Python爬虫基本库的使用
已寫章節(jié)
第一章 網(wǎng)絡(luò)爬蟲入門
第二章 基本庫的使用
第三章 解析庫的使用
第四章 數(shù)據(jù)存儲
第五章 動態(tài)網(wǎng)頁的抓取
文章目錄
- 已寫章節(jié)
- 第二章 基本庫的使用
- 2.1 urllib庫的使用(非重點)
- 2.1.1 request模塊
- 2.1.2 error模塊
- 2.1.3 parse模塊
- 2.2 requests庫的使用(重點)
- 2.2.1. requests庫的介紹
- 2.2.2 requests庫的安裝
- 2.2.3 requests庫的使用
- 2.2.3.1 requests.get()方法
- 2.2.3.2 requests.request()方法
- 2.2.3.3 處理requests庫的異常
- 2.2.3.4 發(fā)送POST請求
- 2.2.3.5 requests庫的使用實例：TOP250電影數(shù)據(jù)、抓取二進制數(shù)據(jù)
- 2.3 正則表達式(重點)
- 2.3.1 正則表達式的介紹
- 2.3.2 Re庫
- 2.3.2.1 Re庫的介紹
- 2.3.2.2 Re庫的使用
- 2.3.2.2.1 re.match()方法
- 2.3.2.2.2 使用分組
- 2.3.2.2.3 通用匹配和匹配操作符
- 2.3.2.2.4 貪婪與非貪婪
- 2.3.2.2.5 控制標記
- 2.3.2.2.6 re.search()
- 2.3.2.2.7 re.findall()
- 2.3.2.2.8 re.sub()
- 2.3.2.2.9 re.compile()
- 2.3.3 使用Re來爬取tx視頻
第二章 基本庫的使用
2.1 urllib庫的使用(非重點)
urllib的官方文檔
urllib是Python中自帶的HTTP請求庫，也就是說不用額外安裝就可以使用，它包含如下四個模塊：
- requests：基本的HTTP請求模塊，可以模擬發(fā)送請求
- error：異常處理模塊
- parse：一個工具模塊，提供了許多URL處理方法，比如拆分、解析、合并等。
- robotparser：它主要用來識別網(wǎng)站的robots.txt文件，讓后判斷哪些內(nèi)容可以爬取，哪些不能爬取，用得比較少。
2.1.1 request模塊
- 發(fā)送請求
使用request.urlopen()來向百度首頁發(fā)起請求，返回的是http.client.HTTPResponse對象，這個對象主要包含read()、readinto()、getheader(name)、getheaders()、fileno()等方法，以及msg、version、status、reason、debuglevel、closed等屬性。將返回的HTML代碼以utf-8的編碼方式讀取并打印出來。上面的代碼執(zhí)行后將返回百度的主頁的HTML代碼。
我運行的效果如下：
<!DOCTYPE html><!--STATUS OK--><html><head><meta http-equiv="Content-Type" content="text/html;charset=utf-8"><meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"><meta content="always" name="referrer"><meta name="theme-color" content="#2932e1"><meta name="description" content="全球最大的中文搜索引擎、致力于讓網(wǎng)民更便捷地獲取 信息，找到所求。百度超過千億的中文網(wǎng)頁數(shù)據(jù)庫，可以瞬間找到相關(guān)的搜索結(jié)果。"> 后面省略無數(shù)字......接下來再看這個例子：
# 2.2 使用urllib中的request模塊發(fā)起一個請求并獲取response對象中的信息的例子 import urllib.requestresponse = urllib.request.urlopen("http://www.python.org") print(response.read().decode('utf-8')[:100]) # 截取返回的html代碼的前100個字符的信息 print("response的類型為：" + str(type(response))) print("response的狀態(tài)為：" + str(response.status)) print("response的響應(yīng)的頭信息：" + str(response.getheaders())) print("response的響應(yīng)頭中的Server值為：" + str(response.getheader('Server')))上面的代碼使用urlopen()方法向指定的鏈接發(fā)起了一個請求，得到一個HTTPResponse對象，然后調(diào)用HTTPResponse的方法和屬性來獲取請求的狀態(tài)、請求頭信息等
下面是我的執(zhí)行結(jié)果：
<!doctype html> <!--[if lt IE 7]> <html class="no-js ie6 lt-ie7 lt-ie8 lt-ie9"> <![endif]--> <!- response的類型為：<class 'http.client.HTTPResponse'> response的狀態(tài)為：200 response的響應(yīng)的頭信息：[('Connection', 'close'), ('Content-Length', '50890'), ('Server', 'nginx'), ('Content-Type', 'text/html; charset=utf-8'), ('X-Frame-Options', 'DENY'), ('Via', '1.1 vegur, 1.1 varnish, 1.1 varnish'), ('Accept-Ranges', 'bytes'), ('Date', 'Mon, 17 May 2021 08:59:57 GMT'), ('Age', '1660'), ('X-Served-By', 'cache-bwi5163-BWI, cache-hkg17920-HKG'), ('X-Cache', 'HIT, HIT'), ('X-Cache-Hits', '1, 3886'), ('X-Timer', 'S1621241997.260514,VS0,VE0'), ('Vary', 'Cookie'), ('Strict-Transport-Security', 'max-age=63072000; includeSubDomains')] response的響應(yīng)頭中的Server值為：nginx- data參數(shù)
data參數(shù)是可選的，該參數(shù)是bytes類型，需要使用bytes()方法將字典轉(zhuǎn)化為字節(jié)類型，并且，該參數(shù)只能在POST請求中使用。
# 2.3 data參數(shù)的使用 import urllib.request# 使用urllib中的parse模塊中的urlencode方法來將字典轉(zhuǎn)化為字節(jié)類型，編碼方式為utf-8 data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8') response = urllib.request.urlopen('http://httpbin.org/post', data=data) print(response.read())這次我們請求的是http://httpbin.org/post這個網(wǎng)址，這個網(wǎng)址可以提供http請求測試，它可以返回請求的一些信息，其中包括我們傳遞的data參數(shù)。
- timeout參數(shù)
timeout參數(shù)用來設(shè)置超時時間，單位為秒，意思是如果請求超出了設(shè)置的這個時間，還沒有得到響應(yīng)，就會拋出異常。
# 2.4 timeout參數(shù)的使用 import urllib.requestresponse = urllib.request.urlopen('http://www.baidu.com', timeout=1) print(response.read())運行結(jié)果就不展示了。
- 其他參數(shù)
除了data參數(shù)和timeout參數(shù)外，還有context參數(shù)，它必須是ssl.SSLContext類型，用來指定SSL設(shè)置
Request類
urlopen()可以實現(xiàn)基本的請求的發(fā)起，但這不能構(gòu)造一個完整的請求，如果要在請求中加入Headers等信息，就可以利用更強大的Request類來構(gòu)建。
