requests
爬取搜狗指定词条对应的搜索结果页面(简易网页采集器)
UA:User-Agent(请求载体的身份标识)
UA伪装:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份为某以款浏览器,说明该请求是一个正常的请求。都是如果检测到的请求的载体身份标识不是基于某一款浏览器的,则表示该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该次请求。
所以正常爬取会失败,所以我们要使用UA伪装。
UA伪装
UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器。
注:浏览器身份标识可以从浏览器右键的检查,
最后我们就可以写出爬取指定数据的代码了
import requests
#UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36'
}
url='https://www.sogou.com/web?'
#处理url携带的参数:封装到字典中
kw = input('enter a word:')
param = {
'query':kw
}
response = requests.get(url=url,params=param,headers=headers)
page_text = response.text
fileName = kw+'.html'
with open(fileName,'w',encoding='utf-8') as fp:
fp.write(page_text)
print(fileName,'保存成功')
结果
百度翻译
import json
import requests
post_url='https://fanyi.baidu.com/sug'
#进行UA伪装
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36'
}
#post请求参数处理(同get请求一致)
word = input('entry a word:')
data = {
'kw':word
}
#发送请求
response = requests.post(url=post_url,data=data,headers=headers)
#获取响应数据:json()方法返回的是一个对象(如果确认响应数据是json类型的才能使用json())
dic_obc = response.json()
#进行持久化存储
fileName = word+'.json'
fp = open(fileName,'w',encoding='utf-8')
json.dump(dic_obc,fp=fp,ensure_ascii=False)
print('结束')
查看url
查看数据类型
查看参数处理方法
爬取豆瓣电影分类排行榜
import json
import requests
url = 'https://movie.douban.com/j/chart/top_list'
param = {
'type': '24',
'interval_id': '100:90',
'action':'',
'start': '0',#start表示从库中第几部电影获取
'limit': '20',#limit表示一次获取多少部电影
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36'
}
reponse = requests.get(url=url,headers=headers,params=param)
list_data = reponse.json()
fp = open('./douban.json','w',encoding='utf-8')
json.dump(list_data,fp=fp,ensure_ascii=False)
print('over')
将上图的数据复制到json格式化工具BEJSON中
爬取的第一个是“憨豆先生精选辑”和豆瓣电影中的一样
说明没有错误。
参数的位置
爬取国家药品监督管理总局基于中华人民共和国化妆品生产许可证相关数据
首页中对应的企业信息数据是通过ajax动态请求到的。
通过观察详情页发现url的域名都是一样的,只有携带的参数(id)不一样,id值可以从首页对应的ajax请求到的json串中获取。
详情页企业数据也是动态加载出来的,再观察发现所有post请求的url都是一样的,只有参数id不一样。
import json
import requests
#批量获取不同企业的id值
url = 'http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList'
#参数的键值
data = {
'on': 'true',
'page': '1',
'pageSize': '15',
'productName':'',
'conditionType': '1',
'applyname':'',
'applysn':'',
}
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36'
}
id_list = []#添加企业的id
all_data_list = []#储存所有的企业详情数据
ison_ids = requests.post(url=url,data=data,headers=headers).json()
for dic in ison_ids['list']:
id_list.append(dic['ID'])
#获取企业详情
post_url='http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById'
for id in id_list:
data ={
'id':id
}
detail_json = requests.post(url=url,headers=headers,data=data).json()
all_data_list.append(detail_json)
#持久化存储all_data_list
with open('./allData.json','w',encoding='utf-8') as fp:
json.dump(all_data_list,fp=fp,ensure_ascii=False)
print('over
分页操作
import json
import requests
#批量获取不同企业的id值
url = 'http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList'
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36'
}
id_list = []#添加企业的id
all_data_list = []#储存所有的企业详情数据
#参数的键值
for page in range(1,6):
page = str(page)
data = {
'on': 'true',
'page': page,
'pageSize': '15',
'productName':'',
'conditionType': '1',
'applyname':'',
'applysn':'',
}
ison_ids = requests.post(url=url,data=data,headers=headers).json()
for dic in ison_ids['list']:
id_list.append(dic['ID'])
#获取企业详情
post_url='http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById'
for id in id_list:
data ={
'id':id
}
detail_json = requests.post(url=url,headers=headers,data=data).json()
all_data_list.append(detail_json)
#持久化存储all_data_list
with open('./allData.json','w',encoding='utf-8') as fp:
json.dump(all_data_list,fp=fp,ensure_ascii=False)
print('over')
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。