python

一.今日内容

1.关于request的post请求：

''''''
'''
post请求登陆github
'''
import requests
import re
 
# 一 访问login页获取token信息
'''
请求url:
    https://github.com/login
请求方式:  
    GET
响应头:
    Set-Cookie
请求头:
    Cookie
    User-Agent
'''
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
}
 
response = requests.get(url='https://github.com/login', headers=headers)
# print(response.text)
# 把login页返回的cookies信息转换成字典
login_cookies = response.cookies.get_dict()
 
authenticity_token = re.findall('<input type="hidden" name="authenticity_token" value="(.*?)" />', response.text, re.S)[0]
 
print(authenticity_token)
 
 
 
# 二 往sessionurl发送POST请求
'''
 
请求url:
    https://github.com/session
     
请求方式:
    POST
     
请求头:
    # 上一次请求从哪里来
    Referer: https://github.com/login
    Cookie:...
    User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36
     
请求体:
    只有POST请求才会有请求体。
    commit: Sign in
    utf8: ✓
    authenticity_token:
    VX79esFc0YPdR1UFzUM/6MTRZOlYQ0btF5k2/x7uZea0x2E6W4bmRpwHsaCBN+096PaWNkcQjJOsyUzUqsAhIw==
    LLWlTr0qLcYC74hn7OI7IlyeB9rZei9737Lqtzz0sKTgY7Js7pUUhZ6bNC6lCkS+OHfVukkbTejjd0BnjPvGUg==
    login: tankjam1
    password: *****
    webauthn-support: unsupported
'''
# 拼接请求头信息
headers2 = {
    'Referer': 'https://github.com/login',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36',
}
 
# 拼接请求体信息
form_data = {
    "commit": "Sign in",
    "utf8": "✓",
    "authenticity_token": authenticity_token,
    "login": "tankjam",
    "password": "kermit46709394",
    "webauthn-support": "unsupported",
}
 
# 往session地址发送post请求
# 携带请求头、请求体、login页的cookies信息
response2 = requests.post(url='https://github.com/session', data=form_data, headers=headers2, cookies=login_cookies)
print(response2.status_code)
# print(response2.text)
with open('github.html', 'w', encoding='utf-8') as f:
    f.write(response2.text)

 

2.response相应：

import requests
 
response = requests.get('https://baidu.com')
# response响应
print(response.status_code)  # 获取响应状态码
print(response.url)  # 获取url地址
print(response.encoding)  # 字符编码
response.encoding = 'utf-8'
print(response.text)  # 获取文本
print(response.content)  # 获取二进制流
print(response.headers)  # 获取页面请求头信息
print(response.history)  # 上一次跳转的地址
# 1、返回cookie字典 2、返回cookies对象
print(response.cookies)  # 获取cookies信息,
print(response.cookies.get_dict())  # 获取cookies信息转换成字典
print(response.cookies.items())  # 获取cookies信息转换成字典
print(response.encoding)
print(response.elapsed)  # 访问时间
 
import requests
# 往音频地址发送get请求
url = 'https://vd3.bdstatic.com/mda-ic4pfhh3ex32svqi/hd/mda-ic4pfhh3ex32svqi.mp4?auth_key=1557973824-0-0-bfb2e69bb5198ff65e18065d91b2b8c8&bcevod_channel=searchbox_feed&pd=wisenatural&abtest=all.mp4'
response = requests.get(url, stream=True)  # stream=True 把content设置为一个迭代器对象
print(response.content)
 
with open('love_for_GD.mp4', 'wb') as f:
    for content in response.iter_content():
        f.write(content)

 

3.requests高级用法:

'''
'''
'''
证书验证(大部分网站都是https)
'''
import requests
# 如果是ssl请求,首先检查证书是否合法,不合法则报错,程序终端
response = requests.get('https://www.xiaohuar.com')
print(response.status_code)
 
#改进1:去掉报错,但是会报警告
import requests
response = requests.get('https://www.xiaohuar.com', verify=False)
# 不验证证书,报警告,返回200
print(response.status_code)
 
#改进2:去掉报错,并且去掉警报信息
import requests
import urllib3
urllib3.disable_warnings()  # 关闭警告
response = requests.get('https://www.xiaohuar.com', verify=False)
print(response.status_code)
 