# 2.5 Request類的使用 import urllib.requestrequest = urllib.request.Request('https://python.org') print(type(request)) response = urllib.request.urlopen(request) # 傳入的是Request對象 print(response.read().decode('utf-8'))request的構(gòu)造方法：
Requests(url, data, headers, origin_host， unverifiablem, method)
- url：請求的url鏈接
- data：必須為字節(jié)流（bytes）類型
- headers：請求頭信息
- origin_req_host：請求方的host名稱或者IP地址
- unverifiable：表示這個請求是否是無法驗證的，默認為False。
- method：指示請求使用的方法，比如：GET、POST、PUT等
下面是例子：
# 2.6 Request類的使用 from urllib import request, parseurl = "http://httpbin.org/get" headers = {'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)','Host': 'httpbin.org' } dict = {'name': 'Germey' } data = bytes(parse.urlencode(dict), encoding='utf8') req = request.Request(url=url, data=data, headers=headers, method='GET') response = request.urlopen(req) print(response.read().decode('utf-8'))我們依然請求的是測試網(wǎng)址http://httpbin.org/get，它會返回我們發(fā)起的請求信息，下面是我的運行結(jié)果：
{"args": {}, "headers": {"Accept-Encoding": "identity", "Content-Length": "11", "Content-Type": "application/x-www-form-urlencoded", "Host": "httpbin.org", "User-Agent": "Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)", "X-Amzn-Trace-Id": "Root=1-60a236ed-01f68c862b09c8934983ae80"}, "origin": "221.176.140.213", "url": "http://httpbin.org/get" }從結(jié)果中，我們可以看到我們發(fā)起的請求中包含了我們自己設(shè)置的User-Agent，Host和我們請求中包含的數(shù)據(jù) ‘name’: ‘Germey’。
2.1.2 error模塊
urllib中的error模塊定義了由request模塊產(chǎn)生的異常，如果出現(xiàn)了問題，request模塊就會拋出error模塊中的異常。
下面介紹其中用得比較多的兩個異常：URLError和HTTPError。
-
URLError
URLError類是error異常模塊的基類，由request模塊產(chǎn)生的異常都可以通過捕獲這個異常來處理。
# 2.7 URLError的使用例子 from urllib import request, error# 打開一個不存在的網(wǎng)頁 try:response = request.urlopen('https://casdfasf.com/index.htm') except error.URLError as e:print(e.reason)運行結(jié)果：
[Errno 11001] getaddrinfo failed
-
HTTPError
它是URLError的子類，專門用來處理HTTP請求錯誤，比如認證請求失敗等。它有如下3個屬性：
- code：返回HTTP狀態(tài)碼
- reason:返回錯誤的原因
- headers：返回請求頭 # 2.8 HTTPError對象的屬性 from urllib import request, errortry:response = request.urlopen('https://cuiqingcai.com/index.htm') except error.HTTPError as e:print(e.reason, e.code, e.headers, sep='\n')
運行結(jié)果：
Not Found 404 Server: GitHub.com Date: Tue, 16 Feb 2021 03:01:45 GMT Content-Type: text/html; charset=utf-8 X-NWS-UUID-VERIFY: 8e28a376520626e0b40a8367b1c3ef01 Access-Control-Allow-Origin: * ETag: "6026a4f6-c62c" x-proxy-cache: MISS X-GitHub-Request-Id: 0D4A:288A:10EE94:125FAD:602B33C2 Accept-Ranges: bytes Age: 471 Via: 1.1 varnish X-Served-By: cache-tyo11941-TYO X-Cache: HIT X-Cache-Hits: 0 X-Timer: S1613444506.169026,VS0,VE0 Vary: Accept-Encoding X-Fastly-Request-ID: 9799b7e3df8bdc203561b19afc32bb5803c1f03c X-Daa-Tunnel: hop_count=2 X-Cache-Lookup: Hit From Upstream X-Cache-Lookup: Hit From Inner Cluster Content-Length: 50732 X-NWS-LOG-UUID: 5426589989384885430 Connection: close X-Cache-Lookup: Cache Miss2.1.3 parse模塊
parse模塊是用來處理url的模塊，它可以實現(xiàn)對url各部分的抽取、合并以及連接裝換等。
下面介紹parse模塊中常用的幾個方法：
-
urlparse()
實現(xiàn)url的識別和分段
# 2.9 urllib庫中parse模塊中urlparse()方法的使用 from urllib.parse import urlparseresult = urlparse('http://www.biadu.com/index.html;user?id=5#comment') print(type(result), result)result1 = urlparse('www.biadu.com/index.html;user?id=5#comment', scheme='https') print(type(result1), result1)result2 = urlparse('http://www.baidu.com/index.html#comment', allow_fragments=False) print(type(result2), result2)result3 = urlparse('http://www.baidu.com/index.html#comment', allow_fragments=False) print(result3.scheme, result3[0], result3.netloc, result3[1], sep="\n")運行結(jié)果：
<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.biadu.com', path='/index.html', params='user', query='id=5', fragment='comment') <class 'urllib.parse.ParseResult'> ParseResult(scheme='https', netloc='', path='www.biadu.com/index.html', params='user', query='id=5', fragment='comment') <class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html#comment', params='', query='', fragment='') http http www.baidu.com www.baidu.com可以看到，urlparse()方法將url解析為6部分，返回的是一個ParseResult對象，這6部分是：
