爬虫~bs4
今日内容
1 requests+bs4爬汽车之家新闻
# 今日头条
# https://www.autohome.com.cn/news/1/#liststart
######
#2 爬取汽车之家新闻
######
import requests
# 向汽车之家发送get请求，获取到页面
ret=requests.get(\'https://www.autohome.com.cn/news/1/#liststart\')
# ret.encoding=\'gb2312\'
# print(ret.text)
# bs4解析（不用re了）
# 安装 pip3 install beautifulsoup4
# 使用
from bs4 import BeautifulSoup
# 实例化得到对象，传入要解析的文本，解析器
# html.parser内置解析器，速度稍微慢一些，但是不需要装第三方模块
# lxml：速度快一些，但是需要安装 pip3 install lxml
soup=BeautifulSoup(ret.text,\'html.parser\')
# soup=BeautifulSaoup(open(\'a.html\',\'r\')) #这个是可以爬打开一个文件
# find（找到的第一个）
# find_all(找到的所有)
# 找页面所有的li标签
li_list=soup.find_all(name=\'li\')
for li in li_list:
# li是Tag对象
# print(type(li))
h3=li.find(name=\'h3\')
if not h3:
continue
title=h3.text
desc=li.find(name=\'p\').text
# 对象支持[]取值，为什么？重写了__getitem__魔法方法
# 面试题：你使用过的魔法方法？
img=li.find(name=\'img\')[\'src\']# type:str
url=li.find(name=\'a\')[\'href\']
# 图片下载到本地
ret_img=requests.get(\'https:\'+img) #<Response [200]>
img_name=img.rsplit(\'/\',1)[-1]
with open(img_name,\'wb\') as f:
for line in ret_img.iter_content():
f.write(line)
print(\'\'\'
新闻标题：%s
新闻摘要：%s
新闻链接：%s
新闻图片：%s
\'\'\'%(title,desc,url,img))
2 bs4的使用（遍历文档树和查找文档树）
# 1 从html或者xml中提取数据的python库，修改xml
# 补充：java，配置文件基本都是xml格式，以后可能会用python修改配置文件（自动化运维平台，devops平台），mycat，自动上线，自动安装软件，配置，查看nginx日志
# 视频，生鲜，crm，鲜果配送，在线教育，cmdb ---》（sugo平台）
# 飞猪 （旅游相关） 毒app 兔女郎
遍历文档树
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse\'s story</title></head>
<body>
<p class="title"id="id_p"><b>The Dormouse\'s story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# pip3 install lxml
soup=BeautifulSoup(html_doc,\'lxml\')
# 美化
# print(soup.prettify())
# 遍历文档树
#1、用法（通过.来查找，只能找到第一个）
# Tag对象
# head=soup.head
# title=head.title
# # print(head)
# print(title)
# p=soup.p
# print(p)
#2、获取标签的名称
#Tag对象
# p=soup.body
# print(type(p))
from bs4.element import Tag
# print(p.name)
#3、获取标签的属性
# p=soup.p
# 方式一
# 获取class属性,可以有多个，拿到列表
# print(p[\'class\'])
# print(p[\'id\'])
# print(p.get(\'id\'))
# 方式二
# print(p.attrs[\'class\'])
# print(p.attrs.get(\'id\'))
#4、获取标签的内容
# p=soup.p
# print(p.text) # 所有层级都拿出来拼到一起
# print(p.string) # 只有一层，才能去除
# print(list(p.strings)) # 把每次都取出来，做成一个生成器
#5、嵌套选择
# title=soup.head.title
# print(title)
#6、子节点、子孙节点
# p1=soup.p.children # 迭代器
# p2=soup.p.contents # 列表
# print(list(p1))
# print(p2)
#7、父节点、祖先节点
# p1=soup.p.parent # 直接父节点 这个是在body内的
# p2=soup.p.parents
# print(p1)
# # print(len(list(p2)))
# print(list(p2))
#8、兄弟节点
# print(soup.a.next_sibling) #下一个兄弟
# print(soup.a.previous_sibling) #上一个兄弟
#
# print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
# print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
查找文档树
