当前位置：首页 > news >正文

【100天精通python】Day43：python网络爬虫开发_爬虫基础（urlib库、Beautiful Soup库、使用代理+实战代码）

news 2025/9/18 23:12:35

1 urlib 库

2 Beautiful Soup库

3 使用代理

3.1 代理种类 HTTP、HTTPS 和 SOCKS5

3.2 使用 urllib 和 requests 库使用代理

3.3 案例：自建代理池

4 实战提取视频信息并进行分析

1 urlib 库

urllib 是 Python 内置的标准库，用于处理URL、发送HTTP请求和处理网络数据。它包含多个模块，如 urllib.request 用于发送请求，urllib.parse 用于解析URL，urllib.error 用于处理异常等。

urllib.request：用于发送 HTTP 请求和获取响应。
urllib.parse：用于解析 URL，拆分和合并 URL 的各个部分。
urllib.error：处理异常，如连接错误、HTTP 错误等。

常用语法：

发送GET请求：

import urllib.requesturl = "https://www.example.com"
response = urllib.request.urlopen(url)
content = response.read().decode("utf-8")
print(content)

2 发送POST请求：

import urllib.requesturl = "https://www.example.com"
response = urllib.request.urlopen(url)
content = response.read().decode("utf-8")
print(content)

3 实战示例：

爬取网页内容：

import urllib.requesturl = "https://www.example.com"
response = urllib.request.urlopen(url)
content = response.read().decode("utf-8")
print(content)

下载文件：

import urllib.requesturl = "https://www.example.com/sample.pdf"
urllib.request.urlretrieve(url, "sample.pdf")
print("File downloaded.")

处理异常：

import urllib.errortry:response = urllib.request.urlopen("https://www.nonexistent-website.com")
except urllib.error.URLError as e:print("Error:", e)

解析URL：

import urllib.parseurl = "https://www.example.com/page?param1=value1&param2=value2"
parsed_url = urllib.parse.urlparse(url)
print(parsed_url.scheme)  # 输出协议部分
print(parsed_url.netloc)  # 输出域名部分
print(parsed_url.query)   # 输出查询参数部分

以上示例只是 urllib 库的一些用法。这个库非常强大，你可以在许多网络操作中使用它，包括爬虫、API调用等。在实际项目中，你可能需要处理更多的细节，如设置请求头、处理响应等。查阅官方文档可以帮助你更全面地了解 urllib 库的功能和用法。

4 Handler 处理器和自定义 Opener：

处理器（Handler）允许你自定义请求的处理方式，以满足特定的需求。urllib.request 模块提供了一些默认的处理器，例如 HTTPHandler 和 HTTPSHandler，用于处理 HTTP 和 HTTPS 请求。你还可以通过创建自定义的 Opener 来组合不同的处理器，实现更灵活的请求配置。

自定义 Opener 示例：

import urllib.request# 创建自定义 Opener，组合不同的处理器
opener = urllib.request.build_opener(urllib.request.HTTPSHandler())# 使用自定义 Opener 发送请求
response = opener.open("https://www.example.com")
content = response.read().decode("utf-8")
print(content)

5 URLError 和 HTTPError

URLError 和 HTTPError 都是 urllib.error 模块中的异常类，用于处理与网络请求相关的错误情况。

URLError：用于捕获与URL相关的异常，如无法解析主机名、网络不可达等。
HTTPError：用于捕获 HTTP 错误响应，比如请求的网页不存在（404 Not Found）、服务器错误（500 Internal Server Error）等。

URLError 示例：

import urllib.errortry:response = urllib.request.urlopen("https://www.nonexistent-website.com")
except urllib.error.URLError as e:print("URLError:", e)

HTTPError 示例：

import urllib.errortry:response = urllib.request.urlopen("https://www.example.com/nonexistent-page")
except urllib.error.HTTPError as e:print("HTTPError:", e.code, e.reason)

在示例中，e.code 是 HTTP 错误代码，e.reason 是错误原因。

总之，处理器和 Opener 允许你自定义网络请求的行为，URLError 和 HTTPError 则帮助你处理请求中可能出现的错误情况。这些功能在实际网络请求和爬虫任务中都非常有用。

