使用python3 requests和bs4进行爬虫（二）爬取文章
为了做到更优雅，这次抛弃了urllib库的引用，使用requests和搭配的方式进行
首先构建一个请求并且响应它
然后呢到上找一篇文章试试手，看一下网页源码找到文章的div
以及找到文章内容，仔细看看内容还挺不错哈哈
可以发现所有的内容都在p标签里面，那么接下来就简单多了只需要
f5运行一下
*使用codecs库来进行文件操作将文章保存到本地
没错使用上requests和bs4之后爬取文章的工作是那么的轻松呢
效果图
「2022 年」崔庆才 Python3 爬虫教程 - 代理的使用方法
前面我们介绍了多种请求库，如 urllib、requests、Selenium、 等用法，但是没有统一梳理代理的设置方法，本节我们来针对这些库来梳理下代理的设置方法。
在本节开始之前，请先根据上一节了解一下代理的基本原理，了解了基本原理之后我们可以更好地理解和学习本节的内容。
另外我们需要先获取一个可用代理，代理就是 IP 地址和端口的组合，就是 : 这样的格式。如果代理需要访问认证，那就还需要额外的用户名密码两个信息。
那怎么获取一个可用代理呢？
使用搜索引擎搜索 “代理” 关键字，可以看到许多代理服务网站，网站上会有很多免费或付费代理，比如快代理的免费 HTTP 代理： 上面就写了很多免费代理，但是这些免费代理大多数情况下并不一定稳定，所以比较靠谱的方法是购买付费代理。付费代理的各大代理商家都有套餐，数量不用多，稳定可用即可，我们可以自行选购。
另外除了购买付费 HTTP 代理，我们也可以在本机配置一些代理软件，具体的配置方法可以参考 HTTP 或 SOCKS 代理服务，所以代理地址一般都是 127.0.0.1: 这样的格式，不同的软件用的端口可能不同。
这里我的本机安装了一部代理软件，它会在本地 7890 端口上创建 HTTP 代理服务，即代理为 127.0.0.1:7890。另外，该软件还会在 7891 端口上创建 SOCKS 代理服务，即代理为 127.0.0.1:7891，所以只要设置了这个代理，就可以成功将本机 IP 切换到代理软件连接的服务器的 IP 了。
在本章下面的示例里，我使用上述代理来演示其设置方法，你也可以自行替换成自己的可用代理。
设置代理后，测试的网址是 origin 字段就是客户端的 IP，我们可以根据它来判断代理是否设置成功，即是否成功伪装了 IP。
好，接下来我们就来看下各个请求库的代理设置方法吧。
首先我们以最基础的 urllib 为例，来看一下代理的设置方法，代码如下：
运行结果如下：
这里我们需要借助 设置代理，参数是字典类型，键名为协议类型，键值是代理。注意，此处代理前面需要加上协议，即 http:// 或者 HTTP 协议的时候，会使用 http 键名对应的代理，当请求的链接是 HTTPS 协议的时候，会使用 https 键名对应的代理。不过这里我们把代理本身设置为了 HTTP 协议，即前缀统一设置为了 HTTP 还是 HTTPS 协议的链接，都会使用我们配置的 HTTP 协议的代理进行请求。
创建完 对象之后，我们需要利用 build_opener 方法传入该对象来创建一个 Opener，这样就相当于此 Opener 已经设置好代理了。接下来直接调用 Opener 对象的 open 方法，即可访问我们所想要的链接。
运行输出结果是一个 JSON，它有一个字段 origin，标明了客户端的 IP。验证一下，此处的 IP 确实为代理的 IP，并不是真实的 IP。这样我们就成功设置好代理，并可以隐藏真实 IP 了。
如果遇到需要认证的代理，我们可以用如下的方法设置：
这里改变的只是 proxy 变量，只需要在代理前面加入代理认证的用户名密码即可，其中 username 就是用户名，password 为密码，例如 username 为 foo，密码为 bar，那么代理就是 foo:bar@127.0.0.1:7890。
如果代理是 SOCKS5 类型，那么可以用如下方式设置代理：
此处需要一个 socks 模块，可以通过如下命令安装：
这里需要本地运行一个 SOCKS5 代理，运行在 7891 端口，运行成功之后和上文 HTTP 代理输出结果是一样的：
结果的 origin 字段同样为代理的 IP，代理设置成功。
对于 requests 来说，代理设置非常简单，我们只需要传入 proxies 参数即可。
这里以我本机的代理为例，来看下 requests 的 HTTP 代理设置，代码如下：
运行结果如下：
和 urllib 一样，当请求的链接是 HTTP 协议的时候，会使用 http 键名对应的代理，当请求的链接是 HTTPS 协议的时候，会使用 https 键名对应的代理，不过这里统一使用了 HTTP 协议的代理。
运行结果中的 origin 若是代理服务器的 IP，则证明代理已经设置成功。
如果代理需要认证，那么在代理的前面加上用户名和密码即可，代理的写法就变成如下所示：
这里只需要将 username 和 password 替换即可。
如果需要使用 SOCKS 代理，则可以使用如下方式来设置：
这里我们需要额外安装一个包 requests[socks]，相关命令如下所示：
