爬虫与信息提取 1-2 - 盗亦有道+库实战

你是无意穿堂风 偏偏孤倨引山洪

爬虫引发的问题

网络爬虫的规模：

规模

爬虫带来的问题：

• “骚扰”服务器
• 法律风险
• 隐私泄露

如：

问题1

网络爬虫的限制：

限制

---

Robots协议

协议

京东官网的robots协议案例

京东官网的robots协议

拓展查看：

http://www.baidu.com/robots.txt
http://www.qq.com/robots.txt

---

Robots协议的使用：

使用1

---

实例1 爬京东商品页面

目标url：
https://item.jd.com/4099139.html

目标url内容

# -*- coding: utf-8 -*-

import requests

url = "https://item.jd.com/4099139.html"

try:
    r = requests.get(url)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

实例2 爬亚马逊商品

目标url：
https://www.amazon.cn/gp/product/B01M8L5Z3Y

url内容

# -*- coding: utf-8 -*-

import requests

url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"
r = requests.get(url)
print(r.status_code)
print(r.encoding)
r.encoding = r.apparent_encoding
print(r.request.headers)
print(r.text)

kv = {'user-agent':'Mozilla/5.0'}
r = requests.get(url, headers=kv)
print(r.status_code)
print(r.request.headers)
print(r.text[:1000])

# -*- coding: utf-8 -*-

import requests

url = "https://www.amazon.cn/gp/product/B01M8L5Z3Y"

try:
    kv = {'user-agent':'Mozilla/5.0'}
    r = requests.get(url, headers=kv)
    print(r.request.headers)
    print(r.status_code)
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.text[:1000])
except:
    print("Error")

实例3 百度/360搜索关键字提交

提交

1

百度搜索：

# -*- coding: utf-8 -*-

import requests

keyword = "Python"
try:
    kv = {'wd':keyword}
    r = requests.get("http://www.baidu.com/s", params=kv)
    print(r.status_code)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("Error")

360 搜索：（一般不用）

# -*- coding: utf-8 -*-

import requests

keyword = "Python"
try:
    kv = {'q':keyword}
    r = requests.get("http://www.so.com/s", params=kv)
    print(r.status_code)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("Error")

实例4 爬取和存储网络图片

1

目标图片url：
http://image.nationalgeographic.com.cn/2017/0930/20170930020707632.jpg

目标图片：

目标图片

# -*- coding: utf-8 -*-

import requests
import os

url = "http://image.nationalgeographic.com.cn/2017/0930/20170930020707632.jpg"
root = "D://pics//"
path = root + url.split('/')[-1]

try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r = requests.get(url)
        print(r.status_code)
        with open(path, 'wb') as f:
            f.write(r.content)
            f.close()
            print("文件保存成功")
    else:
        print("文件已存在")
except:
    print("爬取失败")

代码第一次运行：

第一次运行

运行结果：

第一次运行结果

第二次运行失败：

第二次运行失败

实例5 IP地址归属地的自动查询

ip138

结果

# -*- coding: utf-8 -*-

import requests

url = "http://www.ip138.com/ips1388.asp?ip="
try:
    r = requests.get(url+"59.66.0.0&action=2")
    r.raise_for_status()
    r.encoding = r.apparent_encoding
    print(r.status_code)
    print(r.text)
except:
    print("爬取失败")

---

世界上所有的追求都是因为热爱
一枚爱编码 爱生活 爱分享的IT信徒
— hongXkeX