编程语言
首页 > 编程语言> > 【python办公自动化】task5 爬虫入门与综合应用

【python办公自动化】task5 爬虫入门与综合应用

作者:互联网

目录

1. Requests简介

Requests是一款目前非常流行的http请求库,使用python编写,能非常方便的对网页Requests进行爬取,也是爬虫最常用的发起请求第三方库。

安装

pip install requests

一些常用方法

requests.get('网址') #发出响应请求

re.status_code #响应的HTTP状态码
re.txt #响应内容的字符串形式,用于文本的获取、下载
rs.content #响应内容的二进制形式用于图片、视频、音频等内容的获取下载
rs.encoding #响应内容的编码, 爬取内容的编码形似,常见的编码方式有 ASCII、GBK、UTF-8 等。如果用和文件编码不同的方式去解码,我们就会得到一些乱码。

2. 简单爬取

2.1 对百度首页数据进行请求

requests.get(‘网址’)

import requests
#发出http请求
re=requests.get('http://www.baidu.com')
#查看响应状态
print(re.status_code)

输出为200
200就是响应的状态码,表示请求成功,我们可以通过res.status_code的值来判断请求是否成功。

2.2 用爬虫下载孔乙己的文章

res.test返回的是服务响应内容的字符串形式,也就是文本内容,下面我们来爬取下孔乙己文章https://apiv3.shanbay.com/codetime/articles/mnvdu
在这里插入图片描述

import requests
#发出http请求
re=requests.get('https://apiv3.shanbay.com/codetime/articles/mnvdu')
#查看相应状态
print('网页的状态码为:%s'%re.status_code)
with open('鲁迅文章.txt','w')as file:
    #将数据的字符串写入文件中
    print('正在爬取小说')
    file.write(re.text)
    print('爬取结束')

在这里插入图片描述

2.3 爬取图片

使用re.content爬取图片https://www.icode9.com/i/ll/?i=20210424184053989.PNG
在这里插入图片描述

import requests
res=requests.get('https://www.icode9.com/i/ll/?i=20210424184053989.PNG')
#以二进制写入的方式打开一个名为info的文件
with open('datawhale.png','wb')as ff:
    #将二进制形式写入文件
    ff.write(res.content)

3.HTML解析和提取

3.1 浏览器工作原理

浏览器工作原理:向浏览器中输入某个网址,浏览器会向服务器发出请求,然后服务器就会做出响应。服务器返回的结果就是HTML代码,然后浏览器将HTML代码解析成我们平常捡到的网页

import requests
res=requests.get('http://baidu.com')
print(res.text)

在这里插入图片描述
**HTML(Hyper Text Markup Language)**是一种超文本标记语言,是由一堆标记组成。

<html>
  <head>
    <title>我的网页</title>
  </head>
  <body>
    Hello,World
  </body>
</html>

扩展:HTML https://www.runoob.com/html/html-tutorial.html

3.2 BeautifulSoup介绍

想要解析html页面需要用到BeautifulSoup这个第三方库

Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。 Beautiful Soup 自动将输入文档转换为 Unicode 编码,输出文档转换为 utf-8 编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup 已成为和 lxml、html6lib 一样出色的 python 解释器,为用户灵活地提供不同的解析策略或强劲的速度。

Python 爬虫利器二之 Beautiful Soup 的用法https://cuiqingcai.com/1319.html
Beautiful Soup 4.4.0 文档 https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

安装:pip install bs4

下面来解析以下豆瓣读书top250https://book.douban.com/top250
在这里插入图片描述

import io 
import sys 
import requests
from bs4 import BeautifulSoup

##出现乱码时可以修改编码方式
#sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

###
headers = {
  'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}
res=requests.get('https://book.douban.com/top250',
                headers=headers)
soup=BeautifulSoup(res.text,'lxml')#将网页内容解析为BeautifulSoup对象
print(soup)

headers表示我们的请求网页的头,对于没有headers的请求可能会被服务器判定为爬虫而拒绝提供服务
在这里插入图片描述
如何进一步把需要信息提取出来需要用到BeautifulSoup

find()方法find_all()方法

import io 
import sys 
import requests
from bs4 import BeautifulSoup
#如果出现了乱码报错,可以修改编码形式
#sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')
#
headers={'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'}
res = requests.get('https://book.douban.com/top250', headers=headers)
soup=BeautifulSoup(res.text,'lxml')
print(soup.find('a'),'\n')
#返回一个列表,所有包含<a>的标签
print(soup.find_all('a'))