2 Beautiful Soup库

Beautiful Soup 是一个用于解析HTML和XML文档的Python库，它可以从网页中提取数据，操作文档树，并帮助你浏览和搜索文档的不同部分。它能够帮助你处理标签、属性、文本内容等，使得数据提取和处理变得更加方便。

Beautiful Soup 是一个强大的Python库，用于解析HTML和XML文档，提取其中的数据。以下是一些 Beautiful Soup 常用的语法和方法：

from bs4 import BeautifulSoup# HTML 示例
html = """
<html>
<head>
<title>Sample HTML</title>
</head>
<body>
<p class="intro">Hello, Beautiful Soup</p>
<p>Another paragraph</p>
<a href="https://www.example.com">Example</a>
</body>
</html>
"""# 创建 Beautiful Soup 对象
soup = BeautifulSoup(html, "html.parser")# 节点选择器
intro_paragraph = soup.p
print("Intro Paragraph:", intro_paragraph)# 方法选择器
another_paragraph = soup.find("p")
print("Another Paragraph:", another_paragraph)# CSS 选择器
link = soup.select_one("a")
print("Link:", link)# 获取节点信息
text = intro_paragraph.get_text()
print("Text:", text)# 获取节点的属性值
link_href = link["href"]
print("Link Href:", link_href)# 遍历文档树
for paragraph in soup.find_all("p"):print(paragraph.get_text())# 获取父节点
parent = intro_paragraph.parent
print("Parent:", parent)# 获取兄弟节点
sibling = intro_paragraph.find_next_sibling()
print("Next Sibling:", sibling)# 使用 CSS 选择器选择多个节点
selected_tags = soup.select("p.intro, a")
for tag in selected_tags:print("Selected Tag:", tag)# 修改节点文本内容
intro_paragraph.string = "Modified Text"
print("Modified Paragraph:", intro_paragraph)# 添加新节点
new_paragraph = soup.new_tag("p")
new_paragraph.string = "New Paragraph"
soup.body.append(new_paragraph)# 移除节点
link.extract()
print("Link Extracted:", link)

3 使用代理

3.1 代理种类 HTTP、HTTPS 和 SOCKS5

HTTP代理： 用于HTTP协议的代理，适用于浏览网页等HTTP请求。
HTTPS代理： 用于HTTPS协议的代理，能够处理加密的HTTPS请求。
SOCKS5代理： 更通用的代理协议，支持TCP和UDP流量，适用于各种网络请求。

抓取免费代理：

可以使用爬虫技术从免费代理网站获取代理IP和端口。

使用付费代理：

付费代理通常提供更稳定和更快速的连接，适用于需要高质量代理的情况。

3.2 使用 `urllib` 和 `requests` 库使用代理

urllib：

import urllib.requestproxy_handler = urllib.request.ProxyHandler({'http': 'http://proxy.example.com:8080'})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('https://www.example.com')

requests：

import requestsproxies = {'http': 'http://proxy.example.com:8080'}
response = requests.get('https://www.example.com', proxies=proxies)

3.3 案例：自建代理池

import requests
from bs4 import BeautifulSoup
import random# 获取代理IP列表
def get_proxies():proxy_url = "https://www.example.com/proxy-list"response = requests.get(proxy_url)soup = BeautifulSoup(response.text, "html.parser")proxies = [proxy.text for proxy in soup.select(".proxy")]return proxies# 从代理池中随机选择一个代理
def get_random_proxy(proxies):return random.choice(proxies)# 使用代理发送请求
def send_request_with_proxy(url, proxy):proxies = {'http': proxy, 'https': proxy}response = requests.get(url, proxies=proxies)return response.textif __name__ == "__main__":proxy_list = get_proxies()random_proxy = get_random_proxy(proxy_list)target_url = "https://www.example.com"response_content = send_request_with_proxy(target_url, random_proxy)print(response_content)

