本次爬虫思路
最最重要的是分析信息接口！！！
1. 获取url
2. 通过请求拿到响应
3. 处理反爬
4. 提取信息
5. 保存内容
本次操练网页
https://www.duanmeiwen.com/xinshang/3203373.html(某美文网)
网页内容：
✨一.爬虫模板
?1.urllib库的使用模板
import urllib.request
url ='xxxxxxxxxxxx'
#发送请求
request= urllib.request.Request（url，data，header）
#得到响应
response=urllib.request.urlopen（request）
#解码
content = response.read().decode()
#查看数据
print(content)
?2.requests库的使用模板
import requests
url ='xxxxxxxxxxxx'
#发送请求
response = request.get(url， params，headers) (get请求或者post请求)
#根据响应的格式解码，非常智能
response.encoding=response.appareent_encoding
#查看数据
print(response.txt)
✨二.分析信息接口
1.首先右键查看网页源代码
很明显，爬取的信息就在源代码里，所以直接对网页链接发起请求。这里请求头伪装我们优先携带user-agent。
✨三.通过请求拿到响应
import requests
# 需要请求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'
# 伪装请求头
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',
}
# 获得响应
response = requests.get(url=url, headers=headers)
# 智能解码
response.encoding = response.apparent_encoding
# 打印数据
print(response.text)
✨四. 提取信息
针对返回数据的特点，我们现在有三种方法：
?1.正则表达式
正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。简单来说，利用一定的逻辑公式，过滤掉不需要的数据，主要处理字符串。对于本题来说有点杀鸡用牛刀了。简单来示范一下：
首先导入re模块
import re
接下来开始操作这堆"字符串"
re.compile()是用来优化正则的，它将正则表达式转化为对象，re.search(pattern, string)的调用方式就转换为 pattern.search(string)的调用方式，多次调用一个正则表达式就重复利用这个正则对象，可以实现更有效率的匹配。需要搭配finditer()等一起使用，参数pattern : 正则表达式；，flags : 表示匹配模式。
右键点击检查进入Network页面，主要是方便我们看清楚结构。
效果
这里写的比较粗糙，因为大家会发现我们会大量在重复写一个相同的筛选语句，所以就有那么一点机械重复的感觉，而且我们有专门对付这中HTML结构的工具，所以接下来咱们隆重介绍XPath！
?2.XPath
XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快地被开发者采用来当作小型查询语言。我们只要简单理解为它主要是针对定位HTML中某部分位置的语言。
首先导入XPath
from lxml import etree
接下来开始操作
效果
这就是优雅，对比上面，我们用三行代码就完成了任务，由此可见，用对方法很重要。
? 3.漂亮的汤（BeautifulSoup）<本次不使用>
✨五.保存内容
这里就很简单，基础文件操作的知识，“行百里者半九十”，来吧，咱们直接一口气写完。
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('优美文艺句子.txt', 'a', encoding='utf-8') as fp:
fp.write(message[i])
fp.write('\n')
print('文章爬取完成')
效果
✨六.总结（附完整代码）
过今天的小案例，我们明白了，第一，思路一定要清楚，快准狠分析出接口链接，第二，提取数据的方法要正确，这样会直接事半功倍，好了，今天就分享到这里，谢谢大家的观看，有什么想法记得评论区告诉我！拜拜~✨ ✨ ✨
?完整代码
import requests
from lxml import etree
# 需要请求的url
url = 'https://www.duanmeiwen.com/xinshang/3203373.html'
# 伪装请求头
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',
}
# 获得响应
response = requests.get(url=url, headers=headers)
# 智能解码
response.encoding = response.apparent_encoding
# 提取数据
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()')
#遍历保存数据
for i in range(len(message)):
with open('优美文艺句子.txt', 'a', encoding='utf-8') as fp:
fp.write(message[i])
fp.write('\n')
print('文章爬取完成')
以上就是一文学会利用python解决文章付费限制问题的详细内容，更多关于Python解决文章付费限制的资料请关注编程网其它相关文章！