在这里插入图片描述
除了传入HTML标签名外,BeautifulSoup还支持定位

# 定位div开头 同时id为'doubanapp-tip的标签
print(soup.find('div', id='doubanapp-tip'))
print('=============================================')
# 定位a开头 同时class为rating_nums的标签
soup.find_all('span', class_='rating_nums')
#class是python中定义类的关键字,因此用class_表示HTML中的class

在这里插入图片描述

4. 项目实践

4.1 实践一:自如公寓数据抓取

日前 ,国务院办公厅印发《关于加快培育和发展住房租赁市场的若干意见》,你是某新媒体公司的一名员工,老板希望对武汉的租房情况进行深度调研与分析,你想调查自如公寓的数据情况。根据工作的安排,你调研的是自如公寓武汉房屋出租分析的任务。

项目难度:⭐⭐⭐⭐
自如公寓官网:https://wh.ziroom.com/z/z/

通过观察官网可以发现

剩下的页面以此类推,即每个页面的格式为https://wh.ziroom.com/z/p页数/

而对于每个房屋的具体信息点进去可以发现其格式为https://wh.ziroom.com/x/XXXX.html
在这里插入图片描述
对于具体的房屋信息我们 想爬取房屋的名称,房屋的面积,房屋的朝向,房屋的户型,房屋的位置,房屋的楼层,是否有电梯,房屋的年代,门锁情况,绿化情况这些项
在这里插入图片描述
如何获取这些元素的对应标签然后把他们提取出来呢?浏览器按F12进入源代码模式
在这里插入图片描述

所以我们的思路是:

  1. 访问自如公寓的网站,获得每个房间后面的数字号
  2. 根据数字号访问房屋的直接信息,然后抓取房屋的信息方法哦excel表中
  3. 确定所要提取的具体信息,针对本项目是房屋的名称,房屋的面积,房屋的朝向,房屋的户型,房屋的位置,房屋的楼层,是否有电梯,房屋的年代,门锁情况,绿化情况
  4. 摁f12进入源代码模式,查看各个元素对应的信息
    通过查看可以知道
import requests
from bs4 import BeautifulSoup
import random
import time 
import csv 

##这里增加了多个user_agent(用户代理),防止被反爬虫识别
#每次访问的时候随机选择一个UA头
user_agent = [
    "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
    "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)"]


def get_info(start,end):
    csvheader=['名称','面积','朝向','户型','位置','楼层','是否有电梯','建成时间',
                ' 门锁','绿化']
    with open('wuhan_ziru.csv','a+',newline='')as csvfile:
        writer=csv.writer(csvfile)
        writer.writerow(csvheader)
        for i in range(start,end):#总共有50页
            print('正在爬取第%s页'%i)
            timelist=[1,2,3]
            print('休息一下下辣')
            time.sleep(random.choice(timelist)) #随机休息1~3秒,方式给对方服务器太大压力
            url=url='https://wh.ziroom.com/z/p%s/'%i
            headers={'User-Agent':random.choice(user_agent)}
            r = requests.get(url, headers=headers)
            r.encoding = r.apparent_encoding
            soup=BeautifulSoup(r.text,'lxml')
            all_info=soup.find_all('div',class_='info-box')
            print('开始干活咯')
            for info in all_info:
                href=info.find('a')
                if href!=None:
                    href='https:'+href['href']
                    try:
                        print('正在爬取%s'%href) #提取到的形式为wh.ziroom.com/x/741955798.html
                        house_info=get_house_info(href)
                        writer.writerow(house_info)
                    except:
                        print('出错啦,%s进不去啦( •̥́ ˍ •̀ू )'%href)

