标签：soup res 爬虫 02days html 标签 print find

免费代理池搭建

# 代理有免费和收费代理
# 代理有http代理和https代理
# 匿名度
-高匿：隐藏访问者ip
-透明：服务端能拿到访问者ip
-作为后端，如何拿到使用代理人的ip
-请求头中：x-forword-for
-如果一个 HTTP 请求到达服务器之前，经过了三个代理 Proxy1、Proxy2、Proxy3，IP 分别为 IP1、IP2、IP3，用户真实 IP 为 IP0，那么按照 XFF 标准，服务端最终会收到以下信息：
X-Forwarded-For: IP0, IP1, IP2
-如果拿IP3，remote-addr中

# 搭建免费代理池：https://github.com/jhao104/proxy_pool
-使用python---》爬取免费的代理---》解析出ip和端口，地区---》存到库中
-使用flask---》搭建了一个web服务--》只要向 /get 发送一个请求，他就随机返回一个代理ip

# 步骤：
1 把项目下载下来，pycharm打开https://github.com/jhao104/proxy_pool
2 安装依赖，虚拟环境
3 修改配置文件
DB_CONN = 'redis://127.0.0.1:6379/2'
4 启动爬虫：python proxyPool.py schedule
5 启动web服务：python proxyPool.py server

6 以后访问：http://127.0.0.1:5010/get/

7 使用代码
import requests
res=requests.get('http://192.168.1.252:5010/get/?type=http').json()
print(res['proxy'])

代理池使用

# 使用django写个项目---》只要一访问，就返回访问者ip

# 编写步骤
1 编写django项目，写一个视图函数
def index(request):
    ip=request.META.get('REMOTE_ADDR')
    return HttpResponse('您的ip 是：%s'%ip)

2 配置路由：
    from app01.views import index
    urlpatterns = [
        path('', index),
    ]
3 删除settings.py 中的数据库配置

4 把代码上传到服务端，运行djagno项目
python3.8 manage.py runserver 0.0.0.0:8080

5 本地测试：
import requests
res=requests.get('http://127.0.0.1:5010/get/?type=http').json()
print(res['proxy'])
res1=requests.get('http://47.113.229.151:8080/',proxies={'http':res['proxy']})
print(res1.text)

爬取某视频网站

import requests
import re

res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=1&start=0')
# print(res.text)
# 解析出所有视频地址---》re解析
video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text)
# print(video_list)
for video in video_list:
    real_url = 'https://www.pearvideo.com/' + video
    video_id = video.split('_')[-1]
    # print('视频详情地址是：', real_url)
    # 向能返回mp4地址的接口发送请求：https://www.pearvideo.com/videoStatus.jsp?contId=1706684&mrd=0.05520583472057039
    # 直接发送请求，返现返回的结果中，没有mp4地址，但是在它的页面中就有
    # 必须携带referer，referer是视频详情地址
    # contId  是视频id号
    header={
        'Referer':real_url
    }
    res = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.05520583472057039'%video_id,headers=header)
    # print(res.json())
    real_mp4_url=res.json()['videoInfo']['videos']['srcUrl']
    # print(real_mp4_url) # 视频不能播放
    mp4 = real_mp4_url.replace(real_mp4_url.split('/')[-1].split('-')[0], 'cont-%s' % video_id)
    print('能播放的视频地址:',mp4)

    # 把视频下载到本地
    res=requests.get(mp4)
    with open('./video/%s.mp4'%video_id,'wb') as f:
        for line in res.iter_content():
            f.write(line)
            
            
            
            
            
 '''
 注意：
 1 发送ajax请求，获取真正视频地址
 2 发送ajax请求时，必须携带referer
 3 返回的视频地址，需要处理后才能播放
 '''

爬取新闻

# 解析库：汽车之家
# bs4 解析库  pip3 install beautifulsoup4

import requests
from bs4 import BeautifulSoup

res = requests.get('https://www.autohome.com.cn/news/1/#liststart')
# print(res.text)
# 第一个参数，是要总的字符串
# 第二个参数，使用哪个解析库 ：html.parser：内置的，不需要额外安装，速度慢一些      lxml:额外安装lxml  pip3 install lxml
soup = BeautifulSoup(res.text, 'html.parser')
# 查找  标签
# 1 找到所有 类名是article 的ul标签
ul_list = soup.find_all(name='ul', class_='article')
# print(len(ul_list))

# 2 循环每个ul---》找出每个ul内部的所有li
for ul in ul_list:
    li_list = ul.find_all(name='li')
    # print(li_list)
    for li in li_list:  # 查找每个li标签中得
        h3 = li.find(name='h3')
        if h3:
            # 拿出h3标签的文本内容
            title = h3.text
            content=li.find('p').text # 第一个参数就是name
            # 标签对象 .attrs 拿到标签的所有属性，只要属性中得href
            url='https:'+li.find(name='a').attrs['href']
            # 可以不用 .attrs  直接取属性也可以
            img=li.find('img')['src']
            print('''
            文章标题：%s
            文章摘要：%s
            文章url：%s
            文章图片：%s
            ''' % (title,content,url,img))

            # 1 所有图片下载到本地
            # 2 在mysql中创建一个表 article---》id,title,content,url,img--->把爬回来的数据，存到数据库--》pymysql

bs4介绍和遍历文档树

# bs4是解析 xml/html 格式字符串的解析库
-不但可以解析（爬虫），还可以修改

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" id='id_xx' xx='zz'>lqz <b>The Dormouse's story <span>彭于晏</span></b>  xx</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
# soup=BeautifulSoup(html_doc,'html.parser')
soup = BeautifulSoup(html_doc, 'lxml')  # pip3 install lxml

# 1 文档容错能力
# res=soup.prettify()
# print(res)

# 2 遍历文档树： 文档树：html开头 ------html结尾，中间包含了很多标签
# 通过  . 查找标签
# print(soup.html.head.title)

# 3 通过 . 找到p标签  只能找到最先找到的第一个
# print(soup.html.body.p)
# print(soup.p)

# 4 获取标签的名称
# p = soup.html.body.p
# print(p.name)

# 5 获取标签的属性
# p = soup.html.body.p
# print(p.attrs.get('class')) # class 特殊，可能有多个，所以放在列表汇总
# print(soup.a.attrs.get('href'))
# print(soup.a['href'])

# 6 获取标签的文本内容
# 6.1  标签对象.text  # 拿标签子子孙孙
# 6.2  标签对象.string # 该标签有且只有自己有文本内容才能拿出来
# 6.3  标签对象.strings # 拿子子孙孙，都放在生成器中
# print(soup.html.body.p.b.text)
# print(soup.html.body.p.text)
# print(soup.html.body.p.string) # 不能有子 孙
# print(soup.html.body.p.b.string) # 有且只有它自己

# print(soup.html.body.p.strings) # generator 生成器---》把子子孙孙的文本内容都放在生成器中，跟text很像
# print(list(soup.html.body.p.strings)) # generator 生成器---》把子子孙孙的文本内容都放在生成器中，跟text很像


# 7 嵌套选的
# soup.html.body


# -----了解-----------
# 8 子节点、子孙节点
# print(soup.p.contents) # p下所有子节点，只拿直接子节点


# print(soup.p.children) # 直接子节点 得到一个迭代器,包含p下所有子节点
# for i,child in enumerate(soup.p.children):
#     print(i,child)


# print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来  generator
# for i,child in enumerate(soup.p.descendants):
#     print(i,child)

#9、父节点、祖先节点
# print(soup.a.parent) #获取a标签的父节点

# print(list(soup.a.parents)) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

#10、兄弟节点
# print(soup.a.next_sibling) #下一个兄弟
# print(soup.a.previous_sibling) #上一个兄弟

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

'''
#1、用法  .
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点

'''

搜索文档树

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my_p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

# find:找第一个   和find_all：找所有
# 五种过滤器: 字符串、正则表达式、列表、True、方法
# 1 字符串  查找条件是字符串
# res=soup.find(id='my_p')
# res=soup.find(class_='boldest')
# res=soup.find(href='http://example.com/elsie')
# res=soup.find(name='a',href='http://example.com/elsie',id='link1',class_='sister') # 多个是and条件
# 可以写成
# res=soup.find(attrs={'href':'http://example.com/elsie','id':'link1','class':'sister'})
# print(res)


#2  正则表达式
# import re
# res=soup.find_all(href=re.compile('^http'))
# res=soup.find_all(name=re.compile('^b'))
# res=soup.find_all(name=re.compile('^b'))
# print(res)


# 3 列表
# res=soup.find_all(name=['body','b','a'])
# res=soup.find_all(class_=['sister','boldest'])
# print(res)

# 4 布尔
# res=soup.find_all(id=True)
# res=soup.find_all(name='img',src=True)
# print(res)


# 5 方法
# def has_class_but_no_id(tag):
#     return tag.has_attr('class') and not tag.has_attr('id')
# print(soup.find_all(has_class_but_no_id))


# 6 搜索文档树可以结合遍历文档树一起用-->拿标签的属性，文本，之前都讲过

# res=soup.html.body.find_all('p')
# res=soup.find_all('p')
# print(res)

# 7 find 和find_all的区别:find 就是find_all，只要第一个


# 8 recursive=True   limit=1
# res=soup.find_all(name='p',limit=2) # 限制条数
res=soup.html.body.find_all(name='p',recursive=False) # 是否递归查找
print(res)

css选择器

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my_p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')
# css 选择器
'''
.类名
#id
body
body a

# 终极大招：css选择器，复制

'''
# res=soup.select('a.sister')
# res=soup.select('p#my_p>b')
# res=soup.select('p#my_p b')
# print(res)


import requests
from bs4 import BeautifulSoup
header={
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/121.0.0.0 Safari/537.36'
}
res=requests.get('https://www.zdaye.com/free/',headers=header)
# print(res.text)
soup=BeautifulSoup(res.text,'lxml')
res=soup.select('#ipc > tbody > tr:nth-child(2) > td.mtd')
print(res[0].text)

标签：soup,res,爬虫,02days,html,标签,print,find
From： https://www.cnblogs.com/wzh366/p/18023161

爬虫_02days