Python-关于豆瓣发布“说句话”,添加网页等的js行为分析

简介: 想做个利用Python发布豆瓣“说句话”的工具,目前我已知的有两种方法:用Python驱动一些无界面浏览器phantomjs(因为我没用Chrome),直接模拟发状态的行为。按F12分析网页发布动态的js行为,直接在Python中post。

想做个利用Python发布豆瓣“说句话”的工具,目前我已知的有两种方法:

  • 用Python驱动一些无界面浏览器phantomjs(因为我没用Chrome),直接模拟发状态的行为。
  • 按F12分析网页发布动态的js行为,直接在Python中post。

  对比两种方法,第一种需要安装phantomjs,但是普适性比较高,再接下来分析其他网页会更加方便快捷。第二种方法对症下药,针对性比较强,对于其他动态网页有需求的话,需要重新分析。

  因为安装phantomjs不成功,因为第二种方法可以学到新技能,所以我选择第二种。

本篇文章就是记录我第二种方法的准备工作。

先发个内容“123”的动态

按F12后出来分析界面,注意点击上图中的矩形框。

发布一个动态之后,这里刷新了几十行的动作。对于我一个菜鸟,真不知道从哪里下手。(就像学高数,高数老师:“显然xx”,我内心:“这哪里显然了??”)

双击第一个www,douban,发现:

发现“123”内容,因此接下直接向douban,com post带有(header data)的数据来尝试。


具体Python 代码查看:python-利用豆瓣爬虫发个动态

 

目录
打赏
0
0
0
0
3
分享
相关文章
从混沌到秩序:Python的依赖管理工具分析
Python 的依赖管理工具一直没有标准化,主要原因包括历史发展的随意性、社区的分散性、多样化的使用场景、向后兼容性的挑战、缺乏统一治理以及生态系统的快速变化。依赖管理工具用于处理项目中的依赖关系,确保不同环境下的依赖项一致性,避免软件故障和兼容性问题。常用的 Python 依赖管理工具如 pip、venv、pip-tools、Pipenv、Poetry 等各有优缺点,选择时需根据项目需求权衡。新工具如 uv 和 Pixi 在性能和功能上有所改进,值得考虑。
118 35
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
在现代数据分析中,高维时间序列数据的处理和预测极具挑战性。基于矩阵分解的长期事件(MFLEs)分析技术应运而生,通过降维和时间序列特性结合,有效应对大规模数据。MFLE利用矩阵分解提取潜在特征,降低计算复杂度,过滤噪声,并发现主要模式。相比传统方法如ARIMA和深度学习模型如LSTM,MFLE在多变量处理、计算效率和可解释性上更具优势。通过合理应用MFLE,可在物联网、金融等领域获得良好分析效果。
124 0
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
本文探讨了金融资产波动率建模中的三种主流方法:GARCH、GJR-GARCH和HAR模型,基于SPY的实际交易数据进行实证分析。GARCH模型捕捉波动率聚类特征,GJR-GARCH引入杠杆效应,HAR整合多时间尺度波动率信息。通过Python实现模型估计与性能比较,展示了各模型在风险管理、衍生品定价等领域的应用优势。
483 66
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
在Python开发中,GIL(全局解释器锁)一直备受关注。本文基于CPython解释器,探讨GIL的技术本质及其对程序性能的影响。GIL确保同一时刻只有一个线程执行代码,以保护内存管理的安全性,但也限制了多线程并行计算的效率。文章分析了GIL的必要性、局限性,并介绍了多进程、异步编程等替代方案。尽管Python 3.13计划移除GIL,但该特性至少要到2028年才会默认禁用,因此理解GIL仍至关重要。
260 16
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
Python时间序列分析工具Aeon使用指南
**Aeon** 是一个遵循 scikit-learn API 风格的开源 Python 库,专注于时间序列处理。它提供了分类、回归、聚类、预测建模和数据预处理等功能模块,支持多种算法和自定义距离度量。Aeon 活跃开发并持续更新至2024年,与 pandas 1.4.0 版本兼容,内置可视化工具,适合数据探索和基础分析任务。尽管在高级功能和性能优化方面有提升空间,但其简洁的 API 和完整的基础功能使其成为时间序列分析的有效工具。
132 37
Python时间序列分析工具Aeon使用指南
Python时间序列分析:使用TSFresh进行自动化特征提取
TSFresh 是一个专门用于时间序列数据特征自动提取的框架,支持分类、回归和异常检测等机器学习任务。它通过自动化特征工程流程,处理数百个统计特征(如均值、方差、自相关性等),并通过假设检验筛选显著特征,提升分析效率。TSFresh 支持单变量和多变量时间序列数据,能够与 scikit-learn 等库无缝集成,适用于大规模时间序列数据的特征提取与模型训练。其工作流程包括数据格式转换、特征提取和选择,并提供可视化工具帮助理解特征分布及与目标变量的关系。
154 16
Python时间序列分析:使用TSFresh进行自动化特征提取
python爬取Boss直聘,分析北京招聘市场
本文介绍了如何使用Python爬虫技术从Boss直聘平台上获取深圳地区的招聘数据,并进行数据分析,以帮助求职者更好地了解市场动态和职位需求。
使用Python实现智能食品消费市场分析的深度学习模型
使用Python实现智能食品消费市场分析的深度学习模型
196 36
Python量化投资实践:基于蒙特卡洛模拟的投资组合风险建模与分析
蒙特卡洛模拟是一种利用重复随机抽样解决确定性问题的计算方法,广泛应用于金融领域的不确定性建模和风险评估。本文介绍如何使用Python和EODHD API获取历史交易数据,通过模拟生成未来价格路径,分析投资风险与收益,包括VaR和CVaR计算,以辅助投资者制定合理决策。
200 15
使用Python实现智能食品消费趋势分析的深度学习模型
使用Python实现智能食品消费趋势分析的深度学习模型
197 18