python爬虫入门教程

第1页共193页Python爬虫入门三之Urllib库的基本使用Python崔庆才5个月前(02-12)13660℃13评论那么接下来，小伙伴们就一起和我真正迈向我们的爬虫之路吧。1.分分钟扒一个网页下来怎样扒网页呢？其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。1234importurllib2response=urllib2.urlopen()printresponse.read()是的你没看错，真正的程序就两行，把它保存成demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。1pythondemo.py第2页共193页看，这个网页的源码已经被我们扒下来了，是不是很酸爽？2.分析扒网页的方法那么我们来分析这两行代码，第一行1response=urllib2.urlopen()首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：第3页共193页1urlopen(url,data,timeout)第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。第二三个参数是可以不传送的，data默认为空None，timeout默认为socket._GLOBAL_DEFAULT_TIMEOUT第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。1printresponse.read()response对象有一个read方法，可以返回获取到的网页内容。如果不加read直接打印会是什么？答案如下：1addinfourlat139728495260376whosefp=socket._fileobjectobjectat0x7f1513fb3ad0直接打印出了该对象的描述，所以记得一定要加read方法，否则它不出来内容可就不怪我咯！3.构造Requset其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例，构造时需要传入Url,Data等等的内容。比如上面的两行代码，我们可以这么改写第4页共193页12345importurllib2request=urllib2.Request()response=urllib2.urlopen(request)printresponse.read()运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。4.POST和GET数据传送上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！数据传送分为POST和GET两种方式，两种方式有什么区别呢？最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。POST方式：上面我们说了data参数是干嘛的？对了，它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下POST方式。1importurllib第5页共193页23456789importurllib2values={username:[e-mail],password:XXXX}data=urllib.urlencode(values)url===urllib2.Request(url,data)response=urllib2.urlopen(request)printresponse.read()我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。注意上面字典的定义方式还有一种，下面的写法是等价的1234567importurllibimporturllib2values={}values['username']=[e-mail]['password']=XXXXdata=urllib.urlencode(values)第6页共193页891011url===urllib2.Request(url,data)response=urllib2.urlopen(request)printresponse.read()以上方法便实现了POST方式的传送GET方式：至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。123456789101112importurllibimporturllib2values={}values['username']=[e-mail]['password']=XXXXdata=urllib.urlencode(values)url==url+?+datarequest=urllib2.Request(geturl)response=urllib2.urlopen(request)printresponse.read()你可以printgeturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数第7页共193页1=1016903103%40qq.com&password=XXXX和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送。本节讲解了一些基本使用，可以抓取到一些基本的网页信息，小伙伴们加油！转载请注明：静觅»Python爬虫入门三之Urllib库的基本使用喜欢(75)or分享(Python爬虫入门四之Urllib库的高级用法Python崔庆才5个月前(02-12)10284℃6评论1.设置Headers有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers的属性。首先，打开我们的浏览器，调试浏览器F12，我用的是Chrome，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，出现一个新的界面，实质上这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。第8页共193页拆分这些请求，我们只看一第一个请求，你可以看到，有个RequestURL，还有headers，下面便是response，图片显示得不全，小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息，有文件编码啦，压缩方式啦，请求的agent啦等等。其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。1234importurllibimporturllib2url='第9页共193页567891011user_agent='Mozilla/4.0(compatible;MSIE5.5;WindowsNT)'values={'username':'cqc','password':'XXXX'}headers={'User-Agent':user_agent}data=urllib.urlencode(values)request=urllib2.Request(url,data,headers)response=urllib2.urlopen(request)page=response.read()这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer例如我们可以构建下面的headers12headers={'User-Agent':'Mozilla/4.0(compatible;MSIE5.5;WindowsNT)','Referer':'}同上面的方法，在传送请求时把headers传入Request参数里，这样就能应付防盗链了。另外headers的一些属性，下面的需要特别注意一下：User-Agent:有些服务器或Proxy会通过该值来判断是否是浏览器发出的请求Content-Type:在使用REST接口时，服务器会检查该值，用来确定HTTPBody中的内容该怎样解析。application/xml：在XMLRPC，如RESTful/SOAP调用时使用application/json：在JSONRPC调用时使用application/x-：浏览器提交Web表单时使用在使用服务器提供的RESTful或SOAP服务时，Content-Type设置错误会导致服务器拒绝服务第10页共193页其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。2.Proxy（代理）的设置urllib2默认会使用环境变量http_proxy来设置HTTPProxy。假如一个网站它会检测某一段时间某个IP的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！下面一段代码说明了代理的设置用法123