python爬虫知识回顾

争取快些找回感觉啊。近来一直java，jsp，ssh，db。

最常用的requests库, 通过requests对象的get方法，获取一个response对象。jsp的东西。

image.png image.png image.png

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()

代理和头部处理

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://yx827w:yx827w@123.249.47.2:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.3:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.4:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.5:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.6:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.7:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.8:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.9:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.10:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.11:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.13:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.14:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.15:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.16:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.17:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.18:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.19:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.20:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.21:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.22:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.23:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.24:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.25:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.26:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.27:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.28:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.29:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.30:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.31:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.32:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.33:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.34:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.35:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.36:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.37:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.38:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.39:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.40:888'},
        {'https': 'http://yx827w:yx827w@123.249.47.41:888'},
    ]
    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/u014595019/article/details/51884529")
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

参考文献
摘要算法简介
学习lxml解析html两小时后总结