个人网站刚上线 捧捧场 谢谢~
项目还是遇到跟多坑的 分享一下
www.baliIT.com 域名备案中 如果不能访问 可以尝试
http://106.12.86.182/
json模块
什么是json?
javascript中的对象和数组
对象 ：{key:value} 取值：对象名.key
数组 ：[...,...]
取值：数组[索引值]
作用
json格式的字符串 和 Python数据类型 之间的转换
常用方法
json.loads() : json格式 --> Python数据类型
json python
对象 字典
数组 列表
import json
# json格式的数组
jsarray = '[1,2,3,4]'
# 数组 -> 列表
L = json.loads(jsarray)
print(type(L),L)
# json格式对象
jsobj = '{"city":"天地会","name":"步惊云"}'
# 对象 -> 字典
D = json.loads(jsobj)
print(type(D),D)
json.dumps() : Python数据类型 --> json格式
python json
字典 对象
列表 数组
元组 数组
L = [1,2,3,4]
T = (1,2,3,4)
D = {"city":"天地会","name":"聂风"}
# python格式 -> json格式
jsarray1 = json.dumps(L)
print(type(jsarray1),jsarray1)
jsarray2 = json.dumps(T)
print(type(jsarray2),jsarray2)
jsobj = json.dumps(D,ensure_ascii=False)
print(type(jsobj),jsobj)
注意
json.dumps()默认使用ascii编码
添加参数ensure_ascii=False,禁用ascii编码
动态网站数据抓取 - Ajax
特点 ：滚动鼠标滑轮时加载
豆瓣电影排行榜数据抓取
抓取目标 ：豆瓣电影 - 排行榜 - 剧情
电影名称 、评分
import json
import requests
import csv
def get_movie(typ, number):
url = "https://movie.douban.com/j/chart/top_list?"
headers = {"Users-Agent": "Mozilla/5.0"}
params = {
"type": typ,
"interval_id": "100:90",
"action": "",
"start": "0",
"limit": number
}
res = requests.get(url, params=params, headers=headers)
res.encoding = "utf-8"
# html 为json数组 [{}, {}, {}...]
html = res.text
# 数组 -> 列表
html = json.loads(html)
# 用for循环遍历每一个电影信息{}
for film in html:
L = [film["title"], film["rating"][0]]
# {"rating":["9.6","50"],...}
with open("douban.csv", "a", newline="") as f:
writer = csv.writer(f)
writer.writerow(L)
dic = {
"剧情": "11",
"喜剧": "24",
"动作": "5",
"爱情": "13",
"动画": "25",
"惊悚": "19",
"科幻": "17",
}
cmd = input("请输入电影类型：")
try:
cmd = cmd.strip()
get_movie(dic[cmd], input("请输入数量："))
except KeyError:
print("类型不存在")
else:
print("爬取成功呢")
selenium + phantomjs 强大的网络爬虫组合
selenium
定义 ：Web自动化测试工具,应用于Web自动化测试
特点
可以运行在浏览器,根据指定命令操作浏览器,让浏览器自动加载页面
只是工具,不支持浏览器功能,需要与第三方浏览器结合使用
phantomjs
定义 ：无界面浏览器(无头浏览器)
特点
把网站加载到内存进行页面加载
运行高效
安装
Windows
将下载的可执行文件放到Python安装目录的Scripts目录下
C:\Python36\Scripts
Ubuntu
将下载的phantomjs放到一个路径下
添加环境变量：
vi .bashrc 添加
export PHANTOM_JS=/home/.../phantomjs-2.1.1-...
export PATH=$PHANTOM_JS/bin:$PATH
终端：source .bashrc
终端：phantomjs
# 导入selenium库中的webdriver接口
from selenium import webdriver
# 创建phantomjs浏览器对象
driver = webdriver.PhantomJS()
# 发请求 get()
driver.get("http://www.baidu.com/")
print(driver.page_source)
## 获取网页截屏
driver.save_screenshot("百度.png")
print("图片保存成功")
## 关闭
driver.quit()
from selenium import webdriver
import time
# 创建浏览器对象
driver = webdriver.PhantomJS()
# 打开页面
driver.get("http://www.baidu.com/")
# 发送文字到搜索框
kw = driver.find_element_by_id("kw")
kw.send_keys("美女")
# 点击 "百度一下"
su = driver.find_element_by_id("su")
su.click()
time.sleep(1)
# 获取截屏
driver.save_screenshot("美女.png")
# 关闭浏览器
driver.quit()
常用方法
driver.get(url)
driver.page_source : 获取响应的html源码
driver.page_source.find("字符串")
作用 ：从html源码中搜索指定字符串
-1
：查找失败
非-1 ：查找成功
driver = webdriver.PhantomJS()
driver.get("http://www.baidu.com/")
r = driver.page_source.find("ABCDEFG")
单元素查找
1、driver.find_element_by_id("").text
2、driver.find_element_by_class_name("")
3、driver.find_element_by_xpath('xpath表达式')
4、如果匹配到多个节点,则只返回第1个节点对象
多元素查找
driver.find_elements_by_....
