python 获取帮助页_Python-爬取页面内容(涉及urllib、requests、UserAgent、Json等)
1. 我们采用Python3.x的urllib,然后你会发现如果爬取简书的链接,直接访问会被403,这个主要是涉及因为我们请求Header里面没有User-Agent字段。此时可以配合三方的fake_useragent来生成'User-Agent'代理字段,添加到请求头里面,伪装是浏览器访问,即可继续爬取;当前你要爬取一些别的反爬虫的网页,可能需要其他规则和策略了....
2. 案例里面还涉及到认证相关的处理,比如urllib.request.HTTPBasicAuthHandler,可以自己跟着敲一下,有个大概的了解,当你真正从事这个的时候,肯定要深入很多东西。最后,我用urllib请求了一下公司的登录接口,顺便练习了下Json处理 dataDic = json.loads(jsonStr)
直接上练习 - 最后请求登录,你替换为自己公司的去做个练习就好!
net_test.py
#!/usr/bin/python3
# -*- coding: UTF-8 -*-
# 文件名:net_test.py
from urllib import request as urlRequest
import requests
from fake_useragent import UserAgent
# 0.可以开始了,从官方入手还是可以滴
# https://docs.python.org/3/library/urllib.request.html#examples
# 1.获取git项目的一个readme吧
try:
# with确保使用过程中不管是否发生异常都会执行必须的’ 清理 ‘操作,并释放资源
with urlRequest.urlopen("https://heyclock.gitee.io/doc/Share/README.md") as jianshu:
while True:
data = jianshu.read(1024)
if not data:
break;
print(len(data))
print(data.decode('utf-8'))
except Exception as err:
print(err)
# 2.获取简书一篇文章页面内容【简书爬取需要一些参数认证,猜想可能有cookie, user-agent之类的吧...】
# 伪装一个代理
ua = UserAgent()
headers = {
'User-Agent': ua.random
}
# 方式一、 requests + fake_useragent - 伪装浏览器
if True:
url = 'https://www.jianshu.com/p/2e190438bd9c'
response = requests.get(url, headers=headers)
print(response.content.decode('utf-8'))
print(response.status_code)
# 方式二、python3.x的urllib+user-agent(从浏览器开发者工具Network/XHR/下找到的user-agent作为浏览器标识)
if False:
url_jianshu = 'https://www.jianshu.com/p/85a3004b5c06'
try:
# with确保使用过程中不管是否发生异常都会执行必须的’ 清理 ‘操作,并释放资源
# python爬虫中带上Cookie,Referer,User-Agent -> https://blog.csdn.net/qq_40187062/article/details/86356955
# python爬虫之伪装User-Agent -> https://www.jianshu.com/p/74bce9140934
headers_fromWeb_devloptool = {
# 'Accept': '*/*',
# 'Accept-Language': 'zh-CN,zh;q=0.9',
# 'Accept-Encoding': 'gzip, deflate, br',
# 'Connection': 'keep-alive',
# 'Cookie': 'BIDUPSID=8640A1C37FE0690CCFD0ADC95CDD0614; PSTM=1573012288; BAIDUID=8640A1C37FE0690C2FF67C0B307E1236:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; HMACCOUNT=67BE1EE84C6E8606; H_PS_PSSID=1427_21089_18560_29568_29220_28702; delPer=0; PSINO=7; HMVT=6bcd52f51e9b3dce32bec4a3997715ac|1573106717|',
# 'Referer': 'https://www.jianshu.com/p/2e190438bd9c',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36',
}
req = urlRequest.Request(url_jianshu, None, headers_fromWeb_devloptool)
# req.add_header("xxx", "xxxx") 还可以继续添加header参数
with urlRequest.urlopen(req) as jianshu:
while True:
data = jianshu.read(1024)
if not data:
break;
print(len(data))
print(data.decode('utf-8', 'ignore')) # "ignore"解决 'utf-8' codec can't decode byte..
