实战1-python爬取安全客新闻

携柺星年2023-12-17 9:02

一般步骤：确定网站--搭建关系--发送请求--接受响应--筛选数据--保存本地

1.拿到网站首先要查看我们要爬取的目录是否被允许

一般网站都会议/robots.txt目录，告诉你哪些地址可爬，哪些不可爬，以安全客为例子

2. 首先测试在不登录的情况下是否请求成功

可见，该请求成功；有很多网站在没有登录的情况下是请求失败的，这时需要添加请求头信息，

注意：有的cookie 会根据时间戳生成，有的会失效

haders={},

2.1、首先 F12 到 Network 下，F5刷新，复制 Requests Headers然后把它转换成 json 格式

2.1.1 Requests Headers 转 json 格式有很多种方法

在线转 json 格式的网站:在线HTTP请求/响应头转JSON工具 - UU在线工具

2.如果电脑没网在终端下载：pip install feapder

feapder create -j

req=requests.get(url=url).text 是把所有的文本都提取出来，会很乱，所有我们需要筛选，整理一下

可以发现，我们需要的数据在 a 标签中

<a target="_blank" href="/post/id/291754">苹果委托进行数据泄露研究，以强调端到端加密的必要性</a>

数据多了id位数也可能会增加；也可以把id写死，根据291754是个六位数，所以 \d{6}只匹配 id是六位数的。

python 复制代码

Title=re.findall(r'<a target="_blank" href="/post/id/\d+">(.*?)</a>',req)

\d+

注意代码格式

range() 取值 [ ）

最终代码：

python 复制代码

import re
import requests
#headers={}
url='https://www.anquanke.com/'
req=requests.get(url=url).text
# print(req)
dict={}
for i in range(1,20):
    dict['Title']=re.findall(r'<a target="_blank" href="/post/id/\d+">(.*?)</a>',req)[i]
    dict['url']=re.findall(r'<a target="_blank" href="(/post/id/\d+)">',req)[i]
    print(dict)

优化后的代码：

python 复制代码

import re
import requests
url='https://www.anquanke.com/'
req=requests.get(url=url)
print(req.status_code)
req=req.text
dict={}
Title=re.findall(r'<a target="_blank" href="(/post/id/\d+)">(.*?)</a>',req)
# print(Title)
for title in Title:
    dict['Title']=title[1]
    dict['url']=url+title[0]
    print(dict)