- scheme：😕/前面的部分，指協(xié)議
- netloc：第一個/的前面部分，指域名
- path：第一個/后面的部分，指訪問路徑
- params：；后面的部分，指參數(shù)
- query：問號后面的內(nèi)容，指查詢條件
- fragment：#號后面的內(nèi)容，值錨點
所以，可以得出一個標準的鏈接格式：
scheme://netloc/path;params?query#fragment
一個標準的URL都會符合這個規(guī)則，我們就可以使用urlparse()這個方法來將它拆分開來。
urlparse()方法還包含三個參數(shù)：
urlstring:必選項，即待解析的URL
scheme:默認協(xié)議，假如這個鏈接沒有帶協(xié)議信息，會將這個作為默認的協(xié)議。
allow_fragments:即是否忽略fragment。如果它被設(shè)置為false，fragment就會被忽略，它會被解析為path、params或者query的一部分，而fragment部分為空
-
urlunparse()
它和urlparse()方法相反，它接收的參數(shù)是一個可迭代對象（常見的有列表、數(shù)組、集合），它的長度必須為6。
# 2.10 parse模塊中的urlparse方法的使用 from urllib.parse import urlunparsedata = ['http', 'www.baidu.com', 'index.html', 'user', 'a=6', 'comment'] print(urlunparse(data))上面的例子中傳入的是一個包含6個元素的列表，當(dāng)然可以是其他類型，如元組，只需要這個可迭代對象的長度為6個就可以了。
-
urlsplit()
和urlparse()方法相似，只不過它不再單獨解析params這一部分，而將params加入到path中，只返回5個結(jié)果
# 2.11 parse模塊中的urlsplit方法的使用 from urllib.parse import urlsplitresult = urlsplit('http://www.baidu.com/index.html;user?id=5#comment') print(result)運行結(jié)果：
SplitResult(scheme='http', netloc='www.baidu.com', path='/index.html;user', query='id=5', fragment='comment')
-
urlunsplit()
和urlsplit()方法相反，傳入的參數(shù)也是一個可迭代的對象，例如列表、元組等，長度必須為5。
# 2.12 parse模塊中的urlunsplit方法的使用 from urllib.parse import urlunsplitdata = ['http', 'www.baidu.com', 'index.html', 'a=6', 'comment'] print(urlunsplit(data))運行結(jié)果：
http://www.baidu.com/index.html?a=6#comment
-
urljoin()
該方法接收兩個參數(shù)，一個是base_url，另外一個是新的url，該方法會分析新url中的scheme、netloc、path三部分的內(nèi)容是否存在，如果某個不存在，就用base_url中的來替換。
-
urlencode()
將字典類型轉(zhuǎn)換為url中的參數(shù)
# 2.13 parse模塊中的urlencode方法的使用 from urllib.parse import urlencode params = {'name': 'germey','age': '22' } base_url = 'http://www.baidu.com?' url = base_url + urlencode(params) print(url)運行結(jié)果：
http://www.baidu.com?name=germey&age=22
-
parse_qs()、parse_qsl()
parse_qs：反序列化，將get請求參數(shù)轉(zhuǎn)化為字典
parse_qsl：反序列化，將get參數(shù)轉(zhuǎn)化為元組組成的字典
# 2.14 parse模塊中parse_qs和parse_qsl方法的使用 from urllib.parse import parse_qs, parse_qsl# 反序列化，將參數(shù)轉(zhuǎn)化為字典類型 query = 'name=germey&age=22' print(parse_qs(query))# 反序列化，將參數(shù)轉(zhuǎn)化為元組組成的列表 print(parse_qsl(query))運行結(jié)果：
{'name': ['germey'], 'age': ['22']} [('name', 'germey'), ('age', '22')]
-
quote()、unquote()
quote：將內(nèi)容轉(zhuǎn)化為URL編碼的格式，URL中帶有中文參數(shù)時，有可能會導(dǎo)致亂碼的問題，用這個方法就可以將中文字符轉(zhuǎn)化為URL編碼。
unquote：和quote()方法相反，將URL解碼
# 2.15 parse模塊中quote()方法和unquote()方法的使用 from urllib.parse import quote, unquotekeyword = '書包' url = 'https://www.baidu.com/?wd=' + quote(keyword) print(url)url = 'https://www.baidu.com/?wd=%E5%A3%81%E7%BA%B8' print(unquote(url))運行結(jié)果：
https://www.baidu.com/?wd=%E4%B9%A6%E5%8C%85 https://www.baidu.com/?wd=壁紙
urllib中的robotparse模塊可以實現(xiàn)robots協(xié)議的分析，用得不多，這里就不再介紹。
2.2 requests庫的使用(重點)
學(xué)習(xí)爬蟲，最基礎(chǔ)的便是模擬瀏覽器向服務(wù)器發(fā)出請求。
requests文檔
2.2.1. requests庫的介紹
利用Python現(xiàn)有的庫可以非常方便的實現(xiàn)網(wǎng)絡(luò)請求的模擬，常見的有urllib、requests等。requests模塊是Python原生的一款基于網(wǎng)絡(luò)請求的模塊，功能非常強大，效率極高。
作用：模擬瀏覽器發(fā)起請求
2.2.2 requests庫的安裝
requests庫是Python的第三方庫，需要額外安裝，在cmd中輸入以下代碼使用pip安裝：
pip install requests
2.2.3 requests庫的使用
要檢查是否已經(jīng)正確安裝requests庫，在編輯器或Python自帶的IDLE中導(dǎo)入requests庫：
import requests執(zhí)行后沒有發(fā)生錯誤就說明你已經(jīng)正確安裝了requests庫。
也可以在cmd命令行窗口中輸入：
pip list
后按回車，就會顯示所有pip已安裝的第三方庫，在列表中看到request庫就表明成功安裝requests庫。
下面介紹Requests庫的7個主要方法：
| requests.request() | 構(gòu)造一個請求，支撐以下的各種基礎(chǔ)方法，不常用 |
| requests.get() | 獲取HTML網(wǎng)頁的主要方法，對應(yīng)于HTTP的GET，常用 |
| requests.head() | 獲取HTML網(wǎng)頁頭信息的方法，對應(yīng)于HTTP的 |
| requests.post() | 向HTML頁面提交POST請求的方法，對應(yīng)于HTTP的POST |
| requests.put() | 向HTM頁面提交PUT請求的方法，對應(yīng)于HTTP的PUT |
| requests.patch() | 向HTML頁面提交局部修改請求，對應(yīng)于HTTP的PATCH |
| requests.delete() | 向HTML頁面提交刪除請求，對應(yīng)于HTTP的DELETE |
2.2.3.1 requests.get()方法
requests.get(url, params=None, **kwargs)
- url : 要獲取頁面的url鏈接，必選