except Exception as err:
print(err)
# 请求带参数 - 来自官方案例
import urllib.parse
params = urllib.parse.urlencode({'wd': "皮皮虾", 'ie': "UTF-8"}) # 字典提供https://www.baidu.com/s?wd=皮皮虾&ie=UTF-8
# post方法
# params = params.encode('utf-8')
# with urlRequest.urlopen("https://www.baidu.com/s", params) as f:
# print(f.read().decode('utf-8'))
# get方法
urlBds = "http://www.baidu.com/s?%s" % params # 如果用https的话,爬到的是一个重定向的页面
with urlRequest.urlopen(urlBds) as f:
print(f.read().decode('utf-8'))
# other1. 了解一下:认证简单实践HTTP Authentication - 来自官方案例。如果搞这个行业,有天你可能会去研究更深的用法,如何应对反爬虫等等
# Create an OpenerDirector with support for Basic HTTP Authentication...
if False:
urlAuthent = 'http://pythonscraping.com/pages/auth/login.php' # 目前没有搞服务器那头,也不知道哪里有这种url,写法就是这么个写法
author_handler = urlRequest.HTTPBasicAuthHandler()
author_handler.add_password(None, urlAuthent, user='ryan', passwd='password')
opener = urlRequest.build_opener(author_handler)
# ...and install it globally so it can be used with urlopen.
urlRequest.install_opener(opener)
with urlRequest.urlopen(urlAuthent) as f:
print(f.read().decode('utf-8'))
# other2. 请求下公司的登录方法 - 今天基本就差不了,回头就去开始去xPath做分析实践
urlCompany = "https://www.xxxxx.com/" # xxx/xxx/xxxx - 这个具体方法就不公布了
params = urllib.parse.urlencode({"login_name":"151xxxxxxx", "password": "123456"})
urlCompany = urlCompany + "?" + params
print("公司登录方法:" + urlCompany)
with urlRequest.urlopen(urlCompany) as f:
jsonStr = f.read().decode('utf-8')
print(jsonStr)
# other3. 顺便解析下Json
import json
dataDic = json.loads(jsonStr)
print(type(dataDic), dataDic)
print("dataDic['code']: ", dataDic['code'])
print("dataDic['data']: ", dataDic['data'])
print(type(dataDic['data']))
print(dataDic["data"]["display_name"])
print(dataDic["data"]["user_phone"])
说明:里面我分别去爬取了gitee上的readme,爬取了简书的网页,请求了一下百度搜索页面,get/post,手动去网页开发者工具粘贴了一个'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36'来添加到Header伪装浏览器访问...同时里面有一些链接参考,可以帮助学习。。。老规矩,别人的是别人的,我们需要有自己的想法和拓展,虽然当前没办法一下子很可以,但是可以慢慢积累 - 共勉!
结果没啥吧:
附录:
# with确保使用过程中不管是否发生异常都会执行必须的’ 清理 ‘操作,并释放资源
# python爬虫之伪装User-Agent -> python爬虫之伪装User-Agent
python 获取帮助页_Python-爬取页面内容(涉及urllib、requests、UserAgent、Json等)相关推荐
- python获取游戏数据_Python 爬取 3 万条游戏评分数据,原来程序员最爱玩的游戏竟然是.........
原标题:Python 爬取 3 万条游戏评分数据,原来程序员最爱玩的游戏竟然是...... 作者 |量化小白H 责编 | 胡巍巍 本文爬取了豆瓣游戏网站上所有可见的游戏评分数据进行分析,全文包括以下几 ...
- python获取天气分析_Python爬取南京市往年天气预报,使用pyecharts进行分析
上一次分享了使用matplotlib对爬取的豆瓣书籍排行榜进行分析,但是发现python本身自带的这个绘图分析库还是有一些局限,绘图不够美观等,在网上搜索了一波,发现现在有很多的支持python的绘图 ...