注意
如果结果1个,则返回节点对象,不是列表
如果结果N个,则返回列表
from selenium import webdriver
driver = webdriver.Chrome()
driver.get("https://www.qiushibaike.com/")
# 查找单个节点 element
r_One = driver.find_element_by_class_name("content")
print(r_One.text)
# 查找多个节点 elements
r_Many = driver.find_elements_by_class_name("content")
for r in r_Many:
print(r.text)
print()
driver.quit()
对象名.send_keys("内容")
对象名.click()
案例1 ：登录豆瓣网站
from selenium import webdriver
import time
# 创建浏览器对象,发请求
driver = webdriver.Chrome()
driver.get("https://www.douban.com/")
time.sleep(0.5)
# 获取截图(验证码)
driver.save_screenshot("验证码.png")
# 找 用户名、密码、验证、登陆豆瓣按钮
uname = driver.find_element_by_name("form_email")
uname.send_keys("账号")
# 密码
pwd = driver.find_element_by_name("form_password")
pwd.send_keys("密码")
# 验证码
key = input("请输入验证码：")
yzm = driver.find_element_by_id("captcha_field")
yzm.send_keys(key)
driver.save_screenshot("完成.png")
# 点击登陆按钮
login = driver.find_element_by_class_name("bn-submit")
login.click()
time.sleep(1)
driver.save_screenshot("登陆成功.png")
# 关闭浏览器
driver.quit()
操作键盘
导模块
from selenium.webdrier.common.keys import Keys
常用方法
from selenium import webdriver
# 操作键盘
from selenium.webdriver.common.keys import Keys
import time
# 创建浏览器对象,发请求
driver = webdriver.Chrome()
driver.get("http://www.baidu.com/")
# 百度搜索框输入python
kw = driver.find_element_by_id("kw")
kw.send_keys("python")
driver.save_screenshot("01_python.png")
# 全选 ：Ctrl + a
kw = driver.find_element_by_id("kw")
kw.send_keys(Keys.CONTROL,'a')
driver.save_screenshot("02_CtrlA.png")
# 剪切 ：Ctrl + x
kw = driver.find_element_by_id("kw")
kw.send_keys(Keys.CONTROL,'x')
driver.save_screenshot("03_CtrlX.png")
# 粘贴 ：Ctrl + v
kw = driver.find_element_by_id("kw")
kw.send_keys(Keys.CONTROL,'v')
driver.save_screenshot("04_CtrlV.png")
# 清空搜索框 : 对象名.clear()
kw = driver.find_element_by_id("kw")
kw.clear()
driver.save_screenshot("05_Clear.png")
# 输入 ：达内科技
kw = driver.find_element_by_id("kw")
kw.send_keys("达内科技")
driver.save_screenshot("06_Tarena.png")
# 输入 ：回车
kw = driver.find_element_by_id("kw")
kw.send_keys(Keys.ENTER)
time.sleep(1)
driver.save_screenshot("07_Enter.png")
# 关闭浏览器
driver.quit()
斗鱼直播网站主播信息抓取(JS分页加载)
抓取目标 ：主播名称 、观众人数
主播 ：class -> dy-name ellipsis fl
//div[@id="live-list-content"]//span[@class="dy-name ellipsis fl"]
人数 ：class -> dy-num fr
//div[@id="live-list-content"]//span[@class="dy-num fr"]
下一页按钮(能点) ：class -> shark-pager-next
下一页按钮(不能点)
class -> shark-pager-next shark-pager-disable shark-pager-disable-next
from selenium import webdriver
from lxml import etree
import time
# 把Chrome设置无界面浏览器
opt = webdriver.ChromeOptions()
opt.set_headless()
# 创建浏览器对象,发请求
driver = webdriver.Chrome(options=opt)
driver.get("https://www.douyu.com/directory/all")
i = 1
# 循环
while True:
# 解析(driver.page_source)
# 获取主播名称 和 观众人数
parseHtml = etree.HTML(driver.page_source)
names = parseHtml.xpath('//div[@id="live-list-content"]//span[@class="dy-name ellipsis fl"]')
numbers = parseHtml.xpath('//div[@id="live-list-content"]//span[@class="dy-num fr"]')
for name,number in zip(names,numbers):
print("\t主播名称：%s \t观众人数：%s" %
(name.text.strip(),number.text.strip()))
#for name,number in [("主播1","20万"),("主播2","15万")]
print("第%d页爬取成功" % i)
i += 1
# 判断是否需要点击下一页
# 能点 ：点击,继续循环
if driver.page_source.find("shark-pager-disable-next") == -1:
driver.find_element_by_class_name("shark-pager-next").click()
time.sleep(1)
else:
break
# 不能点 ：break
print("一共爬取了%d页" % i)
Chromdriver如何设置无界面模式
1、opt = webdriver.ChromeOptions()
2、opt.set_headless()
3、driver = webdriver.Chrome(options=opt)
4、driver.get(url)
京东商品爬取
1、目标
1、商品名称
2、商品价格
3、评论数量
4、商家名称
from selenium import webdriver
import time
import csv
# 接受用户输入,访问京东
pro = input("请输入要爬取的商品：")
driver = webdriver.Chrome()
driver.get("https://www.jd.com/")
i = 1
# 发送文字到搜索框,点击搜索
text = driver.find_element_by_class_name("text")
text.send_keys(pro)
button = driver.find_element_by_class_name("button")
button.click()
time.sleep(1)
while True:
# 动态加载-->全部加载
# 执行脚本,进度条拉到底部
driver.execute_script(
'window.scrollTo(0,\
document.body.scrollHeight)')
time.sleep(2)
# 正常解析爬取
r_list = driver.find_elements_by_xpath\
('//div[@id="J_goodsList"]//li')
# r为每一个商品的节点对象
for r in r_list:
m = r.text.split('\n')
# ["￥52.80","Python...","200+",]
price = m[0]
name = m[1]
commit = m[2]
market = m[3]
with open("商品.csv","a",newline="",encoding="gb18030") as f:
writer = csv.writer(f)
L = [name.strip(),price.strip(),
commit.strip(),market.strip()]
writer.writerow(L)
print("第%d页爬取成功" % i)
i += 1
# 点击下一页