# 查找文档树（find，find_all），速度比遍历文档树慢
# 两个配合着使用（soup.p.find()）
# 五种过滤器: 字符串、正则表达式、列表、True、方法
# 以find为例
#1 字符串查找 引号内是字符串
# p=soup.find(name=\'p\')
# p=soup.find(name=\'body\')
# print(p)
# 查找类名是title的所有标签,class是关键字，class_
# ret=soup.find_all(class_=\'title\')
# href属性为http://example.com/elsie的标签
# ret=soup.find_all(href=\'http://example.com/elsie\')
# 找id为xx的标签
# ret=soup.find_all(id=\'id_p\')
# print(ret)
#2 正则表达式
# import re
# # reg=re.compile(\'^b\')
# # ret=soup.find_all(name=reg)
# #找id以id开头的标签
# reg=re.compile(\'^id\')
# ret=soup.find_all(id=reg)
# print(ret)
# 3 列表
# ret=soup.find_all(name=[\'body\',\'b\'])
# ret=soup.find_all(id=[\'id_p\',\'link1\'])
# ret=soup.find_all(class_=[\'id_p\',\'link1\'])
# and 关系
# ret=soup.find_all(class_=\'title\',name=\'p\')
# print(ret)
#4 True
# 所有有名字的标签
# ret=soup.find_all(name=True)
#所有有id的标签
# ret=soup.find_all(id=True)
# 所有有herf属性的
# ret=soup.find_all(href=True)
# print(ret)
# 5 方法
# def has_class_but_no_id(tag):
# return tag.has_attr(\'class\') and not tag.has_attr(\'id\')
#
# print(soup.find_all(has_class_but_no_id))
# 6 其他使用
# ret=soup.find_all(attrs={\'class\':"title"})
# ret=soup.find_all(attrs={\'id\':"id_p1",\'class\':\'title\'})
# print(ret)
# 7 拿到标签，取属性，取text
# ret=soup.find_all(attrs={\'id\':"id_p",\'class\':\'title\'})
# print(ret[0].text)
# 8 limit(限制条数)
# soup.find() 就是find_all limit=1
# ret=soup.find_all(name=True,limit=2)
# print(len(ret))
# 9 recursive
# recursive=False (只找儿子)不递归查找，只找第一层
# ret=soup.body.find_all(name=\'p\',recursive=False)
# print(ret)
3 带你搭一个免费的代理池
# https://github.com/jhao104/proxy_pool
# 收费的：提供给你一个接口，每掉一次这个接口，获得一个代理
# 免费：用爬虫爬取，免费代理，放到我的库中，flask，django搭一个服务（删除代理，自动测试代理可用性），每次发一个请求，获取一个代理
# 带你配置
# 1 下载，解压，用pycharm打开
# 2 安装依赖 pip install -r requirements.txt
# 3 配置Config/setting.py:
DB_TYPE = getenv(\'db_type\', \'redis\').upper()
DB_HOST = getenv(\'db_host\', \'127.0.0.1\')
DB_PORT = getenv(\'db_port\', 6379)
DB_PASSWORD = getenv(\'db_password\', \'\')
# 4 本地启动redis-server
# 5 可以在cli目录下通过ProxyPool.py
cd到cli
-python proxyPool.py schedule :调度程序，他会取自动爬取免费代理
-python proxyPool.py webserver:启动api服务，把flask启动起来
如果这个 0.0.0.0：5010 不行 我们就用http://127.0.0.1:5010/get/
4 验证码破解
# 1 简单验证码，字母，数字
# 2 高级的，选择，你好，12306选择乒乓球，滑动验证（极验）
# 打码平台（自动破解验证码，需要花钱）云打码，超级鹰（12306）
http://www.yundama.com/
http://www.chaojiying.com/
# 注册账号，（充钱）把demo下载下来，运行即可
5 爬取糗事百科段子，自动通过微信发给女朋友（老板）
## 6 爬取拉钩职位
## 7 爬取cnblogs新闻
## 8 爬取红楼梦小说写入txt
```
http://www.shicimingju.com/book/hongloumeng.html
```
