前言

嗨喽,大家好呀~这里是爱看美女的茜茜呐

又到了学Python时刻~

环境使用:

  • Python 3.8 解释器

  • Pycharm 编辑器

模块

  • import re

  • import requests >>> pip install requests

( 更多资料、教程、文档点击此处跳转跳转文末名片加入君羊,找管理员小姐姐领取呀~ )

模块安装问题:

  • 如果安装python第三方模块:

    1. win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

    2. 在pycharm中点击Terminal(终端) 输入安装命令

  • 安装失败原因:

    • 失败一: pip 不是内部命令

      解决方法: 设置环境变量

    • 失败二: 出现大量报红 (read time out)

      解决方法: 因为是网络链接超时, 需要切换镜像源

          清华:https://pypi.tuna.tsinghua.edu.cn/simple    阿里云:https://mirrors.aliyun.com/pypi/simple/    中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/    华中理工大学:https://pypi.hustunique.com/    山东理工大学:https://pypi.sdutlinux.org/    豆瓣:https://pypi.douban.com/simple/    例如:pip3 install -i https://pypi.doubanio.com/simple/ 模块名
    • 失败三: cmd里面显示已经安装过了, 或者安装成功了, 但是在pycharm里面还是无法导入

      解决方法: 可能安装了多个python版本 (anaconda 或者 python 安装一个即可) 卸载一个就好
      或者你pycharm里面python解释器没有设置好

思路


代码展示

( 完整源码点击此处跳转跳转文末名片加入君羊,找管理员小姐姐领取呀~ )

导入模块

# 导入数据请求模块 --> 第三方模块, 需要安装 pip install requestsimport requests# 导入正则模块 --> 内置模块, 不需要安装import re

“””

  1. 发送请求, 模拟浏览器对于url地址发送请求

    • 模拟浏览器 请求头
      如果你不伪装, 可能会被识别出来是爬虫程序, 从而得到数据内容
      可以直接复制粘贴 –> 开发者工具里面就可以复制

    • 响应对象
      Response: 中文意思–>响应
      : 表示对象
      200: 状态码 表示请求成功

    发送请求, 请求成功了

“””

for page in range(2, 11):    print(f'=================正在采集第{page}页的数据内容=================')

请求图片目录页面url

    url = f'http://www.****.com/dongman/index_{page}.htm'

伪装模拟成浏览器

    headers = {        # User-Agent 用户代理 浏览器基本身份信息        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'    }

发送请求

调用requests模块里面get请求方法, 对于url地址发送请求, 并且携带上headers请求头伪装, 最后用自定义变量名response接受返回的数据

    response = requests.get(url=url, headers=headers)

“””

  1. 获取数据, 获取服务器返回响应数据

    response 网页源代码

    response.text 获取响应文本数据

  2. 解析数据, 提取我们想要的数据内容

    • 图片ID

    正则表达式Re

    调用re模块里面findall方法 –> 找到所有我们想要的数据

    re.findall(‘找什么数据’, ‘从哪里找’) –> 从什么地方, 去匹配找什么样的数据内容

    从 response.text 里面 去找

    \d+ 表示任意数字

“””

提取图片ID –> 列表 ‘29381’ 是列表里面元素

    img_id_list = re.findall('<a href="/desk/(\d+).htm"', response.text)

for循环遍历, 把列表里面元素 一个一个提取出来

    for img_id in img_id_list:        # img_id变量 给 img_id_list 列表 里面 元素 给装起来        print(img_id)

“””
4. 发送请求, 模拟浏览器对于url地址发送请求

  • 请求 图片详情页页面url http://www.****.com/desk/{图片ID}.htm
  1. 获取数据, 获取服务器返回响应数据

    response 网页源代码

“””
请求详情页链接 –> f’{img_id}’ 字符串格式化方法

        link = f'http://www.*****.com/desk/{img_id}.htm'

发送请求

        response_1 = requests.get(url=link, headers=headers)

获取数据内容 网页源代码 —> 乱码了, 进行转码

        response_1.encoding = 'gbk'
  1. 解析数据, 提取我们想要的数据内容
 img_url, img_title = re.findall('<img src="(.*" />




尾语

感谢你观看我的文章呐~本次航班到这里就结束啦

希望本篇文章有对你带来帮助 ,有学习到一点知识~

躲起来的星星也在努力发光,你也要努力加油(让我们一起努力叭)。

最后,宣传一下呀~更多源码、资料、素材、解答、交流皆点击下方名片获取呀