- params ：url中的額外參數(shù)，字典或字節(jié)流格式，可選
- **kwargs : 12個控制訪問的參數(shù)，可選
我們在瀏覽器中輸入一個url后按下enter，其實是發(fā)起一個get請求。同樣，使用requests庫發(fā)起一個get請求，可以使用requests庫下的get（）方法，requests.get()方法可以構(gòu)造一個向服務(wù)器請求資源的Request對象并返回一個包含服務(wù)器資源的Response對象。request對象和response對象是requests庫中的2個重要對象，response對象包含服務(wù)器返回的所有信息，也包含請求的request信息，下面是response對象的屬性：
| r.status_code | HTTP請求的返回狀態(tài)，200表示成功，404表示失敗 |
| r.text | HTTP響應(yīng)內(nèi)容的字符串形式，即url對應(yīng)的頁面內(nèi)容 |
| r.encoding | 從HTTP header中猜測的響應(yīng)內(nèi)容編碼方式，如果header中不存在charset，則認為編碼為ISO-8859-1，r.text根據(jù)r.encoding顯示網(wǎng)頁內(nèi)容 |
| r.apparent_encoding | 從內(nèi)容中分析出的響應(yīng)內(nèi)容的編碼方式（備用編碼方式，一般比較準確） |
| r.content | HTTP響應(yīng)內(nèi)容的二進制形式 |
下面是一個使用requests.get()方法訪問百度并打印出返回的response對象的各種屬性的例子：
import requests# 2.16 使用requests.get()方法發(fā)送一個get()請求 r = requests.get("https://www.baidu.com") print("r的狀態(tài)碼為：", r.status_code) print("r的內(nèi)容為：", r.text) print("從r的header中推測的響應(yīng)內(nèi)容的編碼方式為：", r.encoding) print("從r的內(nèi)容中分析出來的響應(yīng)內(nèi)容編碼方式為：", r.apparent_encoding) print("r內(nèi)容的二進制形式為：", r.content)2.2.3.2 requests.request()方法
requests.request(method, url, **kwargs)
- method : 請求方式，對應(yīng)get/put/post/head/patch/delete/options7種
- url : 要獲取頁面的url鏈接
- **kwargs : 控制訪問的參數(shù)，共13個
**kwargs:控制訪問的參數(shù)，都為可選項：
| params | 字典或字節(jié)序列，作為參數(shù)增加到url中 |
| data | 字典、字節(jié)序列或文件對象，作為request的內(nèi)容 |
| json | JSON格式的數(shù)據(jù)，作為request的內(nèi)容 |
| headers | 字典，HTTP定制頭 |
| cookies | 字典或cookieJar，Request中的cookie |
| auth | 元組，支持HTTP認證功能 |
| files | 字典類型，傳輸文件 |
| timeout | 設(shè)置超時時間，秒為單位 |
| proxies | 字典類型，設(shè)置代理服務(wù)器，可以增加登錄認證 |
| allow_redirects | True/False，默認為True，重定向開關(guān) |
| stream | True/False，默認為True，獲取內(nèi)容立即下載開關(guān) |
| verify | True/False，默認為True，認證SSL證書開關(guān) |
| cert | 本地SSL證書路徑 |
下面只介紹幾個常用的參數(shù)。
params：字典或字節(jié)序列，作為參數(shù)增加到url中
import requests# 2.17 請求參數(shù)params參數(shù)的使用 kv = {"key1": "value1", "key2": "value2"} r = requests.request('GET', 'http://httpbin.org/get', params=kv) # 也可寫成： r = requests.get('http://httpbin.org/get', params=kv) print(r.url) print(r.text)如果向網(wǎng)站http://httpbin.org/get發(fā)起一個get請求，該網(wǎng)站會將你的請求頭的信息返回回來。
print(r.url)將輸出：
http://httpbin.org/get?key1=value1&key2=value2，
可以看到，已經(jīng)將字典作為參數(shù)增加到url中了！
同時上面的代碼print(r.text)也將請求放回的信息也打印出來了：
{
“args”: {
“key1”: “value1”,
“key2”: “value2”
},
“headers”: {
“Accept”: “/”,
“Accept-Encoding”: “gzip, deflate”,
“Host”: “httpbin.org”,
“User-Agent”: “python-requests/2.24.0”,
“X-Amzn-Trace-Id”: “Root=1-600f8cf4-6af557655f1c1a771135e7fb”
},
“origin”: “117.150.137.110”,
“url”: “http://httpbin.org/get?key1=value1&key2=value2”
}
上面就是我們發(fā)起的請求的相關(guān)信息，有請求頭、發(fā)起請求的瀏覽器、參數(shù)等。
data：字典、字節(jié)序列或文件對象，作為request的內(nèi)容
import requests# 2.18 請求參數(shù)data的使用 data = 'data' r = requests.request('POST', 'http://httpbin.org/post', data=data) # 也可寫成： r = requests.post('http://httpbin.org/post', data=data) # 這發(fā)起的是POST請求，可以看3.4 print(r.text)我執(zhí)行后的結(jié)果：
{
“args”: {},
“data”: “data”,
“files”: {},
“form”: {},
“headers”: {
“Accept”: “/”,
“Accept-Encoding”: “gzip, deflate”,
“Content-Length”: “4”,
“Host”: “httpbin.org”,
“User-Agent”: “python-requests/2.24.0”,
“X-Amzn-Trace-Id”: “Root=1-600f8f3d-46564aa85b91258f2d1c7511”
},
“json”: null,
“origin”: “117.150.137.110”,
“url”: “http://httpbin.org/post”
}
可以看到，"data"已經(jīng)作為request的內(nèi)容了。
json：JSON格式的數(shù)據(jù)，作為request的內(nèi)容
import requests# 2.19 請求參數(shù)json的使用 kv = {'key1':'value1'} r = requests.request('POST', 'http://httpbin.org/post', json=kv) # 也可寫成：r = requests.post('http://httpbin.org/post', json=kv) print(r.text)我執(zhí)行后的結(jié)果：
{
“args”: {},
“data”: “{“key1”: “value1”}”,
“files”: {},
“form”: {},
“headers”: {
“Accept”: “/”,
“Accept-Encoding”: “gzip, deflate”,
“Content-Length”: “18”,
“Content-Type”: “application/json”,
“Host”: “httpbin.org”,
“User-Agent”: “python-requests/2.24.0”,
“X-Amzn-Trace-Id”: “Root=1-600f8f00-2419855b4f772b4851c12cdd”