## 9 爬取糗事百科段子，自动通过微信发给女朋友（老板）
## 10 肯德基餐厅信息
http://www.kfc.com.cn/kfccda/storelist/index.aspx
#####
# 1 爬取糗事百科，微信自动发送
#####
# https://www.qiushibaike.com/text/
# https://www.qiushibaike.com/text/page/1/
import requests
from bs4 import BeautifulSoup
ret=requests.get(\'https://www.qiushibaike.com/text/page/1/\')
# print(ret.text)
ll=[]
soup=BeautifulSoup(ret.text,"lxml")
article_list=soup.find_all(name=\'div\',id=True,class_=\'article\')
for article in article_list:
content=article.find(name=\'div\',class_=\'content\').span.text
# content=article.find(name=\'div\',class_=\'content\').text
# content=article.find(class_=\'content\').text
# print(content)
# 入库
#我们放到列表中
ll.append(content)
print(ll)
# 微信自动发消息
# wxpy：实现了web微信的接口
# pip3 install wxpy
from wxpy import *
# 实例化得到一个对象，微信机器人对象
import random
bot=Bot(cache_path=True)
@bot.register() # 接收从指定好友发来的消息，发送者即recv_msg.sender为指定好友girl_friend
def recv_send_msg(recv_msg):
print(\'收到的消息：\',recv_msg.text) # recv_msg.text取得文本
return random.choice(ll)
embed()
6 爬虫数据保存在mysql中
import requests
import pymysql
conn = pymysql.Connect(host=\'127.0.0.1\',user=\'root\',password=\'123456\',database=\'autohome\')
cursor = conn.cursor()
ret = requests.get(\'https://www.autohome.com.cn/news/5/#liststart\')
# print(ret.text)
from bs4 import BeautifulSoup
soup = BeautifulSoup(ret.text,\'lxml\')
li_list = soup.find_all(name=\'li\')
# print(li_list)
import os
BASE_DIR = r\'E:\新建文件夹\flask_first\pachong\'
PIC_DIR = os.path.join(BASE_DIR,\'pic_list\')
try:
os.mkdir(PIC_DIR)
except Exception as e:
pass
for li in li_list:
h3 = li.find(name=\'h3\')
# print(type(h3))
if not h3:
continue
title = h3.text
desc = li.find(name=\'p\').text
img = li.find(name=\'img\')[\'src\']
url = li.find(name=\'a\')[\'href\']
ret_img = requests.get(\'https:\'+img)
img_name =img.rsplit(\'/\',1)[-1]
IMG_NAME = os.path.join(PIC_DIR,img_name)
with open(IMG_NAME,\'wb\') as f:
for line in ret_img.iter_content():
f.write(line)
# print(f"""
# 新闻标题:{title}
# 新闻摘要:{desc}
# 新闻连接:{\'https:\'+url}
# 新闻图片:{\'https:\'+img}
# """
# )
print(f"""
新闻标题:{title}
新闻摘要:{desc}
新闻连接:{url}
新闻图片:{img}
"""
)
sql = f"insert into car_home(title,content,url,img) values(\'{title}\',\'{desc}\',\'{\'https:\'+url}\',\'{\'https:\'+img}\');"
print(sql)
cursor.execute(sql)
conn.commit()
cursor.close()
conn.close()
1 什么是函数，什么是方法？
类来调用对象的绑定方法，这个方法就是一个普通函数
对象的绑定方法和类的绑定方法，类可以调用对象的绑定方法，它就是个普通函数
2 python中的魔法方法，分别什么作用
3 psutil
4 APScheduler（做定时任务的框架）
-celery：定时任务，异步任务，mq（redis，rabbimq）
5 https://github.com/jhao104/django-blog
8 pyecharts可视化的模块
版权声明：本文为bs2019原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。