这个案例演示了如何从代理池中随机选择一个代理，并使用选定的代理发送请求。请注意，示例中的URL和方法可能需要根据实际情况进行修改。

这些概念和示例可以帮助你了解如何使用代理，从而在网络爬虫或请求中保护你的身份和数据。

4 实战提取视频信息并进行分析

import urllib.request
from bs4 import BeautifulSoup# 定义目标网页的 URL
url = 'https://www.example.com/videos'# 定义代理（如果需要使用代理）
proxies = {'http': 'http://proxy.example.com:8080'}# 发起请求，使用代理
req = urllib.request.Request(url, headers={'User-Agent': 'Mozilla/5.0'})
response = urllib.request.urlopen(req, proxies=proxies)# 解析网页内容
soup = BeautifulSoup(response, 'html.parser')# 创建一个空的视频列表
videos = []# 获取视频信息
video_elements = soup.find_all('div', class_='video')
for video_element in video_elements:title = video_element.find('h2').textvideo_link = video_element.find('a', class_='video-link')['href']videos.append({'title': title, 'video_link': video_link})# 输出提取到的视频信息
for video in videos:print(f"Title: {video['title']}")print(f"Video Link: {video['video_link']}")print()# 对视频信息进行分析
num_videos = len(videos)
print(f"Total Videos: {num_videos}")

在这个实例中，我们假设目标网页包含多个视频的信息，每个视频都有标题和视频链接。我们使用 urllib 库获取网页内容，然后使用 Beautiful Soup 解析页面，从中提取视频的标题和链接。最后，我们输出提取到的视频信息并对其进行简单的分析，计算视频的数量。

请注意，这个实例仅用于演示基本的数据提取和分析概念。在实际应用中，你可能需要根据目标网页的结构和内容，调整代码以适应实际情况。

【100天精通python】Day43：python网络爬虫开发_爬虫基础（urlib库、Beautiful Soup库、使用代理+实战代码）

目录 1 urlib 库 2 Beautiful Soup库 3 使用代理 3.1 代理种类 HTTP、HTTPS 和 SOCKS5 3.2 使用 urllib 和 requests 库使用代理 3.3 案例：自建代理池 4 实战提取视频信息并进行分析 1 urlib 库 urllib 是 Python 内置的标准库，用于处理URL、发送…...

编程日记 2023/8/22 5:54:07

Linux:安全技术与防火墙

目录一、安全技术 1.安全技术 2.防火墙的分类 3.防水墙 4.netfilter/iptables关系二、防火墙 1、iptables四表五链 2、黑白名单 3.iptables命令 3.1查看filter表所有链 iptables -L 编辑3.2用数字形式(fliter)表所有链查看输出结果 iptables -nL 3.3 清空所有链…...

编程日记 2023/8/22 5:53:06

Confluent kafka 异常退出rd_tmpabuf_alloc0: rd kafka topic info_new_with_rack

rd_tmpabuf_alloc0: rd kafka topic info_new_with_rack 根据网上的例子，做了一个测试程序。 C# 操作Kafka_c# kafka_Riven Chen的博客-CSDN博客但是执行下面一行时，弹出上面的异常，闪退。 consumer.Subscribe(queueName) 解决方案&…...

编程日记 2023/8/22 5:52:05

chatGPT-对话柏拉图

引言： 古希腊哲学家柏拉图，在他的众多著作中，尤以《理想国》为人所熟知。在这部杰作中，他勾勒了一个理想的政治制度，提出了各种政体，并阐述了他对于公正、智慧以及政治稳定的哲学观点。然而，其…...

编程日记 2023/8/22 5:50:03

Java项目-苍穹外卖-Day04

公共字段自动填充这些字段在每张表基本都有，手动进行填充效率低，且后期维护更改繁琐使用到注解AOP主要先答应一个AutoFill注解再定义一个切面类进行通知对应代码用到了枚举类和反射 package com.sky.aspect; /*** 自定义切面类&#xff0c…...

编程日记 2023/8/22 5:49:03

SQL递归获取完整的树形结构数据

在 SQL 中，WITH RECURSIVE 用于创建递归查询，它允许在查询中引用自身。这种查询通常用于处理具有层次结构的数据，例如树形结构。以下是使用 WITH RECURSIVE 创建递归查询的一般语法： WITH RECURSIVE [alias] ([column1], [colu…...

编程日记 2023/8/22 5:48:00

如何使用营销活动，提升小程序用户的参与度

在当今数字化时代，小程序已成为企业私域营销的重要一环。然而，仅仅拥有小程序还不足以吸引用户的兴趣和参与。营销活动作为推动用户参与的有效手段，可以在激烈的市场竞争中脱颖而出。本文将深入探讨如何使用营销活动，提升小程序用…...