},
“json”: {
“key1”: “value1”
},
“origin”: “117.150.137.110”,
“url”: “http://httpbin.org/post”
}
headers：字典、HTTP定制頭
請求頭Headers提供了關(guān)于請求、響應(yīng)或其他發(fā)送實體的信息。對于爬蟲而言，請求頭非常重要，有很多網(wǎng)站會通過檢查請求頭來判斷請求是不是爬蟲發(fā)起的。
那如何找到正確的Headers呢？
在Chrome中或其他瀏覽器打開要請求的網(wǎng)頁，右擊網(wǎng)頁任意處，在彈出的菜單中單擊“檢查"選項，
點擊Network,點擊下面的資源列表中的任意一個，我點擊的是第一個，在右邊彈出的界面中找到Requests Headers，就可以看到Requests Headers中的詳細信息：
我們將Requests Headers中的user-agent對應(yīng)的信息復(fù)制下來，用在下面的代碼中：
我的運行結(jié)果：
{
“args”: {},
“data”: “”,
“files”: {},
“form”: {},
“headers”: {
“Accept”: “/”,
“Accept-Encoding”: “gzip, deflate”,
“Content-Length”: “0”,
“Host”: “httpbin.org”,
“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.104 Safari/537.36”,
“X-Amzn-Trace-Id”: “Root=1-600f9f2f-016953bc4635251a20212054”
},
“json”: null,
“origin”: “117.150.137.110”,
“url”: “http://httpbin.org/post”
}
可以看到，我們的請求頭中的user-Agent已經(jīng)變成我們自己構(gòu)造的了！
timeout：設(shè)置超時時間，秒為單位
import requests# 2.21 請求參數(shù)timeout的使用 r = requests.request('GET', 'http://www.baidu.com', timeout=10) # 也可寫成： r = requests.request('http://www.baidu.com', timeout=10)proxies：字典類型，設(shè)定訪問代理服務(wù)器，可以增加代理驗證
import requests# 2.22 請求參數(shù)proxies的使用 pxs = {'http': 'http://user:pass@10.11.1:12344''https': 'https://10.10.10.1.12344' } r = requests.request('GET', 'http://www.baidu.com', proxies=pxs) # 也可寫成： r = requests.get('http://www.baidu.com', proxies=pxs)cookies: 字典或cookieJar，Request中的cookie
首先看一下獲取cookie的過程：
import requests# 2.23 請求參數(shù)cookies的使用 r = requests.request('GET', 'https://www.baidu.com') # 也可寫成： r = requests.get('https://www.baidu.com') print(r.cookies)for key, value in r.cookies.items():print(key + '=' + value)運行結(jié)果如下：
<RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
BDORZ=27315
第一行是直接打印的cookie信息，我們發(fā)現(xiàn)它是RequestCookieJar類型。第二行是遍歷的Cookie的信息。
我們也可以使用Cookie來保持登錄狀態(tài)，以登錄百度為例，首先，登錄百度，讓后用上面我教你的方法來獲取Requests Headers中的user-agent和cookie的信息，將它們設(shè)置到Headers中，然后發(fā)送請求：
import requests# 2.24 使用cookies的實例 headers = {'Cookie': 'BIDUPSID=A41FB9F583DE46FF509B8F9443183F5C;\PSTM=1604237803; BAIDUID=A41FB9F583DE46FF6179FBA5503669E3:FG=1;\BDUSS=jdRb3ZMQTR5OX5XYTd1c0J3eUVSWGVlRVgxZ0VlMjRFR3dGMkZZMDlMNWR\3eWRnRVFBQUFBJCQAAAAAABAAAAEAAACzkIz7vfDP~rarMzIxAAAAAAAAAAAAAAAAAA\AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAF02AGBdNgBgW;\BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; H_PS_PSSID=33425_33437_33344_\31253_33284_33398_33459_26350; delPer=0; PSINO=3; BD_HOME=1; BD_UPN=123\14753; BA_HECTOR=2k808k8h0000a18g001g0v9e80r','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, \like Gecko) Chrome/88.0.4324.96 Safari/537.36 Edg/88.0.705.50' } r = requests.request('GET', "https://www.baidu.com", headers=headers) # 也可以寫成 r = requests.get("https://www.baidu.com", headers=headers) print(r.text)這樣，我們就實現(xiàn)了用Python模擬登錄到百度了，結(jié)果中包含我們只有登錄百度后才能查看的信息。
2.2.3.3 處理requests庫的異常
在上面的代碼中，r=requests.get(“https://www.baidu.com”)，并不是在任何時候都會成功，如果鏈接打錯或訪問的鏈接不存在，則會產(chǎn)生異常。下面列出了常見的異常：
| requests.ConnectionError | 網(wǎng)絡(luò)鏈接錯誤，入DNS查詢失敗，拒絕鏈接等 |
| requests.HTTPError | HTTP錯誤異常 |
| requests.URLRequired | URL缺失異常 |
| requests.TooManyRedirects | 超過最大重定向次數(shù)，產(chǎn)生重定向異常 |
| requests.ConnectionTimeout | 鏈接遠程服務(wù)器超時異常 |
| requests.Timeout | 請求URL超時，產(chǎn)生超時異常 |
處理異常，可以使用requests.raise_for_status()方法，該方法在其內(nèi)部判斷r.status_code是否等于200，不需要增加額外的if語句：
import requests# 2.25 處理發(fā)送請求過程中的異常 try:# 下面的鏈接錯了，將打印輸出"參數(shù)異常"r = requests.get("https://www.baidu.co")r.raise_for_status()r.encoding = r.apparent_encodingprint(r.text) except:print("產(chǎn)生異常")2.2.3.4 發(fā)送POST請求
除了GET請求外，有時還需要發(fā)送一些編碼為表單形式的數(shù)據(jù)，如在登錄的時候請求就為POST,因為如果使用GET請求，密碼就會顯示在URL中，這是非常不安全的。如果要實現(xiàn)POST請求，其實在上面的介紹requests.request( )方法時就已經(jīng)實現(xiàn)了，你也可以看看下面用requests.post()方法實現(xiàn)的代碼，對比后發(fā)現(xiàn)，requests.post()方法其實就是將requests.request(‘POST’, …)方法給包裝起來了，這也是為什么說requests.request()方法是實現(xiàn)其他方法的基礎(chǔ)了，上面的例子中也建議大家不用requests.request()方法。
