iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 7
0
AI & Data

蟲王養成 - scrapy系列 第 7

DAY 07 : request_header_cookie 通過網頁18限制

  • 分享至 

  • xImage
  •  

先前發文
DAY 01 : 參賽目的與規劃
DAY 02 : python3 virtualenv 建置
DAY 03 : python3 request
DAY 04 : 使用beautifulsoup4 和lxml
DAY 05 : select 和find 抓取tag
DAY 06 : soup解析後 list取值
DAY 07 : request_header_cookie 通過網頁18限制


今天要來解決 下圖板的頁面問題, url : https://www.ptt.cc/bbs/Gossiping/index.html

點進去後你會發現有18歲的確認button

按下同意後檢查頁面ctrl + shift + i 切換到Network 並選取index.html

查看到request header 裡的 cookie: 就可以發現 over18=1

那就可以使用requests.get 並帶入url 和cookies 進行網頁的請求

如果不帶的話就只是得到跳轉後 18歲確認的頁面而已

    article = requests.get(
            url = h_url,
            cookies = {'over18': 'yes'}  # ptt18歲的認證
        )

接下來一樣進行解析並爬取資料達成 拿取板被所有的發文與基本資料

    soup = BeautifulSoup(article.text,'lxml')
    r_ent = soup.select('div.r-ent')[0].text
    a_url = soup.select('div.title > a')[0]['href']
    a_title = soup.select('div.title')[0].text
    print(a_title)
    a_author = soup.select('div.author')[0].text
    print(a_author)
    a_date = soup.select('div.date')[0].text
    print(a_date)
    print('https://www.ptt.cc/'+a_url)

完成! 拿到所有板的第一篇文章資訊和link

明天繼續爬內容!! 88888

今日歌曲!
好樂團 GoodBand - 蒸發 Evaporation


上一篇
DAY 06 : soup解析後 list取值
下一篇
DAY 08 : ppt內文爬取
系列文
蟲王養成 - scrapy30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言