def get_house_info(href):
    #获得房屋的信息
    time.sleep(1)
    headers = {'User-Agent': random.choice(user_agent)}
    response = requests.get(url=href, headers=headers)
    response=response.content.decode('utf-8', 'ignore')
    soup = BeautifulSoup(response, 'lxml')
    #房屋名称
    name=soup.find('h1',class_='Z_name').text
    #房屋的面积、房屋的朝向、房屋的户型
    sinfo=soup.find('div', class_='Z_home_b clearfix').find_all('dd')
    area=sinfo[0].text
    orien=sinfo[1].text
    area_type=sinfo[2].text
    # 房屋的位置、房屋的楼层、是否有电梯、 房屋的年代、门锁情况、绿化情况
    dinfo=soup.find('ul',class_='Z_home_o').find_all('li')
    location=dinfo[0].find('span',class_='va').text
    loucen=dinfo[1].find('span',class_='va').text
    dianti=dinfo[2].find('span',class_='va').text
    niandai=dinfo[3].find('span',class_='va').text
    mensuo=dinfo[4].find('span',class_='va').text
    lvhua=dinfo[5].find('span',class_='va').text
    room_info=[name,area,orien,area_type,location,loucen,dianti,niandai,mensuo,lvhua]
    return room_info


if __name__ == '__main__':
    get_info(1,3)#只爬取了前两页
    print('结束了!')

在这里插入图片描述
在这里插入图片描述


4.2 实践一:36kr信息抓取与邮件发送

爬取36kr的信息然后通过电脑端A账户发送,并在手机端用B接收
具体路径是:python爬虫–>通过邮件A发送–>服务器—>通过邮件B接收
36kr官网:https://36kr.com/newsflashes

使用python发送邮件需要获得pop3授权码,具体获取方式可参考:

https://blog.csdn.net/wateryouyo/article/details/51766345

接下来对36Kr网站进行爬取
在这里插入图片描述
可以发现消息标签为消息称字节跳动旗下懂车帝将推线下体验店
在这里插入图片描述
因此代码为

import requests
import random 
from bs4 import BeautifulSoup
import smtplib#发送邮件模块
from email.mime.text import MIMEText #定义邮件内容
from email.header import Header #定义邮件标题

#---------------------------发送邮件设置------------------------#
#配置邮件发送信息
smtpserver='smtp.qq.com'

#发送邮箱用户密码
user='邮箱账户,此处需要用QQ邮箱'
password='邮箱授权码,注意不是邮箱密码,授权码获取参考https://service.mail.qq.com/cgi-bin/help?subtype=1&&no=1001256&&id=28'

#发送和接收邮箱
sender='上面设置的用于发送的QQ邮箱'
receive='由于接受的邮箱'

def send_email(content):
    #通过QQ邮箱发送
    title='36kr快讯'
    subject = title
    msg = MIMEText(content, 'html', 'utf-8')
    msg['Subject'] = Header(subject, 'utf-8')
    msg['From'] = sender
    msg['To'] = receive
    # SSL协议端口号要使用465
    smtp = smtplib.SMTP_SSL(smtpserver, 465)  # 这里是服务器端口!
    # HELO 向服务器标识用户身份
    smtp.helo(smtpserver)
    # 服务器返回结果确认
    smtp.ehlo(smtpserver)
    # 登录邮箱服务器用户名和密码
    smtp.login(user, password)
    smtp.sendmail(sender, receive, msg.as_string())
    smtp.quit()
    

#---------------------爬虫---------------------#
#这里增加了很多user_agent
#能一定程度能保护爬虫
user_agent = [
    "Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0",
    "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; .NET CLR 3.0.30729; .NET CLR 3.5.30729; InfoPath.3; rv:11.0) like Gecko",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
    "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
    "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)"]

def main():
    print('正在爬数据')
    url='https://36kr.com/newsflashes'
    headers={'User-absAgent':random.choice(user_agent)}
    response=requests.get(url,headers=headers)
    response=response.content.decode('utf-8','ignore')
    soup=BeautifulSoup(response,'lxml')
    '''
    <a class="item-title" rel="noopener noreferrer" target="_blank"
    href="/newsflashes/1292246690482567" sensors_operation_list="page_flow">
    消息称字节跳动旗下懂车帝将推线下体验店</a>
    '''
    news = soup.find_all('a', class_='item-title')  
    news_list=[]
    for i in news:
        title=i.get_text()
        href='https://36kr.com'+i['href']
        news_list.append(title+'<br>'+href)
    info='<br></br>'.join(news_list)
    print('正在发送信息')
    send_email(info)
    print('发送完毕')
    
    
main()

最终在另一个邮箱中接收到的结果
在这里插入图片描述

标签:task5,python,Mozilla,爬虫,Windows,import,NT,find,4.0
来源: https://blog.csdn.net/a8689756/article/details/118295942