爬虫搭建代理池、爬取某网站视频案例、爬取新闻案例

一、requests模块其他参数
二、使用代理
三、代理池搭建
四、使用随机代理发送请求
五、爬取某视频网站的视频案例
六、爬取新闻的案例

一、requests模块其他参数

# 研究主题：爬取肯德基门店信息
# 目标网址：http://www.kfc.com.cn/kfccda/storelist/index.aspx

"""
在浏览器的控制台请求体中解析出来的数据
代码中放到data中发送请求
cname: 
pid: 
keyword: 上海
pageIndex: 1
pageSize: 10
"""

import requests


data = {
    'cname': '',
    'pid': '',
    'keyword': '上海',
    'pageIndex': 1,
    'pageSize': 10,

}

res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data=data, verify=False)
print(res.json())  # .json()可以解析json格式数据

"""
 发送http请求，返回的数据会有xml格式，也有json格式
 如果res.text  >>>转的是xml格式
 如果res.json()   >>>转的是json格式
 
 verify=False 该参数不验证证书,报警告,返回200
 urllib3.disable_warnings() #关闭警告
 手动携带证书信息即可
"""

二、使用代理

如果使用自自身IP地址访问，很有可能被封IP，以后就访问不了了
那如何解决呢？我们可以使用代理IP(代理：)

设置超时，请求参数加上timeout=时间即可
异常处理：用try except 包一下即可
上传文件：虽然爬虫没有上传文件的需求
但是后期在开发过程中需要批量上传文件，这个时候需要requests模块处理
换句话说应用场景

高匿名代理和透明代理
高匿名代理：服务端拿不到真实客户端的IP地址
透明代理：能够拿到真实客户端的IP地址。也能拿到代理

使用高匿名代理时候，如何拿到真实客户端的IP地址？在请求头中有一个参数叫X-Forward-For:''

import requests
proxies={'http':'60.167.91.34:33080'}
proxies={
    'http':'27.79.236.66:4001'
}
res = requests.post('https://wwww.cnbolgs.com',proxies=proxies)
print(res.status_code)

'上传文件'
import requests
files = {'file': open('美女.png', 'rb')}
respone = requests.post('http://httpbin.org/post', files=files)
print(respone.status_code)

'异常处理'
import requests
#可以查看requests.exceptions获取异常类型
from requests.exceptions import * 

try:
    r=requests.get('http://www.baidu.com',timeout=0.00001)
except ReadTimeout:
    print('===:')
except RequestException:
    print('Error')

'超时设置'
import requests
respone=requests.get('https://www.baidu.com',timeout=0.0001)

三、代理池搭建

访问搭建免费的代理池>>> https://github.com/jhao104/proxy_pool
下载zip文件到本地再解压之后再pycharm打开
单独给该项目创建虚拟环境
安装依赖

pip install -r requirements.txt

修改配置

DB_CONN = 'redis://127.0.0.1:6379/0'

启动爬虫程序

python proxyPool.py schedule

启动服务端

python proxyPool.py server

使用随机免费代理

在浏览器地址栏中搜索http://127.0.0.1:5010/get/

可以获取随机免费代理IP，到此自己搭建代理池结束了。

四、使用随机代理发送请求

import requests
from requests.packages import urllib3

urllib3.disable_warnings()  # 关闭警告

res = requests.get('http://127.0.0.1:5010/get/').json()  # 获取代理
proxies = {}
if res['https']:
    proxies['https'] = res['proxy']
else:
    proxies['http'] = res['proxy']
print(proxies)
res = requests.post('https://www.cnblogs.com', proxies=proxies, verify=False)
print(res)

开多线程的脚本

from threading import Thread
import requests


def task():
    res = requests.get('http://101.43.19.239/')
    print(res.text)


for i in range(10000000):
    t = Thread(target=task)
    t.start()

五、爬取某视频网站的视频案例

import requests
import re

res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=1&start=0')
video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text)
for i in video_list:
    # i='video_1212452'
    video_id = i.split('_')[-1]
    real_url = 'https://www.pearvideo.com/' + i
    headers = {
        'Referer': 'https://www.pearvideo.com/video_%s' % video_id
    }
    res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.29636538326105044' % video_id,
                        headers=headers).json()

    mp4_url = res1["videoInfo"]['videos']['srcUrl']
    mp4_url = mp4_url.replace(mp4_url.split('/')[-1].split('-')[0], 'cont-%s' % video_id)
    print(mp4_url)
    res2 = requests.get(mp4_url)
    with open('./video/%s.mp4' % video_id, 'wb') as f:
        for line in res2.iter_content():
            f.write(line)

六、爬取新闻的案例

需要前提条件是有bs4、lxml模块
如果没有就需要下载

pip install beautifulsoup4
pip install lxml

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.autohome.com.cn/all/1/#liststart')
soup = BeautifulSoup(res.text, 'html.parser')
ul_list = soup.find_all(name='ul', class_='article')
for ul in ul_list:
    li_list = ul.find_all(name='li')
    for li in li_list:
        h3 = li.find(name='h3')
        if h3:  # 不是广告
            title = h3.text
            url = 'https:' + li.find('a').attrs['href']
            desc = li.find('p').text
            img = li.find(name='img').attrs['src']
            print('''
            新闻标题：%s
            新闻连接：%s
            新闻摘要：%s
            新闻图片：%s
            ''' % (title, url, desc, img))

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：爬虫搭建代理池、爬取某网站视频案例、爬取新闻案例 - Python技术站