运行结果是完全相同的：
另外，还有一种设置方式，即使用 socks 模块，也需要像上文一样安装 socks 库。这种设置方法如下所示：
使用这种方法也可以设置 SOCKS 代理，运行结果完全相同。相比*种方法，此方法是全局设置的。我们可以在不同情况下选用不同的方法。
httpx 的用法本身就与 requests 的使用非常相似，所以其也是通过 proxies 参数来设置代理的，不过与 requests 不同的是，proxies 参数的键名不能再是 http 或 https，而需要更改为 http:// 或 对于 HTTP 代理来说，设置方法如下：
对于需要认证的代理，也是改下 proxy 的值即可：
这里只需要将 username 和 password 替换即可。
运行结果和使用 requests 是类似的，结果如下：
对于 SOCKS 代理，我们需要安装 httpx-socks 库，安装方法如下：
这样会同时安装同步和异步两种模式的支持。
对于同步模式，设置方法如下：
对于异步模式，设置方法如下：
和同步模式不同的是，transport 对象我们用的是 而不是 ，同时需要将 Client 对象更改为 对象，其他的不变，运行结果是一样的。
Selenium 同样可以设置代理，这里以 Chrome 为例来介绍其设置方法。
对于无认证的代理，设置方法如下：
运行结果如下：
代理设置成功，origin 同样为代理 IP 的地址。
如果代理是认证代理，则设置方法相对比较繁琐，具体如下所示：
这里需要在本地创建一个 manifest.json 配置文件和 .js 脚本来设置认证代理。运行代码之后，本地会生成一个 proxy_auth_plugin.zip 文件来保存当前配置。
运行结果和上例一致，origin 同样为代理 IP。
SOCKS 代理的设置也比较简单，把对应的协议修改为 socks5 即可，如无密码认证的代理设置方法为：
运行结果是一样的。
对于 aiohttp 来说，我们可以通过 proxy 参数直接设置。HTTP 代理设置如下：
如果代理有用户名和密码，像 requests 一样，把 proxy 修改为如下内容：
这里只需要将 username 和 password 替换即可。
对于 SOCKS 代理，我们需要安装一个支持库 aiohttp-socks，其安装命令如下：
我们可以借助于这个库的 来设置 SOCKS 代理，其代码如下：
运行结果是一样的。
另外，这个库还支持设置 SOCKS4、HTTP 代理以及对应的代理认证，可以参考其官方介绍。
对于 Pyppeteer 来说，由于其默认使用的是类似 Chrome 的 Chromium 浏览器，因此其设置方法和 Selenium 的 Chrome 一样，如 HTTP 无认证代理设置方法都是通过 args 来设置的，实现如下：
运行结果如下：
同样可以看到设置成功。
SOCKS 代理也一样，只需要将协议修改为 socks5 即可，代码实现如下：
运行结果也是一样的。
相对 Selenium 和 Pyppeteer 来说， 的代理设置更加方便，其预留了一个 proxy 参数，可以在启动 的时候设置。
对于 HTTP 代理来说，可以这样设置：
在调用 launch 方法的时候，我们可以传一个 proxy 参数，是一个字典。字典有一个必填的字段叫做 server，这里我们可以直接填写 HTTP 代理的地址即可。
运行结果如下：
对于 SOCKS 代理，设置方法也是完全一样的，我们只需要把 server 字段的值换成 SOCKS 代理的地址即可：
运行结果和刚才也是完全一样的。
对于有用户名和密码的代理， 的设置也非常简单，我们只需要在 proxy 参数额外设置 username 和 password 字段即可，假如用户名和密码分别是 foo 和 bar，则设置方法如下：
这样我们就能非常方便地为 实现认证代理的设置。
以上我们就总结了各个请求库的代理使用方式，各种库的设置方法大同小异，学会了这些方法之后，以后如果遇到封 IP 的问题，我们可以轻松通过加代理的方式来解决。
本节代码： （一）.
.
.
[('纹身小妹夏美酱酥胸半露诱惑十足(图45)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图46)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图47)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图48)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图49)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图50)', '
[('纹身小妹夏美酱酥胸半露诱惑十足(图51)', '
[('美护士沈梦瑶制服写真大胆张腿很诱惑(图1)', '
[('美护士沈梦瑶制服写真大胆张腿很诱惑(图2)', '
[('美护士沈梦瑶制服写真大胆张腿很诱惑(图3)', '
[('美护士沈梦瑶制服写真大胆张腿很诱惑(图4)', '
.
.
.