# #改进3:加上证书
# 很多网站都是https,但是不用证书也可以访问,大多数情况都是可以携带也可以不携带证书
# 知乎\百度等都是可带可不带
# 有硬性要求的,则必须带，比如对于定向的用户,拿到证书后才有权限访问某个特定网站
import requests
import urllib3
# urllib3.disable_warnings()  # 关闭警告
# 伪代码
response = requests.get(
    'https://www.xiaohuar.com',
    # verify=False,
    # /path/server.crt证书的存放目录， /path/key
    cert=('/path/server.crt', '/path/key'))
print(response.status_code)
 
 
'''
超时设置
'''
 
# 超时设置
# 两种超时:float or tuple
# timeout=0.1  # 代表接收数据的超时时间
# timeout=(0.1,0.2)  # 0.1代表链接超时  0.2代表接收数据的超时时间
 
import requests
response = requests.get('https://www.baidu.com',
                        timeout=0.0001)
# print(response.elapsed)
print(response.status_code)
 
'''
代理设置:先发送请求给代理,然后由代理帮忙发送(封ip是常见的事情)
'''
import requests
proxies={
    # 带用户名密码的代理,@符号前是用户名与密码
    'http':'http://tank:123@localhost:9527',
    'http':'http://localhost:9527',
    'https':'https://localhost:9527',
}
response=requests.get('https://www.12306.cn',
                     proxies=proxies)
 
print(response.status_code)
'''
爬取西刺免费代理：
    1.访问西刺免费代理页面
    2.通过re模块解析并提取所有代理
    3.通过ip测试网站对爬取的代理进行测试
    4.若test_ip函数抛出异常代表代理作废，否则代理有效
    5.利用有效的代理进行代理测试
 
<tr class="odd">
      <td class="country"><img src="//fs.xicidaili.com/images/flag/cn.png" alt="Cn"></td>
      <td>112.85.131.99</td>
      <td>9999</td>
      <td>
        <a href="/2019-05-09/jiangsu">江苏南通</a>
      </td>
      <td class="country">高匿</td>
      <td>HTTPS</td>
      <td class="country">
        <div title="0.144秒" class="bar">
          <div class="bar_inner fast" style="width:88%">
 
          </div>
        </div>
      </td>
      <td class="country">
        <div title="0.028秒" class="bar">
          <div class="bar_inner fast" style="width:97%">
 
          </div>
        </div>
      </td>
 
      <td>6天</td>
      <td>19-05-16 11:20</td>
    </tr>
re:
    <tr class="odd">(.*?)</td>.*?<td>(.*?)</td>
 
'''
import requests
import re
import time
 
HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',
}
 
 
def get_index(url):
    time.sleep(1)
    response = requests.get(url, headers=HEADERS)
    return response
 
 
def parse_index(text):
    ip_list = re.findall('<tr class="odd">.*?<td>(.*?)</td>.*?<td>(.*?)</td>', text, re.S)
    for ip_port in ip_list:
        ip = ':'.join(ip_port)
        yield ip
 
def test_ip(ip):
    print('测试ip: %s' % ip)
    try:
        proxies = {
            'https': ip
        }
 
        # ip测试网站
        ip_url = 'https://www.ipip.net/'
 
        # 使用有效与无效的代理对ip测试站点进行访问，若返回的结果为200则代表当前测试ip正常
        response = requests.get(ip_url, headers=HEADERS, proxies=proxies, timeout=1)
 
        if response.status_code == 200:
            print(f'有用的ip：{ip}')
            return ip
 
    # 若ip代理无效则抛出异常
    except Exception as e:
        print(e)
 
# 使用代理爬取nba
def spider_nba(good_ip):
    url = 'https://china.nba.com/'
 
    proxies = {
        'https': good_ip
    }
 
    response = requests.get(url, headers=HEADERS, proxies=proxies)
    print(response.status_code)
    print(response.text)
 
 
if __name__ == '__main__':
    base_url = 'https://www.xicidaili.com/nn/{}'
 
    for line in range(1, 3677):
        ip_url = base_url.format(line)
 
        response = get_index(ip_url)
 
        # 解析西刺代理获取每一个ip列表
        ip_list = parse_index(response.text)
 
        # 循环每一个ip
        for ip in ip_list:
            # print(ip)
 
            # 对爬取下来的ip进行测试
            good_ip = test_ip(ip)
 
            if good_ip:
                # 真是代理，开始测试
                spider_nba(good_ip)
 
