Python爬虫知识回顾

之前一直沉溺于java，jsp，ssh，db等爬虫，现在又要开始走python的老路了。常用的requests库，通过requests对象的get方法，获取一个response对象。jsp的东西。

其中timeout,proxies,headers,cookies,verify,是我用到过的东西。

response对象的方法和属性
text属性，属于字符流，获取文字。
content属性，二进制，获取图片，文件等

hashlib

摘要算法简介

Python的hashlib提供了常见的摘要算法，如MD5，SHA1等等。

什么是摘要算法呢？摘要算法又称哈希算法、散列算法。它通过一个函数，把任意长度的数据转换为一个长度固定的数据串（通常用16进制的字符串表示）。

举个例子，你写了一篇文章，内容是一个字符串’how to use python hashlib - by Michael’，并附上这篇文章的摘要是’2d73d4f15c0db7f5ecb321b6a65e5d6d’。如果有人篡改了你的文章，并发表为’how to use python hashlib - by Bob’，你可以一下子指出Bob篡改了你的文章，因为根据’how to use python hashlib - by Bob’计算出的摘要不同于原始文章的摘要。

可见，摘要算法就是通过摘要函数f()对任意长度的数据data计算出固定长度的摘要digest，目的是为了发现原始数据是否被人篡改过。

摘要算法之所以能指出数据是否被篡改过，就是因为摘要函数是一个单向函数，计算f(data)很容易，但通过digest反推data却非常困难。而且，对原始数据做一个bit的修改，都会导致计算出的摘要完全不同。

def get_MD5(st="alice"):md5=hashlib.md5()md5.update(st.encode(encoding="utf-8"))print(md5.hexdigest())get_MD5()

爬虫ip和头部处理

def get_html(url):headers = {'Accept': '*/*','Accept-Language': 'en-US,en;q=0.8','Cache-Control': 'max-age=0','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36','Connection': 'keep-alive','Referer': 'http://www.baidu.com/'}proxy = [{'https': 'http://jshkip:jshkip@123.249.47.2:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.3:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.4:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.5:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.6:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.7:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.8:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.9:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.10:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.11:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.13:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.14:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.15:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.16:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.17:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.18:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.19:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.20:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.21:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.22:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.23:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.24:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.25:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.26:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.27:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.28:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.29:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.30:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.31:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.32:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.33:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.34:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.35:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.36:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.37:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.38:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.39:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.40:52693511'},{'https': 'http://jshkip:jshkip@123.249.47.41:52693511'},]pro=random.choice(proxy)print(type(pro))print(pro)res=requests.get(url,headers=head,proxies=pro)html=res.text //返回字符串。print(html)return html

xpath技术

1.0 使用etree的HTML方法获取数据,返回的是一个节点对象

from lxml import etree
html=get_html("https://blog.csdn.net/weixin_44617651/article/details/129746110")
print(html)
page=etree.HTML(html)
print(type(page),page)
xp='//*[@id="mainBox"]/main/div[1]/div/div/div[2]/div[1]/span[2]'
readnum=page.xpath(xp)for a in readnum:print(a.attrib)print(a.text)print(a.get("class"))

结果如下

<class 'lxml.etree._Element'> <Element html at 0x47a7288>
{'class': 'read-count'}
阅读数：40927
read-count