【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
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')
2.3 爬取图片
使用re.content
爬取图片https://www.icode9.com/i/ll/?i=20210424184053989.PNG
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)
**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>
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
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
如何进一步把需要信息提取出来需要用到BeautifulSoup
find()方法和find_all()方法:
- find() 返回符合条件的首个数据
- find_all() 返回符合条件的所有数据加粗样式**
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'))
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
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
-
第1页的网页为:https://wh.ziroom.com/z/p1/
-
第2页的网页为:https://wh.ziroom.com/z/p2/
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
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
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
所以我们的思路是:
- 访问自如公寓的网站,获得每个房间后面的数字号
- 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
- 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
- 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
-
房屋详情信息< a href=“dd//wh.ziroom.com/x/741955798.html” target="_blank"> 房屋名称< /a >
-
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
总体代码如下:
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!')
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
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
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
标签:task5,python,Mozilla,爬虫,Windows,import,NT,find,4.0 来源: https://blog.csdn.net/a8689756/article/details/118295942