 
 
'''
认证设置
'''
import requests
# 通过访问github的api来测试
url = 'https://api.github.com/user'
HEADERS = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',
}
 
# 测试1，失败返回401
# response = requests.get(url, headers=HEADERS)
# print(response.status_code)  # 401
# print(response.text)
'''
打印结果:
    {
      "message": "Requires authentication",
      "documentation_url": "https://developer.github.com/v3/users/#get-the-authenticated-user"
    }
'''
#
# 测试2，通过requests.auth内的HTTPBasicAuth进行认证，认证成功返回用户信息
from requests.auth import HTTPBasicAuth
response = requests.get(url, headers=HEADERS, auth=HTTPBasicAuth('tankjam', 'kermit46709394'))
print(response.text)
#
 
# 测试3，通过requests.get请求内的auth参数默认就是HTTPBasicAuth，认证成功返回用户信息
response = requests.get(url, headers=HEADERS, auth=('tankjam', 'kermit46709394'))
print(response.text)
 
 
'''
上传文件
'''
import requests
 
# 上传文本文件
files1 = {'file': open('user.txt', 'rb')}
# files参数是POST请求固定参数
response = requests.post('http://httpbin.org/post', files=files1)
print(response.status_code)  # 200
print(response.text)  # 200
 
# 上传图片文件
files2 = {'jpg': open('一拳.jpg', 'rb')}
response = requests.post('http://httpbin.org/post', files=files2)
print(response.status_code)  # 200
print(response.text)  # 200
#
# 上传视频文件
files3 = {'movie': open('love_for_GD.mp4', 'rb')}
response = requests.post('http://httpbin.org/post', files=files3)
print(response.status_code)  # 200
print(response.text)  # 200

 

4.selenium的基本使用：

''''''
'''
selenium模块讲解
一 什么是selenium？
    最初是一个自动化测试工具。可以使用它帮我们驱动浏览器
    自动去执行某些自定义好的操作。例如在页面中执行JS代码、
    跳过登录验证。可以使用selenium帮我们实现爬虫。
     
二 为什么要使用selenium？
    1、优点:
        使用requests模块登录需要分析大量的复杂通信流程，使用selenium
    可以轻松跳过登录验证。
     
    2、缺点:
        浏览器会加载css、js、图片、视频...数据，爬虫效率相比requests模块要低。
         
三 如何使用selenium？
    下载selenium模块：
        pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple selenium
    下载浏览器驱动:
        http://npm.taobao.org/mirrors/chromedriver/2.38/
'''
 
# selenium之第一次
from selenium import webdriver  # 用来驱动浏览器的
 
# 调用得到一个动作链对象，破解滑动验证码的时候用的，可以拖动图片
from selenium.webdriver import ActionChains
 
# 按照什么方式查找属性，By.ID,  By.CSS_SELECTOR， By.Class
from selenium.webdriver.common.by import By
 
from selenium.webdriver.common.keys import Keys  # 键盘按键操作
 
# 和下面WebDriverWait一起用的，EC是expected_conditions的别名
from selenium.webdriver.support import expected_conditions as EC
 
# 等待页面加载某些元素
from selenium.webdriver.support.wait import WebDriverWait
import time
 
# 通过谷歌浏览器驱动打开谷歌浏览器
# webdriver.Chrome(r'chromedriver.exe的绝对路径')
# chrome = webdriver.Chrome(r'D:\BaiduNetdiskDownload\chromedriver_win32\chromedriver.exe')  # 括号内输入chromedriver.exe的绝对路径
 
# chromedriver.exe存放于python解释器的Scripts文件夹中
 
# chrome是一个驱动对象
chrome = webdriver.Chrome()
 
'''
实例1
'''
# 若try出现异常
try:
    # 往tank博客主页发送get请求
    # chrome.get('https://www.cnblogs.com/kermitjam/')
 
    # 参数1: 驱动对象  参数2: 等待时间
    wait = WebDriverWait(chrome, 10)
 
    # 1、访问百度
    chrome.get('https://www.baidu.com/')
 
    # 2、查找input输入框
    input_tag = wait.until(
        # 调用EC的presence_of_element_located()
        EC.presence_of_element_located(
            # 此处可以写一个元组
            # 参数1: 查找属性的方式
            # 参数2: 属性的名字
            (By.ID, "kw")
        )
    )
    input_tag = wait.until(EC.presence_of_element_located((By.ID, "kw")))
 