编程日记 2023/8/22 5:46:59

IDEA中使用Docker插件构建镜像并推送至私服Harbor

一、开启Docker服务器的远程访问 1.1 开启2375远程访问默认的dokcer是不支持远程访问的，需要加点配置，开启Docker的远程访问 # 首先查看docker配置文件所在位置 systemctl status docker# 会输出如下内容： ● docker.service - Docker Ap…...

编程日记 2023/8/22 5:45:58

第7章高性能门户首页构建

mini商城第7章高性能门户首页构建一、课题高性能门户建设二、回顾 1、了解文件存储系统的概念 2、了解常用文件服务器的区别 3、掌握Minio的应用三、目标 1、OpenResty 百万并发站点架构 OpenResty 特性介绍搭建OpenResty Web站点动静分离方案剖析 2、多级缓存架…...

编程日记 2023/8/22 5:44:57

用加持了大模型的 Byzer-Notebook 做数据分析是什么体验

Byzer-Notebook 是专门为 SQL 而研发的一款 Web Notebook。他的第一公民是 SQL，而 Jupyter 则是是以 Python 为第一公民的。随着 Byzer 引擎对大模型能力的支持日渐完善， Byzer-Notebook 也在不自觉中变得更加强大。我和小伙伴在聊天的过程中才发现他已…...

编程日记 2023/8/22 5:43:56

学习设计模式之观察者模式，但是宝可梦

前言作者在准备秋招中，学习设计模式，做点小笔记，用宝可梦为场景举例，有错误欢迎指出。观察者模式观察者模式定义了一种一对多的依赖关系，一个对象的状态改变，其他所有依赖者都会接收相应的通知。所…...

编程日记 2023/8/22 5:42:55

课程项目设计--spring security--用户管理功能--宿舍管理系统--springboot后端

写在前面： 还要实习，每次时间好少呀，进度会比较慢一点本文主要实现是用户管理相关功能。前文项目建立文章目录验证码功能验证码配置验证码生成工具类添加依赖功能测试编写controller接口启动项目 security配置拦截器配置验证码拦截器 …...

编程日记 2023/8/22 5:41:54

学习设计模式之装饰器模式，但是宝可梦

装饰模式为了不改变组件的结构，动态地扩展其功能。通常，扩展功能通过子类进行，但是继承的方式具有静态特征，耦合度高。意图：动态地给对象添加额外的功能主要解决：继承方式是静态特征，扩…...

编程日记 2023/8/22 5:40:53

【AWS】创建IAM用户；无法登录IAM用户怎么办？错误提示：您的身份验证信息错误，请重试（已解决）

目录 0.背景问题分析 1.解决步骤 0.背景问题分析 windows 11 ，64位我的问题情景： 首先我创建了aws的账户，并且可以用ROOT用户登录，但是在登录时选择IAM用户，输入ROOT的名字和密码，就会提示【您的身份验证…...

编程日记 2023/8/22 5:39:53

微服务基础知识

文章目录微服务基础知识一、系统架构的演变1、单体应用架构2、垂直应用架构3、分布式SOA架构（1）什么是SOA（2）SOA架构 4、微服务架构5、SOA和微服务的关系（1）SOA（2）微服务架构二、分…...

编程日记 2023/8/22 5:38:51

倒残差结构

倒残差结构： 倒残差结构是MobileNetV2中引入的一种设计，用于增强网络的表达能力和特征提取能力，同时保持轻量级的特点。它的核心思想是在每个瓶颈块中，先使用一个扩张卷积（Dilated Convolution）&#x…...

编程日记 2023/8/22 5:37:50

Docker的基本使用

Docker 概念 Docker架构 docker分为客户端，Docker服务端，仓库客户端 Docker 是一个客户端-服务器（C/S）架构程序。Docker 客户端只需要向 Docker 服务端发起请求，服务端将完成所有的工作并返回相应结果。 Docker …...

编程日记 2023/8/22 5:36:47

paddlenlp安装踩坑记录

错误1 ModuleNotFoundError: No module named paddle.metric我下载paddlepaddle-gpu2.5.0.post117解决了，最开始下载的2.5.1报错，post后面的117是我的cuda版本，不要写你对应的版本号 python3 -m pip install paddlepaddle-gpu2.5.0.post117…...

编程日记 2023/8/22 5:35:46