- python获取虎牙弹幕_python爬取虎牙弹幕礼物数据
python爬取虎牙弹幕礼物数据 查看官方文档 找到弹幕传输的方式 生成websocket对应的参数 第一步: 第二步: 调通websocket 建立链接 获取数据和保持心跳 附上完整代码 注: 查看 ...
- python爬取网页内容requests_[转][实战演练]python3使用requests模块爬取页面内容
本文摘要: 1.安装pip 2.安装requests模块 3.安装beautifulsoup4 4.requests模块浅析 + 发送请求 + 传递URL参数 + 响应内容 + 获取网页编码 + 获取 ...
- 用python进行多页数据爬取_Python Scrapy如何实现多页数据爬取?
Python Scrapy如何实现多页数据爬取? 发布时间:2020-06-23 11:47:46 来源:亿速云 阅读:112 作者:清晨 这篇文章将为大家详细讲解有关Python Scrapy如何实 ...
- python多页网站目录_python 爬取页面所有的url
原博文 2020-08-07 21:01 − 1.使用request爬取有效的URL # -*- coding: GBK -*- from urllib import request import r ...
- python爬取微博评论超100页_python爬取新浪微博评论-Go语言中文社区
简介 爬取微博m站评论.由于api限制只能爬取前100页,如果想要更全数据需爬pc端. 工具 python 3.5 requests库 re库 步骤 1. 登陆保存cookie 首先,打开m.weib ...
- python大规模获取豆瓣影评_python爬取豆瓣电影排行榜(requests)
''' 爬取豆瓣电影排行榜 设计思路: 1.先获取电影类型的名字以及特有的编号 2.将编号向ajax发送get请求获取想要的数据 3.将数据存放进excel表格中 ''' 环境部署: 软件安装: 模块 ...
- python爬取页面内容由京东提_python制作爬虫爬取京东商品评论教程
本篇文章是python爬虫系列的第三篇,介绍如何抓取京东商城商品评论信息,并对这些评论信息进行分析和可视化.下面是要抓取的商品信息,一款女士文胸.这个商品共有红色,黑色和肤色三种颜色, 70B到90D ...
- python微博爬虫分析_python爬取和分析新浪微博(一):scrapy构建新浪微博榜单、博主及微博信息爬虫...
1. 爬虫项目介绍 爬虫首先基于python scrapy 框架,使用了随机用户代理和IP代理等反爬技巧,将爬取到的微博领域数据,各领域榜单博主信息和博主的微博信息分别存入的mysql数据库对应的表格 ...
最新文章
- 内存泄露从入门到精通三部曲之常见原因与用户实践
- java中如何获取当前文件的物理路径?
- R语言文本聚类实例——以《金庸全集》为例
- 服务器怎么ghost备份系统,GHOST备份系统的方法 GHOST备份系统教程
- 圆周率π的近似计算(三)-MapReduce分布式计算入门
- 9月第2周网络安全报告:境内感染病毒主机68万个
- 归并算法Java实现
- 大数据和 AI 驱动创新实例分享
- LOJ6070 基因 分块+回文自动机
- Bumped! 2017 ICPC North American Qualifier Contest (分层建图+dijstra)
- 【微信早安定时推送3.0最牛版】微信消息推送后 可提醒可顶置,聊天框名称,头像都可修改~
- 使用Sinc卷积从原始音频数据进行轻量级的端到端语音识别
- 前端图片放大缩小/比例自适应/打码/码大小可调整
- matplotlib作图系列之内置颜色使用(一)
- Power query(Power BI) 自动生成贷款公司的还款计划表
- pytorch系统学习
- allow control allow origin_热分析/红外光谱联用的数据分析方法 第7部分 在Origin软件中三维红外光谱图的作图方法...
- CSS样式背景色打印的时候消失的问题
- 加载界面(伪加载),进度条制作,让人物图片动起来
- 微信支付消息推送Websocket服务器的创建