溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

(第一篇)爬蟲技術(shù)專欄之requests模塊與BeautifulSoup模塊

發(fā)布時間:2020-06-26 22:30:20 來源:網(wǎng)絡(luò) 閱讀:4782 作者:BlueMiaomiao 欄目:編程語言

自從大一開始就想在博客專門建立一個分類,深度總結(jié)一下爬蟲技術(shù)相關(guān)的東西,但是一直拖到現(xiàn)在。大二馬上要結(jié)束了,準(zhǔn)備從暑假開始認(rèn)真總結(jié),每一篇文章都爭取帶一個小案例。給學(xué)弟們作參考用~

0x01 requests模塊

(第一篇)爬蟲技術(shù)專欄之requests模塊與BeautifulSoup模塊

requests是一個作為Python構(gòu)建的優(yōu)雅而簡單的HTTP庫。目前它使用了Apache2 Licensed許可證,requests在Python一些基本庫上進(jìn)行了高度封裝。中文文檔:http://docs.python-requests.org/zh_CN/latest/

0x001 安裝

pip install requests

0x002 常用方法

  • requests.get(url, params=None, **kwargs)
# 發(fā)送一個get請求到服務(wù)器端
# url接收一個URL地址
# parmas接收一個字典對象
# 返回一個請求對象
  • requests.options(url, **kwargs)
# 發(fā)送一個options請求到服務(wù)器端
# url接收一個URL地址
  • requests.head(url, **kwargs)
# 發(fā)送一個head請求到服務(wù)器端
# url接收一個URL地址
  • requests.post(url, data=None, json=None, **kwargs)
# 發(fā)送一個post請求到服務(wù)器端
# url接收一個URL地址
# data接收一個字典、字節(jié)或者是一個文件對象
# json接收一個json數(shù)據(jù)
  • requests.put(url, data=None, **kwargs)
# 發(fā)送一個put請求到服務(wù)器端
# url接收一個URL地址
# data接收一個字典、字節(jié)或者是一個文件對象
  • requests.patch(url, data=None, **kwargs)
# 發(fā)送一個patch請求到服務(wù)器端
# url接收一個URL地址
# data接收一個字典、字節(jié)或者是文件對象
  • requests.delete(url, **kwargs)
# 發(fā)送一個delete請求到服務(wù)器端
# url接收一個URL地址
  • requests.request(method, url, **kwargs)
# 發(fā)送一個請求
# method指定請求的方法
# url接收一個URL地址
# params接收一個字典、字節(jié)或者是文件對象
# data接收一個使用元組構(gòu)成的列表[(key, value)]或者是字典、字節(jié)或者是文件對象
# json接收一個json數(shù)據(jù)
# headers接收一個字典,用于構(gòu)成請求頭
# cookies接收一個cookie對象
# files接收一個文件對象
# auth接收一個元組,用來身份認(rèn)證
# timeout接收一個浮點數(shù)或者是元組
# allow_redirects接收一個布爾值,默認(rèn)是True,是否開啟重定向
# proxies 接收代理的url
# verify 是否啟用安全認(rèn)證
# stream 是否使用數(shù)據(jù)流的方式傳輸文件
# cert 使用證書文件,如果是pem文件,則(xxx.pem),如果是crt文件和key文件,則('xxx.crt', 'xxx.key')

0x003 requests.api源碼

# -*- coding: utf-8 -*-

"""
requests.api

This module implements the Requests API.

:copyright: (c) 2012 by Kenneth Reitz.
:license: Apache2, see LICENSE for more details.
"""

from . import sessions

def request(method, url, **kwargs):
    """Constructs and sends a :class:`Request <Request>`.

