腳本之家服務器常用軟件

快捷導航

一文學會利用python解決文章付費限制問題

更新時間：2023年05月07日 14:31:04 作者：朦朧的雨夢

本篇文章主要介紹利用Python爬蟲爬取付費文章，適合練習爬蟲基礎同學，文中描述和代碼示例很詳細，干貨滿滿，感興趣的小伙伴快來一起學習吧

本次爬蟲思路

最最重要的是分析信息接口?。。?br />1. 獲取url
2. 通過請求拿到響應
3. 處理反爬
4. 提取信息
5. 保存內容

本次操練網頁

https://www.duanmeiwen.com/xinshang/3203373.html(某美文網)

網頁內容：

?一.爬蟲模板

??1.urllib庫的使用模板

import urllib.request     
url ='xxxxxxxxxxxx'   
#發(fā)送請求                
 request= urllib.request.Request（url，data，header）      
 #得到響應
 response=urllib.request.urlopen（request）
 #解碼
 content = response.read().decode() 
 #查看數(shù)據
 print(content)

??2.requests庫的使用模板

import requests   
url ='xxxxxxxxxxxx' 
#發(fā)送請求                              
response = request.get(url， params，headers)  (get請求或者post請求)  
#根據響應的格式解碼，非常智能
response.encoding=response.appareent_encoding
 #查看數(shù)據
 print(response.txt)

?二.分析信息接口

1.首先右鍵查看網頁源代碼

很明顯，爬取的信息就在源代碼里，所以直接對網頁鏈接發(fā)起請求。這里請求頭偽裝我們優(yōu)先攜帶user-agent。

?三.通過請求拿到響應

import requests

# 需要請求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'

# 偽裝請求頭
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}

# 獲得響應
response = requests.get(url=url, headers=headers)

# 智能解碼
response.encoding = response.apparent_encoding
# 打印數(shù)據
print(response.text)

?四. 提取信息

針對返回數(shù)據的特點，我們現(xiàn)在有三種方法：

??1.正則表達式

正則表達式是對字符串（包括普通字符（例如，a 到 z 之間的字母）和特殊字符（稱為“元字符”））操作的一種邏輯公式，就是用事先定義好的一些特定字符及這些特定字符的組合，組成一個“規(guī)則字符串”，這個“規(guī)則字符串”用來表達對字符串的一種過濾邏輯。正則表達式是一種文本模式，該模式描述在搜索文本時要匹配的一個或多個字符串。簡單來說，利用一定的邏輯公式，過濾掉不需要的數(shù)據，主要處理字符串。對于本題來說有點殺雞用牛刀了。簡單來示范一下：
首先導入re模塊

import re

接下來開始操作這堆"字符串"

re.compile()是用來優(yōu)化正則的，它將正則表達式轉化為對象，re.search(pattern, string)的調用方式就轉換為 pattern.search(string)的調用方式，多次調用一個正則表達式就重復利用這個正則對象，可以實現(xiàn)更有效率的匹配。需要搭配finditer()等一起使用，參數(shù)pattern : 正則表達式；，flags : 表示匹配模式。

右鍵點擊檢查進入Network頁面，主要是方便我們看清楚結構。

效果

這里寫的比較粗糙，因為大家會發(fā)現(xiàn)我們會大量在重復寫一個相同的篩選語句，所以就有那么一點機械重復的感覺，而且我們有專門對付這中HTML結構的工具，所以接下來咱們隆重介紹XPath！

??2.XPath

XPath即為XML路徑語言（XML Path Language），它是一種用來確定XML文檔中某部分位置的語言。XPath基于XML的樹狀結構，提供在數(shù)據結構樹中找尋節(jié)點的能力。起初XPath的提出的初衷是將其作為一個通用的、介于XPointer與XSL間的語法模型。但是XPath很快地被開發(fā)者采用來當作小型查詢語言。我們只要簡單理解為它主要是針對定位HTML中某部分位置的語言。

首先導入XPath

from lxml import etree

接下來開始操作

效果

這就是優(yōu)雅，對比上面，我們用三行代碼就完成了任務，由此可見，用對方法很重要。

?? 3.漂亮的湯（BeautifulSoup）<本次不使用>

?五.保存內容

這里就很簡單，基礎文件操作的知識，“行百里者半九十”，來吧，咱們直接一口氣寫完。

tree = etree.HTML(response.text)
titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()')
message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()')
for i in range(len(message)):
    with open('優(yōu)美文藝句子.txt', 'a', encoding='utf-8') as fp:
        fp.write(message[i])
        fp.write('\n')
print('文章爬取完成')

效果

?六.總結（附完整代碼）

過今天的小案例，我們明白了，第一，思路一定要清楚，快準狠分析出接口鏈接，第二，提取數(shù)據的方法要正確，這樣會直接事半功倍，好了，今天就分享到這里，謝謝大家的觀看，有什么想法記得評論區(qū)告訴我！拜拜~? ? ?

??完整代碼

import requests
from lxml import etree

# 需要請求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'

# 偽裝請求頭
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36',
}

# 獲得響應
response = requests.get(url=url, headers=headers)

# 智能解碼
response.encoding = response.apparent_encoding

# 提取數(shù)據
tree = etree.HTML(response.text)
titles = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/h2/text()')
message = tree.xpath('/html/body/div[2]/div[2]/div/div[2]/p/text()')

#遍歷保存數(shù)據
for i in range(len(message)):
    with open('優(yōu)美文藝句子.txt', 'a', encoding='utf-8') as fp:
        fp.write(message[i])
        fp.write('\n')
print('文章爬取完成')

以上就是一文學會利用python解決文章付費限制問題的詳細內容，更多關于Python解決文章付費限制的資料請關注腳本之家其它相關文章！

您可能感興趣的文章: