Python 爬虫工具

  • requests

    $ pip install requests
    
    import requests
    
    kw = {'wd':'长城'}
    
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}
    
    formdata = {
        "type":"AUTO",
        "i":"i love python",
        "doctype":"json",
        "xmlVersion":"1.8",
        "keyfrom":"fanyi.web",
        "ue":"UTF-8",
        "action":"FY_BY_ENTER",
        "typoResult":"true"
    }
    
    url = "http://www.baidu.com/s?"
    
    # params 接收一个字典或者字符串的查询参数,字典类型自动转换为url编码,不需要urlencode()
    resp = requests.get(url, params = kw, headers = headers)
    resp = requests.post(url, data = fordata)
    
    # 编码方式
    resp.encoding = 'utf-8'
    
    # 查看响应内容,response.text 返回的是Unicode格式的数据
    print response.text
    
    # 查看响应内容,response.content返回的字节流数据
    print respones.content
    
    
    
  • re 正则表达式

    import re
    
    # re.compile 预编译正则表达式
    # .*? 匹配任意长度字符串   (?P<name>.*?) name为变量名,用于提取匹配内容
    # re.S 匹配包括换行符在内的任意字符
    obj = re.compile(r'<li>.*?<span class="title">(?P<name>.*?)</span>',re.S)
    
    # obj.search 搜索符合正则规则的字符串  group("pic_url")返回一个包含"pic_url"的元组
    result = obj.search(resp.text).group("pic_url")
    
    #字符串中找到正则表达式所匹配的所有子串,并把它们作为一个迭代器返回
    re.finditer(pattern, string, flags=0)
    
    
  • xpath 查找HTML标签

    $ pip3 install lxml
    
    from lxml import etree
    
    # resp.text 网页文本
    et = etree.HTML(resp.text)
    
    # 查找<ul>标签 含有class='pic' 的文本内容
    result = et.xpath("//ul[@class='pic']/text()")
    
    # 查找<a>标签 包含的链接
    result = et.xpath("//a/@href")
    
    
  • 线程池

    from concurrent.futures import ThreadPoolExecutor
    
    # 最多 10 线程 
    with ThreadPoolExecutor(10) as t:
        t.submit(func,arge)
    
上一篇:Java类初始化


下一篇:处理 vite 里面 __require() 方法报错