    :param method: method for the new :class:`Request` object.
    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary, list of tuples or bytes to send
        in the body of the :class:`Request`.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) A JSON serializable Python object to send in the body of the :class:`Request`.
    :param headers: (optional) Dictionary of HTTP Headers to send with the :class:`Request`.
    :param cookies: (optional) Dict or CookieJar object to send with the :class:`Request`.
    :param files: (optional) Dictionary of ``'name': file-like-objects`` (or ``{'name': file-tuple}``) for multipart encoding upload.
        ``file-tuple`` can be a 2-tuple ``('filename', fileobj)``, 3-tuple ``('filename', fileobj, 'content_type')``
        or a 4-tuple ``('filename', fileobj, 'content_type', custom_headers)``, where ``'content-type'`` is a string
        defining the content type of the given file and ``custom_headers`` a dict-like object containing additional headers
        to add for the file.
    :param auth: (optional) Auth tuple to enable Basic/Digest/Custom HTTP Auth.
    :param timeout: (optional) How many seconds to wait for the server to send data
        before giving up, as a float, or a :ref:`(connect timeout, read
        timeout) <timeouts>` tuple.
    :type timeout: float or tuple
    :param allow_redirects: (optional) Boolean. Enable/disable GET/OPTIONS/POST/PUT/PATCH/DELETE/HEAD redirection. Defaults to ``True``.
    :type allow_redirects: bool
    :param proxies: (optional) Dictionary mapping protocol to the URL of the proxy.
    :param verify: (optional) Either a boolean, in which case it controls whether we verify
            the server's TLS certificate, or a string, in which case it must be a path
            to a CA bundle to use. Defaults to ``True``.
    :param stream: (optional) if ``False``, the response content will be immediately downloaded.
    :param cert: (optional) if String, path to ssl client cert file (.pem). If Tuple, ('cert', 'key') pair.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response

    Usage::

      >>> import requests
      >>> req = requests.request('GET', 'https://httpbin.org/get')
      <Response [200]>
    """

    # By using the 'with' statement we are sure the session is closed, thus we
    # avoid leaving sockets open which can trigger a ResourceWarning in some
    # cases, and look like a memory leak in others.
    with sessions.Session() as session:
        return session.request(method=method, url=url, **kwargs)

def get(url, params=None, **kwargs):
    r"""Sends a GET request.

    :param url: URL for the new :class:`Request` object.
    :param params: (optional) Dictionary, list of tuples or bytes to send
        in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('get', url, params=params, **kwargs)

def options(url, **kwargs):
    r"""Sends an OPTIONS request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', True)
    return request('options', url, **kwargs)

def head(url, **kwargs):
    r"""Sends a HEAD request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    kwargs.setdefault('allow_redirects', False)
    return request('head', url, **kwargs)

def post(url, data=None, json=None, **kwargs):
    r"""Sends a POST request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('post', url, data=data, json=json, **kwargs)

def put(url, data=None, **kwargs):
    r"""Sends a PUT request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('put', url, data=data, **kwargs)

def patch(url, data=None, **kwargs):
    r"""Sends a PATCH request.

    :param url: URL for the new :class:`Request` object.
    :param data: (optional) Dictionary, list of tuples, bytes, or file-like
        object to send in the body of the :class:`Request`.
    :param json: (optional) json data to send in the body of the :class:`Request`.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('patch', url, data=data, **kwargs)

def delete(url, **kwargs):
    r"""Sends a DELETE request.

    :param url: URL for the new :class:`Request` object.
    :param \*\*kwargs: Optional arguments that ``request`` takes.
    :return: :class:`Response <Response>` object
    :rtype: requests.Response
    """

    return request('delete', url, **kwargs)

0x02 BeautifulSoup模塊

(第一篇)爬蟲技術(shù)專欄之requests模塊與BeautifulSoup模塊

Beautiful Soup是一個用于從HTML和XML文件中提取數(shù)據(jù)的Python庫。它能夠通過你喜歡的轉(zhuǎn)換器實現(xiàn)慣用的文檔導(dǎo)航,查找,修改文檔的方式.Beautiful Soup會幫你節(jié)省數(shù)小時甚至數(shù)天的工作時間。中文文檔:https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