import requests# 2.26 發(fā)送POST請求 key_dict = {'key1':'value1', 'key2': 'value2'} r = requests.post('http://httpbin.org/post', data=key_dict) # 也可寫成： r = requests.request('POST', 'http://httpbin.org/post', data=key_dict) print(r.text)按照上面的requests.request()方法的13個訪問參數(shù)，你就會將其應(yīng)用到requests.get()或requests.post()方法中了吧！在來看一個例子：
import requestsr = requests.get('http://www.baidu.con', timeout=3) print(r.text)2.2.3.5 requests庫的使用實例：TOP250電影數(shù)據(jù)、抓取二進制數(shù)據(jù)
打開豆瓣電影TOP250的網(wǎng)站，右鍵鼠標，使用“檢查"功能查看該網(wǎng)頁的請求頭：
按照下面提取請求頭中的重要信息：
使用這個headers構(gòu)造請求頭并爬取前25個電影的名稱，提取部分的代碼大家看不懂沒關(guān)系，大家只要看懂請求發(fā)起代碼的實現(xiàn)：
import requests from bs4 import BeautifulSoup# 2.27 發(fā)送get請求爬取豆瓣電影的前25個電影 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36 Edg/88.0.705.50','Host': 'movie.douban.com' } r = requests.get('https://movie.douban.com/top250', headers=headers, timeout=10) try:r.raise_for_status()soup = BeautifulSoup(r.text, 'html.parser')movies = soup.find_all('div', {'class': 'hd'})for each in movies:print(each.a.span.text.strip()) except:print("error")執(zhí)行后將輸出：
肖申克的救贖
霸王別姬
阿甘正傳
這個殺手不太冷
…
下面是一個抓取favicon.ico圖標的例子：
import requests# 2.28 發(fā)送get請求爬取圖片 r = requests.get('https://github.com/favicon.ico') with open('favicon.ico', 'wb') as f:f.write(r.content)運行結(jié)束后，文件夾中將出現(xiàn)名為favicon.ico的圖標。上面的代碼先使用get方法發(fā)起一個get請求，讓后將請求返回的內(nèi)容以wb(二進制)寫入favicon.ico文件中。
2.3 正則表達式(重點)
2.3.1 正則表達式的介紹
本節(jié)中，我們看一下正則表達式的相關(guān)用法。正則表達式是處理字符串的強大工具，它有自己特定的語法結(jié)構(gòu)，有了它，實現(xiàn)字符串的檢索、替換、匹配驗證都不在話下。
正則表達式是用來簡介表達一組字符串的表達式，正則表達式是一種通用的字符串表達框架。正則表達式可以用來判斷某字符串的特征歸屬。
在爬蟲中，我們使用它來從HTML中提取想要的信息就非常方便了。
例如：正則表達式：
p(Y|YT|YTH|YTHO)?N
它可以表示：
- ‘PN’
- ‘PYN’
- ‘PYTN’
- ‘PYTHN’
- ‘PYTHON’
這5個字符串。
正則表達式語法由字符和操作符構(gòu)成，上面的例子中的() | ? 都是操作符，其他的是字符。
下面是正則表達式的常用的操作符：
| . | 表示任何單個字符，除了換行符 | |
| [ ] | 字符集，對單個字符給出取值范圍 | [abc]表示a、b、c，[a-z]表示a到z單個字符 |
| [^ ] | 非字符集，對單個字符給出排除范圍 | [^abc]表示非a非b非c的單個字符 |
| * | 前一個字符0次或無限次擴展 | abc*表示ab、abc、abcc、abccc等 |
| + | 前一個字符1次或無限次擴展 | abc+表示abc、abcc、abccc等 |
| ？ | 前一個字符0次或1次擴展 | abc?表示ab、abc |
| | | 左右表達式中任意一個 | abc|def表示abc、def |
| {m} | 擴展前一個字符m次 | ab{2}c表示abbc |
| {m, n} | 擴展前一個字符m至n次（含n） | ab{1，2}c表示abc、abbc |
| ^ | 匹配字符串開頭 | ^abc表示abc且在一個字符串的開頭 |
| $ | 匹配字符串結(jié)尾 | abc$表示abc且在一個字符的結(jié)尾 |
| ( ) | 分組標記，內(nèi)部只能使用|操作符 | (abc)表示abc，(abc|def)表示abc、def |
| \d | 數(shù)字，等價于[0-9] | |
| \D | 匹配非數(shù)字 | |
| \w | 匹配非特殊字符，即a-z、A-Z、0-9、_、漢字 | |
| \W | 匹配特殊字符，即非字母、非數(shù)字、非漢字、非_ | |
| \n | 匹配一個換行符 | |
| \s | 匹配空白 | |
| \S | 匹配非空白 |
正則表達式語法實例：
| p(Y|YT|YTH|YTHO)?N | ‘PN’，‘PYN’，‘PYTN’，‘PYTHN’，‘PYTHON’ |
| PYTHON+ | ‘PYTHON’，‘PYTHONN’，‘PYTHONNN’ … |
| PY[TH]ON | ‘PYTON’，‘PYHON’ |
| PY[^TH]?ON | ‘PYON’，‘PYaON’，‘PYbON’，‘PYcON’ … |
| PY{ : 3}N | ‘PN’，‘PYN’，‘PYYN’、‘PYYYN’ |
經(jīng)典正則表達式實例：
| ^[A-Za-z]+$ | 由26個字母組成的字符串 |
| ^[A-Za-z0-9]+$ | 由26個字母和數(shù)字組成的字符串 |
| ^\d+$ | 整數(shù)形式的字符串 |
| ^[0-9]*[1-9][0-9]*$ | 正整數(shù)形式的字符串 |
| [1-9]\d{5} | 中國境內(nèi)的郵政編碼，6位 |
| [\u4e00-\u9fa5] | 匹配中文字符 |
| \d{3}-\d{8}|\d{4}-\d{7} | 國內(nèi)電話號碼，010-68913536 |
| \d+.\d+.\d+.\d+. 或 \d{1,3}.\d{1,3}.\d{1,3}.\d{1,3} | 匹配IP地址的字符串 |
其實正則表達式不是Python僅有的，它也出現(xiàn)在其他的編程語言中，只不過語法可能有一點不同。Python中的re庫提供了整個正則表達式的實現(xiàn)，下面就來介紹re庫。
2.3.2 Re庫
2.3.2.1 Re庫的介紹
Re庫是Python的標準庫，主要用于字符串匹配。
re文檔
python中的re庫文檔
2.3.2.2 Re庫的使用
要使用Re庫，必須先安裝re庫：
pip install re
re庫的主要功能函數(shù)：
| re.match() | 從一個字符串的開始位置起匹配正則表達式 |
| re.search() | 在一個字符串中搜索匹配正則表達式的第一個位置 |
| re.findall() | 搜索字符串，以列表類型返回全部能匹配的字符串 |
| re.sub() | 在一個字符串中替換所有匹配正則表達式的子串，返回替換后的字符串 |
2.3.2.2.1 re.match()方法
re.match(pattern, string, flags=0)
- pattern：正則表達式（可以是字符串或原生字符串）
- string：待匹配字符串
- flags：正則表達式使用時的控制標記（可選）
? 常見的控制標記：
| re.I re.IGNORECASE | 忽略正則表達式的大小寫，[A-Z]能夠匹配小寫字符 |
| re.M re.MULTILTNE | 正則表達式中的^操作符能夠?qū)⒔o定字符串的每一行當(dāng)做匹配開始 |
| re.S re.DOTALL | 正則表達式中的.操作符能夠匹配所有的字符，默認匹配除換行符以外的所有字符 |
match()方法會嘗試從字符串的起始位置匹配正則表達式，如果匹配，就返回匹配成功的結(jié)果，否則，返回None：
import re# 2.29 re.match()方法的使用 content = 'dfs 234 d 3 34' result = re.match('..', content) print(type(result)) print(result) print(result.group()) print(result.span())下面是執(zhí)行結(jié)果：