    # 3、搜索一拳超人
    input_tag.send_keys('一拳超人')
 
    # 4、按键盘回车键
    input_tag.send_keys(Keys.ENTER)
 
    time.sleep(3)
 
# 无论发生什么都会关闭浏览器
finally:
    # 关闭浏览器
    chrome.close()
 
 
'''
实例2
'''
try:
    # 往tank博客主页发送get请求
    # chrome.get('https://www.cnblogs.com/kermitjam/')
 
    # 参数1: 驱动对象  参数2: 等待时间
    wait = WebDriverWait(chrome, 10)
 
    # 1、访问京东主页
    chrome.get('https://www.jd.com/')
 
    # 2、查找input输入框
    input_tag = wait.until(EC.presence_of_element_located((By.ID, "key")))
 
    # 3、搜索唐诗三百首
    input_tag.send_keys('唐诗三百首')
 
    # 4、根据class属性名称查找标签
    search_button = wait.until(
        EC.presence_of_element_located((By.CLASS_NAME, 'button')))
    # 5、点击搜索按钮
    search_button.click()
 
    time.sleep(3)
 
# 无论发生什么都会关闭浏览器
finally:
    # 关闭浏览器
    chrome.close()

 

5.selenium基本选择器的使用：

from selenium import webdriver  # 用来驱动浏览器的
import time
#
# '''
# 隐式等待
# '''
# # 获取驱动对象、
driver = webdriver.Chrome()
#
try:
    # 显式等待: 等待某个元素加载
    # 参数1: 驱动对象  参数2: 等待时间
    # wait = WebDriverWait(chrome, 10)
 
    driver.get('https://china.nba.com/')
 
    # 隐式等待: 等待页面所有元素加载
    driver.implicitly_wait(10)
    news_tag = driver.find_element_by_class_name('nav-news')
    # 获取标签对象
    print(news_tag)
    # 获取标签的名字
    print(news_tag.tag_name)
#
#
    time.sleep(10)
#
finally:
    driver.close()
 
 
from selenium import webdriver  # 用来驱动浏览器的
import time
 
'''
===============所有方法===================
    element是查找一个标签
    elements是查找所有标签
 
    1、find_element_by_link_text  通过链接文本去找
    2、find_element_by_id 通过id去找
    3、find_element_by_class_name
    4、find_element_by_partial_link_text
    5、find_element_by_name
    6、find_element_by_css_selector
    7、find_element_by_tag_name
'''
# 获取驱动对象、
driver = webdriver.Chrome()
 
try:
 
    # 往百度发送请求
    driver.get('https://www.baidu.com/')
    driver.implicitly_wait(10)
 
    # 1、find_element_by_link_text  通过链接文本去找
    # 根据登录
    # send_tag = driver.find_element_by_link_text('登录')
    # send_tag.click()
 
    # 2、find_element_by_partial_link_text 通过局部文本查找a标签
    login_button = driver.find_element_by_partial_link_text('登')
    login_button.click()
    time.sleep(1)
 
    # 3、find_element_by_class_name 根据class属性名查找
    login_tag = driver.find_element_by_class_name('tang-pass-footerBarULogin')
    login_tag.click()
    time.sleep(1)
 
    # 4、find_element_by_name 根据name属性查找
    username = driver.find_element_by_name('userName')
    username.send_keys('15622792660')
    time.sleep(1)
 
    # 5、find_element_by_id 通过id属性名查找
    password = driver.find_element_by_id('TANGRAM__PSP_10__password')
    password.send_keys('*******')
    time.sleep(1)
 
    # 6、find_element_by_css_selector  根据属性选择器查找
    # 根据id查找登录按钮
    login_submit = driver.find_element_by_css_selector('#TANGRAM__PSP_10__submit')
    # driver.find_element_by_css_selector('.pass-button-submit')
    login_submit.click()
 
    # 7、find_element_by_tag_name  根据标签名称查找标签
    div = driver.find_element_by_tag_name('div')
    print(div.tag_name)
 
    time.sleep(10)
 
finally:
    driver.close()