0x001安裝

  • Debain或Ubuntu
apt-get install Python-bs4
  • easy_install和pip安裝,兼容Python2.x和Python3.x
easy_install beautifulsoup4
pip install beautifulsoup4
  • 源碼安裝
下載地址:https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/
首先解壓下載的源碼壓縮包,進(jìn)入源碼目錄,執(zhí)行:python setup.py install
  • 安裝解析器lxml和html5lib
apt-get install Python-lxml
easy_install lxml
pip install lxml
apt-get install Python-html5lib
easy_install html5lib
pip install html5lib
解析器 使用方法 優(yōu)點 缺點
Python標(biāo)準(zhǔn)庫 BeautifulSoup(markup, "html.parser") Python的內(nèi)置標(biāo)準(zhǔn)庫,執(zhí)行速度適中, 文檔容錯能力強(qiáng) Python 2.7.3 or 3.2.2)前的版本中文檔容錯能力差
lxml HTML 解析器 BeautifulSoup(markup, "lxml") 速度快,文檔容錯能力強(qiáng) 需要安裝C語言庫
lxml XML 解析器 BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") 速度快,唯一支持XML的解析器 需要安裝C語言庫
html5lib BeautifulSoup(markup, "html5lib") 最好的容錯性,以瀏覽器的方式解析文檔,生成HTML5格式的文檔 速度慢,不依賴外部擴(kuò)展

從上表可知,推薦使用lxml解析器效率更高,但是xml或html文檔的格式不正確的話返回的結(jié)果可能不正確。

from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))  # 直接打開本地html文件
soup = BeautifulSoup("<html>data</html>")  #傳入html文本

0x002 常用對象介紹

Beautiful Soup將HTML或XML文件轉(zhuǎn)換為樹形結(jié)構(gòu),每個節(jié)點都是Python對象??偣部梢苑譃樗姆N:

  • 標(biāo)簽對象

    1. Tag對象與原生的HTML或XML對象相同。tag = soup.b
    2. Name是Tag的名字。tag.name
    3. Attrs, Tag的屬性是個列表,可以使用tag[‘class’]的方式操作屬性,也可以使用tag.attrs來操作屬性。
  • 可遍歷的字符串NavigableString對象

    1. 由于字符串包含在了Tag內(nèi),所以Beautiful Soup用 NavigableString 類來包裝tag中的字符串。
    2. tag.string:它的類型是BS的字符串,可以通過unicode()方法將其轉(zhuǎn)換為Unicode字符串。unicode_string = unicode(tag.string)
    3. BS的Tag中包含的字符串不可以被編輯,但是可以通過replace_with()方法被替換成為其他的字符串。
  • BeautifulSoup對象

    1. 該對象表示的全部的內(nèi)容。其soup.name屬性的值是:u'[document]'。
  • 注釋及特殊字符串Comment對象

    1. Comment 對象是一個特殊類型的 NavigableString 對象

      markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
      soup = BeautifulSoup(markup)
      comment = soup.b.string
      type(comment)
      # <class 'bs4.element.Comment'>
      print(soup.b.prettify())   # 輸出成為了特殊的格式
      # <b>
      #  <!--Hey, buddy. Want to buy a used parser?-->
      # </b>
    2. Beautiful Soup定義的其他類型可能會出現(xiàn)在XML文檔中,CData、ProcessingInstruction、Declaration、Doctype,這些類型與Comment類似,都是NavigableString的子類,只是添加了一些特殊的方法。

0x003 常用屬性和方法

屬性及方法名稱 釋義
soup.head 獲取&lt;head&gt;&lt;/head&gt;
soup.title 獲取&lt;title&gt;&lt;/title&gt;
soup.TagName 獲取< TagName></ TagName>
soup.find_all(‘TagName’) 獲取所有TagName的標(biāo)簽
tag.contents 將tag子節(jié)點以列表的方式輸出
tag.children 返回一個tag子節(jié)點的可迭代生成器對象
tag.descendants 屬性可以對所有tag的子孫節(jié)點進(jìn)行遞歸循環(huán)
tag.string 獲取tag中的字符串內(nèi)容
tag.strings 循環(huán)獲取tag中的字符串內(nèi)容
tag.stripped_strings 功能類似于tag.strings,但是具有除去多余空白字符串的功能
tag.parent 獲取父節(jié)點對象
tag.parents 獲取父節(jié)點對象可迭代生成器對象
tag.next_sibling 獲取下一個兄弟節(jié)點對象
tag.previous_sibling 獲取上一個兄弟節(jié)點對象
tag.next_siblings 獲取向下的所有兄弟節(jié)點的可迭代生成器對象
tag.previous_siblings 獲取向上的所有兄弟節(jié)點的可迭代生成器對象
tag.next_element 指向解析過程中下一個被解析的對象
tag.previous_element 指向解析過程中上一個被解析的對象
tag.next_elements 指向解析過程中上面所有被解析對象的集合
tag.previous_elements 指向解析過程中下面被解析對象的集合
tag.find_all(‘TagName’) 查找所有與TagName匹配的節(jié)點
tag.find_all([‘TagName1’, ‘TagName2’]) 查找所有與列表中TagName相匹配的節(jié)點
tag.find_all(True) 返回所有可以匹配的值
tag.find_all(FuncName) 接收一個方法名稱,如果這個方法返回True表示當(dāng)前的元素匹配并且找到

