初始爬虫5

响应码:

数据处理: re模块(正则表达式)

re模块是Python中用于正则表达式操作的标准库。它提供了一些功能强大的方法来执行模式匹配和文本处理。以下是re模块的一些常见用法及其详细说明:

  1. 基本用法

1.1 匹配模式

re.match(pattern, string):

功能:从字符串的开头开始匹配模式。

返回:一个匹配对象(Match对象)如果匹配成功,否则返回None。

示例:

python

import re

result = re.match(r'\d+', '123abc')

if result:

print(result.group()) # 输出 '123'

1.2 搜索模式

re.search(pattern, string):

功能:扫描整个字符串并返回第一个匹配的结果。

返回:一个匹配对象(Match对象)如果匹配成功,否则返回None。

示例:

python

import re

result = re.search(r'\d+', 'abc123def')

if result:

print(result.group()) # 输出 '123'

1.3 查找所有匹配

re.findall(pattern, string):

功能:查找所有匹配的子串并以列表形式返回。

返回:一个列表,其中包含所有匹配的字符串。

示例:

python

import re

results = re.findall(r'\d+', '123 abc 456 def 789')

print(results) # 输出 ['123', '456', '789']

1.4 替换文本

re.sub(pattern, repl, string):

功能:用指定的替换文本替换匹配的模式。

返回:替换后的字符串。

示例:

python

import re

result = re.sub(r'\d+', '#', 'abc 123 def 456')

print(result) # 输出 'abc # def #'

1.5 分割字符串

re.split(pattern, string):

功能:根据模式分割字符串。

返回:一个列表,其中包含分割后的字符串。

示例:

python

import re

result = re.split(r'\W+', 'hello, world! Python is great.')

print(result) # 输出 ['hello', 'world', 'Python', 'is', 'great', '']

  1. 正则表达式的特殊字符

.:匹配除换行符外的任何字符。

^:匹配字符串的开头。

$:匹配字符串的结尾。

*:匹配前一个字符零次或多次。

+:匹配前一个字符一次或多次。

?:匹配前一个字符零次或一次。

{n}:匹配前一个字符恰好n次。

{n,}:匹配前一个字符至少n次。

{n,m}:匹配前一个字符至少n次,但不超过m次。

[]:匹配括号内的任意字符。

|:表示"或"操作。

\d:匹配任何数字,等同于[0-9]。

\D:匹配任何非数字字符。

\w:匹配任何字母数字字符,等同于[a-zA-Z0-9_]。

\W:匹配任何非字母数字字符。

\s:匹配任何空白字符,包括空格、制表符和换行符。

\S:匹配任何非空白字符。

  1. 匹配对象方法

group():返回匹配的字符串。

groups():返回一个包含所有匹配组的元组。

start():返回匹配的开始位置。

end():返回匹配的结束位置。

span():返回匹配的起始和结束位置的元组。

示例:

python

import re

定义模式和字符串

pattern = r'(\d+)'

string = 'There are 123 apples and 456 oranges.'

使用 re.search 查找第一个匹配

match = re.search(pattern, string)

if match:

print(match.group()) # 输出 '123'

print(match.groups()) # 输出 ('123',)

使用 re.findall 查找所有匹配

matches = re.findall(pattern, string)

print(matches) # 输出 ['123', '456']

  1. 编译正则表达式

re.compile(pattern):

功能:将正则表达式编译成一个正则表达式对象,可以多次使用。

示例:

import re

pattern = re.compile(r'\d+')

result = pattern.findall('The numbers are 123 and 456.')

print(result) # 输出 ['123', '456']

模拟github登录(异地登录需要邮件验证码未解决)

GitHub网站:https://github.com/login

勾选Preserve log,记录每次响应:

登录后查看post请求产生的Payload,此处信息可以两次登录对比看,以此得到想要模拟的登录信息:

完整实现github登录代码:

python 复制代码
# -*- coding: utf-8 -*-
import re

# 1.获取并模拟登录操作 2.保存登录会话信息 3.验证是否登录成功
import requests
from requests import Session

def do_auth_token(session: Session):
    global response
    response = session.get('https://github.com/login')
    if response.status_code != 200:
        print("请求失败,请稍后再试!")
        exit(0)
    login_html = response.content.decode()
    auth_token = re.findall(r'name="authenticity_token" value="(.*?)"', login_html)[0]
    return auth_token


def do_auth_login(session: Session):
    post_data = {
        "commit": "Sign in",
        "authenticity_token": auth_token,
        "login": "123456",
        "password": "123456",  # 登录密码,为了个人账号安全我这里不是真实密码
        "webauthn-conditional": "undefined",
        "javascript-support": "true",
        "webauthn-support": "supported",
        "webauthn-iuvpaa-support": "unsupported",
        "return_to": "https://github.com/login"
    }
    response = session.post(url='https://github.com/session', data=post_data)
    if response.status_code != 200:
        print("请求失败,请检查参数!")
    else:
        print("请求session 成功!")


def do_login_status(session: Session):
    response = session.get('https://github.com/csqting')
    html_content = response.content
    response1 = re.findall(r'<title>(.+?)(GitHub)?</title>', html_content.decode('utf-8'))
    try:
        end_str = response1[0][1]
    except IndexError:
        end_str = ""

    if end_str == "":
        # 个人主页的title内容如果结尾没有GitHub,说明登录成功
        print("登录成功!")
    else:
        print("登录失败!")

    with open("github_profile.html", "wb") as f:
        f.write(html_content)



if __name__ == '__main__':
    # 使用session进行状态保持
    session = requests.session()
    session.headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/128.0.0.0 Safari/537.36'
    }
    # 1. 获取并模拟登录操作
    auth_token = do_auth_token(session)
    # 2. 保存登录会话信息
    do_auth_login(session)
    # 3. 验证是否登录成功
    do_login_status(session)

到此requests模块基本结束,下面就是数据提取的学习。

相关推荐
全栈开发圈1 小时前
新书速览|Java网络爬虫精解与实践
java·开发语言·爬虫
小白学大数据1 小时前
JavaScript重定向对网络爬虫的影响及处理
开发语言·javascript·数据库·爬虫
ac-er88882 小时前
PHP网络爬虫常见的反爬策略
开发语言·爬虫·php
聪明的墨菲特i5 小时前
Python爬虫学习
爬虫·python·学习
oliveira-time7 小时前
爬虫学习6
爬虫
xiaoxiongip66612 小时前
HTTP 和 HTTPS
网络·爬虫·网络协议·tcp/ip·http·https·ip
兆。14 小时前
掌握 PyQt5:从零开始的桌面应用开发
开发语言·爬虫·python·qt
API快乐传递者20 小时前
淘宝反爬虫机制的主要手段有哪些?
爬虫·python
兜里有糖请分享1 天前
Python中序列化/反序列化JSON格式的数据
爬虫·python
亿牛云爬虫专家2 天前
用Puppeteer点击与数据爬取:实现动态网页交互
javascript·爬虫·爬虫代理·puppeteer·数据·代理ip·16yun