<class 're.Match'> <re.Match object; span=(0, 2), match='df'> df (0, 2)從結(jié)果可以看出，re.match()方法返回一個re.Match對象，該對象有兩種常用的方法：
- group()：匹配結(jié)果的內(nèi)容，如果有分組，則分組是從1開始的，group[1]表示第一個分組，group[2]表示第二個分組，以此類推。
- span()：輸出匹配到的字符串在原字符串中的起始位置，上面的（0,2）中的0和2就代表了df在’dfs 234 d 3 34’中的起始位置。
正則表達式…匹配到的字符串是df。
2.3.2.2.2 使用分組
上面的例子中，我們用match()方法匹配到了我們想要的字符串，但是，如果我們想要的字符串在匹配結(jié)果中該怎么辦？
例如：
# 2.30 使用分組() import recontent = 'a1234567atsea' result = re.match('a\d{7}a', content) print(result) print(result.group()) print(result.span())我們要在content中將數(shù)字提取出來，我們發(fā)現(xiàn)數(shù)字都包含在a這個字母中間，所以用a\\d{7}a這個正則表達式來提取，\d表示任意一個數(shù)字，再用{7}將\d（任意一個數(shù)字）匹配7個，運行結(jié)果如下：
a1234567a (0, 9)我么發(fā)現(xiàn)匹配結(jié)果中開頭和結(jié)尾都包含了一個a，如何只得到1234567能，我們只需要使用分組，并將上面的代碼修改一下就行了：
import re# 2.31 分組()的使用 content = 'a1234567atsea' result = re.match('a(\d{7})a', content) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
a1234567a (0, 9) 1234567將正則表達式中的\d{7}的兩邊加上小括號，將其作為一個分組，在匹配結(jié)果中使用group(1)將分組取出，可以看到，我們想要的1234567就在匹配結(jié)果中的第一個分組中了（group(1)）。
2.3.2.2.3 通用匹配和匹配操作符
在使用正則表達式的時候，要熟練使用.*(通用匹配)，其中，.可以匹配任意一個字符，*(星)代表匹配前面的字符無限次，所以它們組合在一起就可以匹配任意字符了（換行符除外）。
下面來看一個通用匹配（.*）的例子：
import re# 2.32 通用匹配(.*)的使用 content = 'rtgfga1234567atsea' result = re.match('.*(\d{7}).*', content) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
rtgfga1234567atsea (0, 18) 1234567上面的例子中，我們使用了.*來匹配數(shù)字前的任意字符串和數(shù)字之后的任意字符串，在使用分組獲得 我們想要的數(shù)字。
有時候，我們要匹配的字符中包括操作符該怎么辦？可以使用\來將操作符轉(zhuǎn)義，請看下面的例子：
import re# 2.33 在正則表達式中使用轉(zhuǎn)義符 content = '12df www.baidu.com df' result = re.match('12df\s(www\.baidu\.com)\sdf', content) print(result.group()) print(result.span()) print(result.group(1))在content中，我們要提取www.baidu.com，其中的.是操作符，在寫正則表達式時，我們不能用.來匹配. 因為.代表任意一個字符，我們用\來將其轉(zhuǎn)義，就可以用\.來匹配點了。運行結(jié)果如下：
12df www.baidu.com df (0, 21) www.baidu.com2.3.2.2.4 貪婪與非貪婪
由于.*代表任意字符串，這就有一個問題，例如：
import re# 2.34 貪婪模式 content = 'dfadas1234567assedf' result = re.match('df.*(\d+).*df', content) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
dfadas1234567assedf (0, 19) 7(\d+)分組只匹配到了7這一個數(shù)字，我們想要匹配1234567，這是為什么？
這就涉及到了貪婪與非貪婪，由于.*可以匹配任意長度的字符串，所以.*就盡可能的的匹配較多的字符，于是，它就匹配了adas123456，而只讓\d+只匹配到一個7。
貪婪：讓.*匹配盡可能多的字符
非貪婪：讓.*匹配盡可能少的字符
默認.*是貪婪的，要讓.*是非貪婪的，只需要在.*的后面加上？,即：.*?
知道如何將.*設(shè)置為非貪婪模式后，我們就可以將上面的代碼改為如下的代碼：
import re# 2.35 非貪婪模式 content = 'dfadas1234567assedf' result = re.match('df.*?(\d+).*?df', content) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
dfadas1234567assedf (0, 19) 1234567這就匹配到了我們想要的1234567了。
2.3.2.2.5 控制標記
正則表達式可以包含一些可選標志修飾符來控制匹配的模式，常見的控制標記大家可以看上面介紹re.match()方法中列出的控制標記表格。
下面的代碼中，我們?nèi)稳皇翘崛∽址械乃袛?shù)字：
import recontent = 'dfadas1234567assedf' result = re.match('^df.*?(\d+).*?df$', content) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
dfadas1234567assedf (0, 19) 1234567我們成功將字符串中的所有數(shù)字提取出來了，但是，我將content修改一下：
import recontent = '''dfadas1234567assedf''' result = re.match('^df.*?(\d+).*?df$', content) print(result.group()) print(result.span()) print(result.group(1))再運行：
Traceback (most recent call last):File "E:/pycharmWorkStation/venv/Include/draft/test.py", line 6, in <module>print(result.group()) AttributeError: 'NoneType' object has no attribute 'group'Process finished with exit code 1發(fā)現(xiàn)出錯了！原因是.匹配任意一個除了換行符之外的任意字符，所以.*?匹配到換行符就不能匹配了，導(dǎo)致我們沒有匹配到任何字符，放回結(jié)果為None，而在第6行，我們調(diào)用了None的group()方法。
要修正這個錯誤，我們只需要添加一個re.S控制標記，這個標記的作用是使.匹配任意一個包括換行符在內(nèi)的字符。
import re# 2.36 控制標記的使用 content = '''dfadas1234567assedf''' result = re.match('^df.*?(\d+).*?df$', content, re.S) print(result.group()) print(result.span()) print(result.group(1))運行結(jié)果如下：
dfadas1234567assedf (0, 30) 1234567這個re.S控制標記在網(wǎng)頁匹配中經(jīng)常用到。因為HTMl節(jié)點經(jīng)常會換行，加上它，就可以匹配節(jié)點與節(jié)點中的換行了。
2.3.2.2.6 re.search()
上面講的match()方法是從字符串的開頭開始匹配的，一旦開頭就不能匹配，就會導(dǎo)致匹配的失敗，請看下面的例子：
