器开始，到客户端浏览器与服务器断开。

会话能让我们在跨请求时候保持某些参数，比如在同一个 Session 实例发出的所有请求之间保持 cookie 。

# 1. 创建session对象，可以保存Cookie值

ssion = requests.session()

# 2. 处理 headers

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36"}

# 3. 需要登录的用户名和密码

data = {"email":"12922215**", "password":"huang***521"}

# 4. 发送附带用户名和密码的请求，并获取登录后的Cookie值，保存在ssion里

ssion.post("http://www.renren.com/PLogin.do", data = data)

# 5. ssion包含用户登录后的Cookie值，可以直接访问那些登录后才可以访问的页面

response = ssion.get("http://www.renren.com/410043129/profile")

# 6. 打印响应内容

soup=BeautifulSoup(response.text,'html.parser')

#print(soup)

for ss in soup.find_all('span',class_='stage-name'):

print(ss.text)

五、获取所有课程信息

1.先访问所有课程页面，把html代码拿到，实际上就是拿到一个很长的文本，文本内容就是网页的html代码

2.分析html代码，找到我们需要获取信息的html特征

3.解析html代码，根据html特征，从里面抠出来课程的名称

4.打印出所有课程的名称

from selenium import webdriver

import requests

from bs4 import BeautifulSoup

'''首先要安装requests库'''

url='http://www.itest.info/courses'

#获取被抓取页面的HTML代码，并使用html.parser来实例化BeautiSoup，属于固定套路

soup=BeautifulSoup(requests.get(url).text,'html.parser')

#遍历页面上所有的h4

for course in soup.find_all('h4'):

print(course.text)

我们要找到的是所有class=item_hot_topic_title的span下面的a元素

from selenium import webdriver

import requests

from bs4 import BeautifulSoup

'''首先要安装requests库'''

url='https://www.v2ex.com/'

#获取被抓取页面的HTML代码，并使用html.parser来实例化BeautiSoup，属于固定套路

soup=BeautifulSoup(requests.get(url).text,'html.parser')

for span in soup.find_all('span',class_='item_hot_topic_title'):

print(span.find('a').text,span.find('a')['href'])