Python 3 网络爬虫学习建议？
用py3写爬虫的话，强力推荐这本书，应该是目前最系统最完善介绍python爬虫的书。可以去图灵社区买电子版。书的内容很新也很系统，从，requests到ajax，图像识别，单元测试。比起绝大多数blog零散的教程要好的多，看完书后就可以去做些实战项目，这个时候可以去github上找类似的项目借鉴下。英文版pdf：个人觉得英文版更好）中文版pdf：这本书内容比较浅，我表示赞同。但是对于新手来说，看完这本书，对于爬虫基础的应用与概念绝对有了初步的了解。其实国内有一本讲爬虫的好书，《自己动手写网络爬虫》，这本书除了介绍爬虫基本原理，包括优先级，宽度优先搜索，分布式爬虫，多线程，还有云计算，数据挖掘内容。只不过用了java来实现，但是思路是相同的。有这几个包基本上就够用了。当初学习爬虫的时候一点都不懂，甚至连爬虫是什么都不知道就在学了，但是怀着不懂装懂的精神，到现在基本上也算对爬虫了解一二。正如你所说，爬虫是个大坑！因为这不仅仅是Python的事，想要学好爬虫，需要学习：网络基础知识（post/get/抓包）、（推荐）正则表达式（re模块）、多线程/多进程、数据库（储存）。还有各种各样的问题：Python蛋疼的编码问题、遇到Ajax就要用selenium（效率低）、遇到验证码肿么办（我放弃）、需要模拟登录（我直接用cookies，在这里推荐requests，用法是：被网站禁ip等等所以，如果你是想学爬虫，那么就慢慢磨吧。但是你是想学习机器学习，网上那么多的数据集，可以不必专门学。
我的爬虫入门书 —— 《Python3网络爬虫开发实战（第二版）》
年前学习python基础知识之后，在好奇心的推动下，我开始接触了python网络爬虫，而在刚开始接触网络爬虫时，繁多的资料让我猝不及防，对于习惯于优先通过书籍进行自主学习的我来说，通过长期看视频学习反而不是很习惯，但是在网络上找到的许多爬虫相关资料，不是说的过于简略，就是部分内容有些“过时”。该跟谁走？该怎么走？这个问题那段时间一直困扰着我。
所幸，在热心群友的推荐下（haha，真的很热心的一个老哥），我入手了崔大写的《Python3网络爬虫开发实战（第二版）》，找到了符合我状况的“引路书”。
初入手，书籍就令我惊讶，920页左右的厚度，在我之前买过的相关书籍中，厚度也能算是前几名，比实际想象的厚许多。
而当我翻开目录，可以发现，与*领域的“大部头”专著相比（读过几本，看那种书真的蛮痛苦的hh），这本书的结构层次分明，由浅入深、层层递进，由爬虫基础引入，再向各方面延伸，刚好满足了我“半个小白”状态的学习需要（经过近2个月的学习感觉也确实真的适合我）。
而在书的内容之外，不得不提的是，崔大的Scrape平台。崔大的Scrape平台合理的解决了爬虫入门者实战训练的“场地”问题，防止了初步入门者无知的迈入了著作权的“灰色地带”，这种提供练习平台的爬虫教学，确实也我*次遇到的，我对崔大的用心感到真心佩服。
简要的介绍到这里就结束了！目前我已经跟随崔大的这本书学习了两个月，受益匪浅，掌握了蛮多的技能。
总之，如果想跟随较新的爬虫教程学习，基础跟我相似的同学，我认为崔大的《Python3网络爬虫开发实战（第二版）》是入门爬虫绝不容错过的一本书！
4种Python爬虫（3. 微信小程序，如，超级猩猩）
目录:
1. PC网页爬虫
2. H5网页爬虫
3. 微信小程序爬虫
4. 手机APP爬虫
爬取超级猩猩的课表，该平台仅提供了微信小程序这一个途径，前面两种针对html网页的爬取方式都不再适用。
采用抓包分析是我们制定方案的*步。
我用的Mac电脑，fiddler只有一个简化版，所以另找了Charles这个类似的软件。启动Charles的代理，在手机WIFI中设置好对应的代理就可以开抓了。但是，抓到的https包的内容都是乱码，咋办？
Charles中提供了ssl证书，在手机端安装证书即可。推荐使用iPhone，直接安装描述文件即可。Android手机必须使用系统版本在7.0以下的才行，7.0以上还需要反编译什么的，太麻烦了。
很容易的定位到了超级猩猩微信小程序载入课表的后台接口。拿这个URL在浏览器里访问试试，直接返回了json结果！超级猩猩很友好！
提取对应的URL，放到浏览器中验证，也可以支持返回json包，剩下就是分析一下这个json的数据结构，按照需要的方式导出了。
直接通过接口的爬取效率非常高，几秒钟就拉取了*各个门店的排课，相当舒心。（下图的录屏没有进行加速）
*一个挑战就是对只有Android/iOS的APP端应用数据的爬取。请看下一章
请点击： <下一页>
python3 怎样爬取动态加载的网页信息
方法1
寻找页面中的xhr请求, 并得到实际的请求参数. 直接获取相关搜索的请求返回代码, 然后进行数据整理.
方法2
模拟浏览器操作, 比如使用Selenium 模块.
