本帖最后由 riwfhiu 于 2021-1-6 23:49 编辑
为了回应那些私信我怎么学习爬虫看什么视频，想爬某某网站图片怎么改代码，怎么获取页面任意元素的属性值。。。
鸽了这么久，它终于来了，requests库的通用爬虫框架！本文纯小白入门向，已入门的或者大佬轻点喷，我自己也是小白[doge]
爬虫三步走战略：
一.请求网址
二.解析定位
三.保存数据
不讲虚道理，直接上两个实例：
1.获取百度页面标题“新闻”文本，并写入txt
2.获取百度logo图片，并写入图片png
1.伪装访问请求头：按F12 >> Network >> 目标网址 >> 找到请求头
F12获取请求头
2.定位元素（文本）：右键菜单 >> 审查元素
新闻文本元素
3.定位元素（图片）：同理右键菜单 >> 审查元素
logo图片元素
[Python] 纯文本查看 复制代码 '''
需要两个库,打开cmd进行安装
pip3 install requests
pip3 install lxml
'''
import requests,json
from lxml import etree
#=====================================请求区==========================================#
#get模式，获取网页源码，传入参数：url(字符串)
def gethtml(url):
#伪装头文件，F12打开浏览器,刷新一次：Network > 选目标链接(默认第一个) > Headers
headers={
#User-Agent 浏览器标识头，爬虫必备，最好带上。
"User-Agent":'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36',
"Cookie":"", #cookie相当于临时登陆凭证，作用跟账号密码一样，有效期由网站决定，几天到几月不等。带cookies伪装表示已登陆状态。
"Referer":"https://www.baidu.com", #Referer表示来源地址，有些网站会检测跨域访问，不合法会拒绝。
#剩下其它的一些伪装如果能正常访问可以不添加，不能就加上吧
#"Upgrade-Insecure-Requests": "1", #比如这个属性是百度网址的，其它网址可能有其它属性值
}
r=requests.get(url,headers=headers) #正式get请求
if r.status_code !=200: #状态码判断返回是否成功,不成功则报错退出
print("获取url：%s失败!"%(url))
exit()
return r #直接返回r，为什么不直接返回r.text(文本),因为图片/视频格式是r.content(用二进制写入)
#=====================================解析区==========================================#
#xpath解析接口，输入：xpath格式字符串'//div[id="lg"]/img[@id="s_lg_img_new"]' 注意外面一层是单引号，返回值为list,元素为字符串
#我个人推荐xpath，轻巧强大好用，浏览器自带解析路径，不会写的直接无脑copy,右键元素 > Copy > CopyXpath，复制字符串传入参数即可
#xpath字符串通用写法：//标签[@属性="属性值"]/下一级标签[@属性="属性值"]/text() 取出文本 /@src取出src地址
#例子：//div[@class="text-content"]/a[2]/@href #取出div下的第2个a的href属性值。
def getxpath(r,str):
html = etree.HTML(r.text)
reslist = html.xpath(str)
return reslist
#=====================================保存区==========================================#
#爬虫目的一般为获取文本/图片/视频等数据，一般要保存下来慢慢看
#文本写入txt，传入参数：txtpath路径，data数据
def writetxt(txtpath,data_str): #文本的名字和路径，也可以使用绝对路径，例如 "D:\\爬虫学习\\采集文本.txt"
with open(txtpath, "w") as f:
f.write(str(data_str))
#图片写入jpg/png，传入参数：imgpath路径，content二进制数据
def writeimg(imgpath,content): #图片的名字和路径
with open(imgpath, "wb") as f:
f.write(content)
#================以上三大块就是通用爬虫模板，下面是自己写的想实现的功能====================#
#获取百度首页"新闻"字样，并写入txt中
def get_news_txt():
#第一步：请求网址先获取html
url="https://www.baidu.com"
r=gethtml(url)
#第二步：解析路径，找到标题对应的xpath路径
title_xpath='//div[@id="s-top-left"]/a[1]/text()' #注意外面一层是单引号''，a[1]表示选中第一个a标签, text()取出文本
title_list=getxpath(r,title_xpath) #别忘记传入r页面源码哦
new_str=title_list[0]
print(f"获取到的文本为：{new_str}")
#第三步：保存数据写入txt文件中
writetxt("./爬到的第一个文本.txt",str(new_str)) #文本只能写入字符串
print("恭喜你爬取了一个文本数据！快打开文件看看吧")
'''
#下面是扩展测试# 如果我想打印整个标题栏的所有文本
title_xpath='//div[@id="s-top-left"]/a/text()' #a没有选中具体值，返回所有匹配的值
title_list=getxpath(r,title_xpath) #别忘记传入r页面源码哦
print("#====都让开，小孩子才做选择，我全都要！====#")
title_str=""
for one in title_list:
print(one)
title_str+=str(one)+" "
writetxt("./爬到的第一个文本.txt",str(title_str))
print("恭喜你写入了一个爬虫数据！快打开文件看看吧")
'''
#获取百度logo，并写入图片中
def get_baidu_logo():
#同理第一步先请求网址
url="https://www.baidu.com"
r=gethtml(url)
#第二步解析路径
logo_url_list=getxpath(r,'//img[@id="s_lg_img_new"]/@src') #这个img一定要找对哦，右键审查元素不一定全都准确，还有这次要取的属性为src链接，而不是text文本
logo_url=logo_url_list[0] #如果只有一个值就取[0]
print(f"获取到了logo图片地址文本：{logo_url}，很明显没有https:这个开头，加个即可完成")
#处理字符串
logo_url="https:"+logo_url
#获取到了logo地址了，直接访问获取图片
r=gethtml(logo_url)
#写入图片
writeimg("./百度logo.png",r.content) #注意！注意！注意！图片是二进制格式写入，用r.content二进制数据，不要传入r.text文本
print("恭喜你写入了一张稀有图片(金色传说)！快打开图片看看吧")
#下面这个相当于C语言的main入口
if __name__ == '__main__':
#获取百度首页"新闻"字样，并写入txt中
get_news_txt()
#获取百度logo，并写入图片中
get_baidu_logo()
print("\n==============恭喜你完成简单的爬虫任务，顺利毕业啦！===============\n")
#print("快去爬取淘宝吧！不是 （狗头doge)")
通用框架虽然简单，但修修改改还是可以爬不少网站的，而且保留大量注释给新手说明，基本都能看懂吧。
最快的学习方法就是直接上手撸码，而不是看什么视频学习，不懂再去搜索。
当然连一些html简单基础或者python基础语法都不懂的真小白，只推荐一处学习网站：
【中国大学mooc】：https://www.icourse163.org/
（搜“嵩天”，真正的大佬，启蒙的老师，对小白超友好，别去b站搜索什么营销号的盗版视频了，全损音质不说，废话是真的多）
#========================作者专用挖坑机=============================#
下一章节：post模式全解析，让爬虫发出网络的第一声啼鸣（嗷呜~）
=====下章更新时间：2021春节前后，这次应该不咕了，嗯应该吧
希望这篇文章对你有用，记得给个热心值呀，这样才有动力去更新呀~
| 
[复制链接]
发表于 2021-1-6 23:29