0x004 官方示例

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)
tag.find_all(Key=’Value)                               # 搜索所有Key的值是Value的標(biāo)簽
soup.find_all(Key=re.compile("RegExp"), Key='Value')   # 結(jié)合正則表達(dá)式使用并且是或的邏輯關(guān)系
tag.find_all(text=’xxx’)                               # 使用text參數(shù)可以搜索文檔中的字符串內(nèi)容
tag.find_all(text=[‘xxx’, ‘xxx’, ])                    # text參數(shù)可以接受字符串、正則、列表和布爾值
tag.find_all(‘TagName’, limit=Number)                  # 返回Number個符合的標(biāo)簽
tag.find_all(‘TagName’, recursive=True/False)          # 是否只匹配直接子節(jié)點
tag.find( name , attrs , recursive , text , **kwargs ) # 直接返回一個結(jié)果,匹配不到時返回None,而find_all()返回空列表[]
# 類似的方法還有:
tag.find_parents()
tag.find_parent()
tag.find_next_siblings()
tag.find_next_sibling()
tag.find_previous_siblings()
tag.find_previous_sibling()
tag.find_all_next()
tag.find_next()
tag.find_all_previous()
tag.find_previous()
# Beautiful Soup支持大部分的CSS選擇器,即tag.select():
tag.append(“Content”)                                 # 向標(biāo)簽中添加內(nèi)容
tag.new_string()                                      # 創(chuàng)建新的字符串對象
tag.new_tag()                                         # 創(chuàng)建新的標(biāo)簽對象
tag.insert()                                          # 插入標(biāo)簽對象
tag.insert_before()                                   # 在tag標(biāo)簽之前插入新的標(biāo)簽對象
tag.insert_after()                                    # 在tag標(biāo)簽之后插入新的標(biāo)簽對象
tag. clear()                                          # 清除當(dāng)前tag的內(nèi)容
tag. extract()                                        # 將當(dāng)前的tag從文檔樹中刪除,并且返回該tag對象
tag. decompose()                                      # 從當(dāng)前的文檔樹中移除,并且完全銷毀該tag對象
tag. replace_with()                                   # 替換該tag對象
tag. wrap()                                           # 用傳入的tag對象包裝指定的tag對象
tag. unwrap()                                         # 取消使用上層tag對象的包裝,并返回被移除的上層tag對象
tag. prettify()                                       # 將文檔樹格式化后使用Unicode編碼輸出
tag. get_text()                                       # 獲取tag對象中的內(nèi)容

0x005 自動登錄GitHub

# -*- coding:utf8 -*-

import requests
from bs4 import BeautifulSoup

# 用戶名和密碼
username = 'xxx'
password = 'xxx'

# 請求頭
header = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Connection': 'keep-alive',
    'Host': 'github.com',
    'Referer': "https://github.com/xvGe/xvGe.github.io",
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
}

# 登錄
response = requests.request('get', 'https://github.com/login', headers=header)
soup = BeautifulSoup(response.text, features='lxml')

# 獲取登錄token
token = soup.find(name='input', attrs={'name': "authenticity_token"})['value']

# 獲取cookie
cookie = response.cookies.get_dict()

# 提交的登錄數(shù)據(jù)
formData = {
    'commit': 'Sign in',
    'utf8': '?',
    'authenticity_token': token,
    'login': username,
    'password': password,

}

# 提交登錄數(shù)據(jù)
response = requests.request('post', 'https://github.com/session', data=formData, cookies=cookie, headers=header)

response.close()
向AI問一下細(xì)節(jié)

免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI