[1 搜索文档树](#1 搜索文档树)
[1.1 find和find_all](#1.1 find和find_all)
[1.2 爬取美女图片](#1.2 爬取美女图片)
[2 bs4其它用法](#2 bs4其它用法)
[3 css选择器](#3 css选择器)
[4 selenium基本使用](#4 selenium基本使用)
[4.1 模拟登录](#4.1 模拟登录)
[5 selenium其它用法](#5 selenium其它用法)
[5.1 无头浏览器](#5.1 无头浏览器)
[5.2 搜索标签](#5.2 搜索标签)
遍历文档树
python
-1 request 使用代理
proxies = {
'https': 192.168.1.12:8090,
}
-2 代理的使用
-高匿 透明
-免费---》爬取免费代理--》开源
-https://www.zdaye.com/free/ ---》验证
-收费
-3 django 获取访问者ip---》公网
-django如果在内网---》局域网内访问没问题
-如果到了公网，再回就回不来了
-使用内网穿透技术实现
-公网 内网
-4 爬取视频网站
-1 获取一条条视频--》分析出一个地址--》正则
-2 解析出视频id，视频地址
-3 携带referer
-4 视频不能播放--》能播的和不能播的有什么区别
-5 爬新闻
-requests+bs4
-find_all
-find
-6 bs介绍和使用
-解析库---》xml
-指定解析器 lxml html.parser
-7 遍历文档树
-soup=BeautifulSoup()
-soup.body.title 返回的对象 也有这些方法和属性 Tag ，BeautifulSoup继承了Tag
-BeautifulSoup类继承了Tag，所以以后拿到的任意一个标签都是Tag类的对象，所有的遍历文档，获取属性，文本---》跟BeautifulSoup的对象一样用
- . 找标签 只能找到第一个
- .标签.标签
- 获取标签名 soup.body.name
- 获取标签属性：soup.标签.attrs.get('属性名')
类 ：class标签 列表
- 获取标签文本内容：
-text：子子孙孙的内容拼到一起
-string：该标签有且只有它自己 有内容
-strings：子子孙孙放到生成器中
-子节点
-兄弟节点
-父亲节点
1 搜索文档树
python
# 1 find_all ：找所有 列表
# 2 find 找一个 Tag类的对象1.1 find和find_all
python
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b><span>lqz</span></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')
# 1、五种过滤器: 字符串、正则表达式、列表、True、方法
#### 字符串
# -可以按标签名，可以按属性，可以按文本内容
# - 无论按标签名，按属性，按文本内容 都是按字符串形式查找
# p=soup.find('p')
# 找到类名叫 story的p标签
# p=soup.find(name='p',class_='story')
#### 可以按标签名，可以按属性，可以按文本内容
# obj=soup.find(name='span',text='lqz')
# obj=soup.find(href='http://example.com/tillie')
# 属性可以写成这样
# obj=soup.find(attrs={'class':'title'})
# print(obj)
#### 正则 无论按标签名，按属性，按文本内容 都是按正则形式查找
# 找到所有名字以b开头的所有标签
import re
# obj=soup.find_all(name=re.compile('^b'))
# obj=soup.find_all(name=re.compile('y$'))
# obj=soup.find_all(href=re.compile('^http:'))
# obj=soup.find_all(text=re.compile('i'))
# print(obj)
### 列表 无论按标签名，按属性，按文本内容 都是按列表形式查找
# obj=soup.find_all(name=['p','a'])
# obj = soup.find_all(class_=['sister', 'title'])
# print(obj)
# True无论按标签名，按属性，按文本内容 都是按布尔形式查找
# obj=soup.find_all(id=True)
# obj=soup.find_all(href=True)
# obj=soup.find_all(name='img',src=True)
# print(obj)
### 方法 无论按标签名，按属性，按文本内容 都是按方法形式查找
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(name=has_class_but_no_id))1.2 爬取图片
python
import requests
from bs4 import BeautifulSoup
res = requests.get('https://pic.netbian.com/tupian/32518.html')
res.encoding = 'gbk'
# print(res.text)
soup = BeautifulSoup(res.text, 'html.parser')
ul = soup.find('ul', class_='clearfix')
img_list = ul.find_all(name='img', src=True)
for img in img_list:
try:
url = img.attrs.get('src')
if not url.startswith('http'):
url = 'https://pic.netbian.com' + url
print(url)
res1=requests.get(url)
name=url.split('-')[-1]
with open('./img/%s'%name,'wb') as f:
for line in res1.iter_content():
f.write(line)
except Exception as e:
continue2 bs4其它用法
python
# 1 遍历，搜索文档树---》bs4还可以修改xml
-java的配置文件一般喜欢用xml写
-.conf
-.ini
-.yaml
-.xml
# 2 find_all 其他参数
-limit=数字 找几条 ，如果写1 ，就是一条
-recursive
# 3 搜索文档树和遍历文档树可以混用，找属性，找文本跟之前学的一样< h1 id="css">3 css选择器
python
# id选择器
#id号
# 标签选择器
标签名
# 类选择器
.类名
# 记住的：
#id
.sister
head
div>a # div下直接子节点a
div a # div下子子孙孙节点a
# 一旦会了css选择器的用法---》以后所有的解析库都可以使用css选择器去找
python
import requests
from bs4 import BeautifulSoup
res = requests.get('https://www.cnblogs.com/liuqingzheng/p/16005896.html')
# print(res.text)
soup = BeautifulSoup(res.text, 'html.parser')
# a=soup.find(name='a',title='下载哔哩哔哩视频')
# print(a.attrs.get('href'))
# p=soup.select('#cnblogs_post_body p:nth-child(2) a:nth-child(5)')[0].attrs.get('href')
# p=soup.select('#cnblogs_post_body > p:nth-child(2) > a:nth-child(5)')[0].attrs.get('href') # 以后直接复制即可
p=soup.select('a[title="下载哔哩哔哩视频"]')[0].attrs.get('href') # 以后直接复制即可
print(p)4 selenium基本使用
python
# 这个模块：既能发请求，又能解析，还能执行js
# selenium最初是一个自动化测试工具,而爬虫中使用它主要是为了解决requests无法直接执行JavaScript代码的问题
# selenium 会做web方向的自动化测试
# appnium 会做 app方向的自动化测试
# selenium 可以操作浏览器，模拟人的 行为
# 如何使用
1 下载浏览器驱动：https://registry.npmmirror.com/binary.html?path=chromedriver/
https://googlechromelabs.github.io/chrome-for-testing/
https://edgedl.me.gvt1.com/edgedl/chrome/chrome-for-testing/119.0.6045.105/win64/chromedriver-win64.zip
跟浏览器型号和版本一一对应的
ie，火狐，谷歌：谷歌为例
谷歌浏览器有很多版本：跟版本一一对应
2 安装 selenium
3 写python代码，操作浏览器
import time
from selenium import webdriver
# 跟人操作浏览器一样，打开了谷歌浏览器，拿到浏览器对象
bro=webdriver.Chrome()
# 在地址栏中输入地址
bro.get('https://www.baidu.com')
time.sleep(5)
bro.close()
4.1 模拟登录
python
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
bro = webdriver.Chrome()
bro.get('https://www.baidu.com')
bro.implicitly_wait(10) # 设置等待---》从页面中找标签，如果找不到，就等待
# 最大化
bro.maximize_window()
# print(bro.page_source) # 当前页面的html内容
# 找到登录按钮--》选择器---》css选择器
# a_login=bro.find_element(by=By.NAME,value='tj_login')
# a_login=bro.find_element(by=By.ID,value='s-top-loginbtn')
a_login = bro.find_element(by=By.LINK_TEXT, value='登录') # a 标签连接文字
time.sleep(2)
# 点击
a_login.click()
# 找到短信登录 点击
sms_login = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__changeSmsCodeItem')
sms_login.click()
time.sleep(1)
user_login = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__changePwdCodeItem')
user_login.click()
time.sleep(1)
username = bro.find_element(by=By.NAME, value='userName')
# 往输入框中写文字
username.send_keys('lqz@qq.com')
password = bro.find_element(by=By.ID, value='TANGRAM__PSP_11__password')
# 往输入框中写文字
password.send_keys('lqz@qq.com')
agree = bro.find_element(By.ID, 'TANGRAM__PSP_11__isAgree')
agree.click()
time.sleep(1)
submit = bro.find_element(By.ID, 'TANGRAM__PSP_11__submit')
submit.click()
time.sleep(3)
bro.close()5 selenium其它用法
5.1 无头浏览器
python
# 如果我们做爬虫，我们只是为了获取数据，不需要非有浏览器在显示---》隐藏浏览器图形化界面
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加载图片, 提升速度
chrome_options.add_argument('--headless') #浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
bro = webdriver.Chrome(options=chrome_options)
bro.get('https://www.cnblogs.com/liuqingzheng/p/16005896.html')
print(bro.page_source)
time.sleep(3)
bro.close()5.2 搜索标签
python
1 搜索标签
By.ID # 根据id号查找标签
By.NAME # 根据name属性查找标签
By.TAG_NAME # # 根据标签查找标签
By.CLASS_NAME # 按类名找
By.LINK_TEXT # a标签文字
By.PARTIAL_LINK_TEXT # a标签文字，模糊匹配
---------selenium 自己的--------
By.CSS_SELECTOR # 按css选择器找
By.XPATH #按xpath找
2 获取标签的属性，文本，大小，位置
print(tag.get_attribute('src'))
print(tag.id) # 这个id不是id号，不需要关注
print(tag.location)
print(tag.tag_name)
print(tag.size)
python
import time
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.options import Options
chrome_options = Options()
chrome_options.add_argument('blink-settings=imagesEnabled=false') #不加载图片, 提升速度
chrome_options.add_argument('--headless') #浏览器不提供可视化页面. linux下如果系统不支持可视化不加这条会启动失败
bro = webdriver.Chrome(options=chrome_options)
bro.get('https://www.cnblogs.com/liuqingzheng/p/16005896.html')
#### 不建议使用----》selenium提供的查找
# soup=BeautifulSoup(bro.page_source,'html.parser')
# print(soup.find(title='下载哔哩哔哩视频').attrs.get('href'))
# selenium提供的查找
# By.ID # 根据id号查找标签
# By.NAME # 根据name属性查找标签
# By.TAG_NAME # # 根据标签查找标签
# By.CLASS_NAME # 按类名找
# By.LINK_TEXT # a标签文字
# By.PARTIAL_LINK_TEXT # a标签文字，模糊匹配
#---------selenium 自己的--------
# By.CSS_SELECTOR # 按css选择器找
# By.XPATH #按xpath找
#### 找到标签后，获取标签属性，文本，位置，大小等
# print(tag.get_attribute('src'))
# print(tag.id) # 这个id不是id号，不需要关注
# print(tag.location)
# print(tag.tag_name)
# print(tag.size)
div=bro.find_element(By.ID,'cnblogs_post_body')
# res=div.get_attribute('class') # 获取标签属性
print(div.get_attribute('class'))
print(div.id) # 这个id不是id号，不需要关注
print(div.location) # 在页面中位置： x y轴效果---》
print(div.tag_name) # 标签名
print(div.size) # 标签大小 x y
print(div.text) # 文本内容
## 找到页面中所有div
# divs=bro.find_elements(By.TAG_NAME,'div')
# print(len(divs))
# 按类名找
# div=bro.find_element(By.CLASS_NAME,'postDesc').text
# print(div)
# 按css选择器
# div=bro.find_element(By.CSS_SELECTOR,'div.postDesc').text
# div=bro.find_element(By.CSS_SELECTOR,'#topics > div > div.postDesc').text
# print(div)
# 按xpath选择---专门学xpath的语法
# div=bro.find_element(By.XPATH,'//*[@id="topics"]/div/div[3]').text
# print(div)
time.sleep(1)
bro.close()