import re# 2.37 re.match()方法是從頭開始匹配的 content = 'df colle 123' result = re.match('colle\s123', content) print(result.group()) print(result.span())運行結(jié)果出錯，沒有匹配到結(jié)果，返回的是None，None對象沒有g(shù)roup()方法。
re.search()：在匹配時掃描整個字符串，讓后返回成功匹配的第一個結(jié)果，如果搜索完了還未找到匹配的，就返回None。也就是說，正則表達式可以是字符串的一部分
import re# 2.38 re.search()方法的使用 content = 'df colle 123' result = re.search('colle\s123', content) print(result.group()) print(result.span())運行結(jié)果：
colle 123 (3, 12)2.3.2.2.7 re.findall()
上面所講到的search()方法可以返回匹配到的第一個內(nèi)容，如果我們想要得到所有匹配到的結(jié)果就可以使用findall()方法。
re.findall()：搜索字符串，以列表類型返回全部能匹配的子串
import re# 2.39 re.findall()方法的使用 content = 'df colle 123 colle 123' result = re.findall('colle\s123', content) print(result)運行結(jié)果：
['colle 123', 'colle 123']2.3.2.2.8 re.sub()
re.sub()：將文本中所以匹配的內(nèi)容替換為指定的文本
import re# 2.40 re.sub()方法的使用 content = 'dfcolle123colle123' content = re.sub('\d', '', content) print(content)運行結(jié)果：
dfcollecolle上面的代碼中，我們將content中所有與\d（任意一個數(shù)字）匹配的結(jié)果替換為’ '，就去掉了content中所有的數(shù)字。
2.3.2.2.9 re.compile()
re.compile()：將正則字符串編譯成正則表達式對象，可以用來復(fù)用。
import re# 2.41 re.compile()方法的使用 content1 = 'dfcolle123colle123' content2 = 'sdf123e' content3 = 'ss23dsfd'pattern = re.compile('\d')content1 = re.sub(pattern, '', content1) content2 = re.sub(pattern, '', content2) content3 = re.sub(pattern, '', content3) print(content1,' ',content2,' ',content3)代碼中，我們將’\d‘編譯為一個正則表達式對象，并在下面的代碼中將它復(fù)用。
運行結(jié)果：
dfcollecolle sdfe ssdsfd2.3.3 使用Re來爬取tx視頻
下面來使用re來獲取tx視頻主頁中的所有鏈接和排行榜中所有的電影名稱。
打開tx視頻的主頁，右擊，“檢查”，選擇“元素”：
隨便找到一個鏈接，例如我在圖中畫出來的，根據(jù)它寫出匹配所有連接的正則表達式：
'"((https|http)://.*?)"'
按照如下的圖示來獲取請求的URL、user-Agent、cookie
重新回到“元素”：
按照如下操作獲取排行榜中電影所在的元素：
重復(fù)上面的操作，多獲取幾個排行榜中電影名所在的元素：
例如：
<span class="rank_title">有翡</span> <span class="rank_title">我的小確幸</span> <span class="rank_title">我就是這般女子</span>根據(jù)它寫出提取排行榜電影名稱的正則表達式為：
‘<span\sclass=“rank_title”>(.*?)’
根據(jù)上面步驟得出的信息可以寫出如下代碼：
import re import requests# 2.42 使用re爬取騰訊視頻的小例子 url = "https://v.qq.com/" # 要爬取的鏈接 headers = { # 構(gòu)造請求頭'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'\' AppleWebKit/537.36 (KHTML, like Gecko) C'\'hrome/88.0.4324.96 Safari/537.36 Edg/88.0.'\'705.53','cookie': 'pgv_pvi=2265568256; pgv_pvid=1230518102; tvfe'\'_boss_uuid=19b8c4da4cc7e833; ts_uid=9797476283'\'; ts_refer=www.baidu.com/link; RK=VGQx4w/ntj; '\'ptcz=fe2dbdf4d8d7efb795bfdc0deaa0429286aa73e0dd'\'444a9173fe43fc7b145a1e; ptag=www_baidu_com; ad_pl'\'ay_index=77; pgv_info=ssid=s5748488123; ts_last=v.'\'qq.com/; bucket_id=9231006; video_guid=8b478b9f33d3db'\'89; video_platform=2; qv_als=cyHwW4MZHa8e9NWRA1161181'\'1694iJW+zw==', } proxy={ # 代理"HTTP": "113.3.152.88:8118","HTTPS":"219.234.5.128:3128", }r = requests.get(url=url, headers=headers, proxies=proxy, timeout=3) # 傳入url、headers、proxies、timeout構(gòu)造get請求 print("狀態(tài)碼為：", r.status_code) # 打印狀態(tài)碼 r.encoding = r.apparent_encoding # 將編碼方式設(shè)置為備用編碼方式pattern = re.compile('"((https|http)://.*?)"', re.S) # 使用re來獲取所有的鏈接，并打印前5個 links = re.findall(pattern, r.text) print("鏈接個數(shù)為：", len(links)) for i in range(5):print(links[i][0])pattern1 = re.compile('<span\sclass="rank_title">(.*?)</span>', re.S) # 使用re來獲取排行榜中所有的電影名稱并 movies = re.findall(pattern1, r.text)print() # 將排行榜中的所有電影名稱打印出來 for i in movies:print(i)當(dāng)然，這是我的代碼，大家可以將其中的cookie、user-agent和proxy替換為自己的。
運行結(jié)果如下：
狀態(tài)碼為： 200 鏈接個數(shù)為： 1331 http://m.v.qq.com/index.html?ptag= https://puui.qpic.cn/vupload/0/common_logo_square.png/0 http://www.w3.org/2000/svg https://v.qq.com/ https://film.qq.com/有翡 我的小確幸 我就是這般女子 暗戀橘生淮南 這個世界不看臉 山海情[原聲版] 陀槍師姐2021[普通話版] 黑白禁區(qū) 大秦賦 陳情令 長安伏妖 詭婳狐 除暴 赤狐書生 有匪·破雪斬 蜘蛛俠：平行宇宙 重案行動之搗毒任務(wù) 武動乾坤：九重符塔 昆侖神宮 絕對忠誠之國家利益 哈哈哈哈哈 王牌對王牌 第6季 歡樂喜劇人 第7季 我就是演員 第3季 平行時空遇見你 現(xiàn)在就告白 第4季 你好生活 第2季 非常完美 乘風(fēng)破浪的姐姐slay全場 天賜的聲音 第2季 斗羅大陸 開心錘錘 狐妖小紅娘 雪鷹領(lǐng)主 武神主宰 靈劍尊 豬屁登 萬界仙蹤當(dāng)然，這是我的運行結(jié)果，大家的運行結(jié)果可能和我不一樣，因為排行榜是會變化的。
總結(jié)
以上是生活随笔為你收集整理的Python爬虫基本库的使用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： An internal error oc
- 下一篇： 内存频率选择：不只看频率，还需考虑CPU