python爬虫requests实战_Python爬虫之requests库网络爬取简单实战
实例1:直接爬取网页
实例2 : 构造headers,突破访问限制,模拟浏览器爬取网页
实例3 : 分析请求参数,构造请求参数爬取所需网页
实例4: 爬取图片
实例5: 分析请求参数,构造请求参数爬取所需信息
实例1:京东商品页面的爬取
image.png
现在我们利用requests库爬取这个页面的商品信息
首先引入requests库
import requests
然后爬取页面
r =requests.get("https://item.jd.com/4645290.html")
然后我们测试状态码,编码和内容
r.status_code
r.encoding
r.text[:1000]
image.png
到此,说明我们已经成功利用requests库获取到了商品页面的信息。
完整的爬取代码
import requests
url = "https://item.jd.com/4645290.html"
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[:1000])
except:
print("爬取失败")
实例2 : 亚马逊商品页面爬取
我们选取如下界面进行爬取
image.png
首先,我们按照之前的步骤进行爬取
引入requests库,然后get,判断status_code
r = requests.get("https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071")
r.status_code
显示503,说明服务器错误,
503 (服务不可用) 服务器目前无法使用(由于超载或停机维护)。 通常,这只是暂时状态。
我们查看编码发现
r.encoding
'ISO-8859-1'
我们需要转换编码
r.encoding = r.apparent_encoding
然后显示爬取内容,发现
image.png
发现出现了错误。
网页告诉我们出现了错误,但只要我们正确获取到了网页的内容,就说明网路方面肯定是没有错误的。这说明亚马逊对爬虫有限制,一般对爬虫限制的话,就是robots协议,其中还可以对访问对象进行限制,限制只能通过相应的浏览器访问,而限制爬虫的访问。
我们通过request.header查看我们发给亚马逊的请求头部到底是什么内容
image.png
我们看到信息中的user-agent的信息是python。这说明我们的程序诚实的告诉亚马逊,这个程序是python的requests库发起的请求。
亚马逊的服务器看到这是个爬虫请求,所以就返回错误的信息。
那么我们如何才能访问呢?
我们都知道requests库可以更改请求的头部信息,我们可以模拟一个浏览器的请求
我们构造一个键值对
kv = {'user-agent':'Mozilla/5.0'}
url = "https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071"
r = requests.get(url, headers = kv)
我们查看状态码,发现为200,说明这一次成功获取到了页面的内容
image.png
完整的爬取代码
import requests
url = "https://www.amazon.cn/dp/B0011F7WU4/ref=s9_acss_bw_cg_JAVA_1a1_w?m=A1AJ19PSB66TGU&pf_rd_m=A1U5RCOVU0NYF2&pf_rd_s=merchandised-search-6&pf_rd_r=D9MK8AMFACZGHMFJGRXP&pf_rd_t=101&pf_rd_p=f411a6d2-b2c5-4105-abd9-69dbe8c05f1c&pf_rd_i=1899860071"
try:
kv = {'user-agent':'Mozilla/5.0'}
r = requests.get(url, headers = kv)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text[1000:2000])
except:
print("爬取失败")
实例3: 百度/360搜索关键词提交爬虫
搜索关键词提交的接口:
https://www.baidu.com/s?ie=UTF-8&wd=keyword
通过requests的params参数,构造查询参数
完整的代码
import requests
keyword = "刘德华"
url = "http://www.baidu.com/s?ie=UTF-8"
try:
kv = {"wd":keyword}
r = requests.get(url, params = kv)
print(r.request.url)
r.raise_for_status()
print(len(r.text))
print(r.text)
except:
print("爬取失败")
实例4 网络图片的爬取和存储
网络中图片连接的格式
http://www.example.com/picture.jpg
假设我们现在要爬取
http://www.nationalgeographic.com.cn/
图片连接:
http://image.nationalgeographic.com.cn/2015/0121/20150121033625957.jpg
完整的爬取代码:
import requests
import os
url = "http://image.nationalgeographic.com.cn/2015/0121/20150121033625957.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]
try:
if not os.path.exists(root):
os.mkdir(root)
if not os.path.exists(path):
r = requests.get(url)
with open(path,'wb') as f:
f.write(r.content)
f.close()
print("文件保存成功")
else :
print("文件已存在")
except:
print("爬取失败")
实例5 IP地址归属地查询
我们分析它请求的过程,发现它的请求接口就是在地址后附加参数,类似于百度搜索
http://m.ip138.com/ip.asp?ip=125.220.159.160
所以我们可以构造查询参数,发送给服务器,然后获取返回的结果
完整代码
import requests
url = "http://m.ip138.com/ip.asp?"
ip = "125.220.159.160"
kv = {"ip":ip}
try:
r = requests.get(url, params = kv)
r.raise_for_status()
r.encoding = r.apparent_encoding
print(r.text)
except:
print("爬取失败")
python爬虫requests实战_Python爬虫之requests库网络爬取简单实战相关推荐
- python提取身份证信息_Python selenium 身份证信息在线解析爬取
当做笔记: 身份证地区查询,网络上的查询网站也比较多.现在查询数据库中的身份证,识别其中的信息.主要通过该网站:http://www.gpsspg.com/sfz/ 脚本: #-*- coding: ...
- Python爬虫 | 对广州市政府数据统一开放平台数据的爬取
Python爬虫 | 对广州市政府数据统一开放平台数据的爬取 简单爬虫 网页分析 爬虫代码 简单爬虫 本次爬虫演示的是对 广州市政府数据统一开放平台 数据的爬取 网页分析 我们先到url=' http ...
- pythonrequests爬虫外文文献_Python爬虫(一):爬虫介绍、Requests库介绍及实例-Go语言中文社区...
本文主要内容: 1.爬虫的相关概念. 2.Requsets库安装. 3.Requests库介绍. 4.爬取网页的通用代码框架. 1.爬虫相关概念. 网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社 ...
- python3爬虫实战:requests库+正则表达式爬取头像
python3爬虫实战:requests库+正则表达式爬取头像 网站url:https://www.woyaogexing.com/touxiang/qinglv/new/ 浏览网页:可以发现每个图片 ...
- python爬虫实战之图灵社区图书信息的爬取(找了久,才找到一个比较好爬取的网站)
python爬虫实战之图灵社区图书信息的爬取 程序的描述 目标 获取图灵社区(https://www.ituring.com.cn/book)中40本图书的书名 将获取的信息以列表的形式输出到屏幕上, ...
- python爬虫自学路线_python 爬虫学习路线:从入门到进阶
大家好,我是凉拌 今天给大家详解一下我的爬虫学习路线. 对于小白来说,爬虫可能是一件非常复杂.技术门槛很高的事情.比如有的人则认为先要掌握网页的知识,遂开始 HTML\CSS,结果入了前端的坑,浪费了 ...
- 爬虫入门—requests模块基础之药监企业信息爬取
爬虫入门-requests模块基础之药监企业信息爬取 Author: Labyrinthine Leo Init_time: 2021.02.22 Key Words: Spider.reques ...
- python爬虫爬取新闻实战01:小白如何迅速学会爬虫爬取上千条新闻
爬虫爬取新闻实战01:小白如何迅速学会爬虫爬取千条新闻 文章目录 爬虫爬取新闻实战01:小白如何迅速学会爬虫爬取千条新闻 1.前言 2 .爬虫原理介绍 2.1.图片爬虫 2.2 文字爬虫 3.用八爪鱼 ...
- python网页爬虫漫画案例_Python爬虫 JS案例分析:爬取鬼灭之刃漫
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 文章转载于公众号:快学Python 作者:皖渝 猪油骨,拿来卤~今天,来分享一下python图片爬 ...
最新文章
- npm install 报错 npm ERR! code Z_BUF_ERROR 问题解决
- Android L 仍需改善的三个问题
- ServletConfig对象和ServletContext对象
- 二项分布和泊松分布的关系
- BZOJ 4974: 字符串大师
- softlayer virtual machine vhd磁盘镜像导入shell脚本
- CDN高级技术专家周哲:深度剖析短视频分发过程中的用户体验优化技术点
- 多标签分类与BCELoss
- redis-3.2.9安装
- 银行的起源---》阮一峰,
- webApp PHP项目打包供手机下载,免越狱免签名的苹果ios webAPP打包生成的网站教程(附iphone配置实用工具)...
- 基金账户与基金交易账户
- MySQL使用group by分组查询每组最新的一笔数据
- idea gwt 怎么编译_带Spring Boot的GWT
- Ubuntu20 设置桌面壁纸自动切换
- git push时rejected,解决non-fast-forward errors的办法
- 鹏业云计价i20(四川)CJZ阅读模式功能
- 我开发过程中遇到的Echarts地图立体描边问题解决方式
- 今天才发现!华为手机点击这个按钮,就能自动保存通话录音
- 王者荣耀 微信登录 服务器找不到,王者荣耀老号找不到区点我的区也找不到怎么办?qq/微信账号所在区查询方法...