Python 爬虫从入门到进阶之路（二）

上一篇文章我们对爬虫有了一个初步认识，本篇文章我们开始学习 Python 爬虫实例。

在 Python 中有很多库可以用来抓取网页，其中内置了 urllib 模块，该模块就能实现我们基本的网页爬取。

在 Python2.x 和 Python3.x 中 urllib 模块是不一样的，但是用法上差不多，我们先用 Python2.x 中的 urllib 来实现一个 demo。

在 Python2.x 中内置了 urllib 模块，但是 Python 创始人 Guido van Rossum 觉得其太臃肿了，于是又写了一个 urllib2，两者有很多不同，最显著的如下：

（1）urllib仅可以接受URL，不能创建，设置headers的request类实例；

（2）但是urllib提供urlencode()方法用来GET查询字符串的产生，而urllib2则没有（这是urllib和urllib2经常一起使用的主要原因）

（3）编码工作使用urllib的urlencode()函数，帮我们讲key:value这样的键值对转换成‘key=value’这样的字符串，解码工作可以使用urllib的unquote()

函数

我们就使用 urllib2 来实现一个简单的爬虫：

1 # 导入urllib2 库
2 import urllib2
3 
4 # 向指定的url发送请求，并返回服务器响应的类文件对象
5 response = urllib2.urlopen("http://www.baidu.com")
6 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
7 html = response.read().decode("utf-8")
8 # 打印字符串
9 print(html)

在上面的代码中我们其实就相当于模拟了查看百度首页，然后获取百度首页的 html 内容。

urllib2 在 python3.x 中被改为urllib.request,python2.x 的 urllib 和 urllib2 在 python3.x 中合并为 urllib

在 Python3.x 中实现上面的代码如下：

1 # 导入urllib 库
2 import urllib.request
3 
4 # 向指定的url发送请求，并返回服务器响应的类文件对象
5 response = urllib.request.urlopen("http://www.baidu.com")
6 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
7 html = response.read().decode("utf-8")
8 # 打印字符串
9 print(html)

最终的打印结果如下，内容太长就截一小段：

历史的车轮滚滚而来，虽然大部分 Python 使用者还在使用 Python2.x，但 Python3.x 肯定有其之长才被发布的，本人作为小白，就选取 Python3.x 学习吧。

在我们上面的例子中，urlopen()的参数就是一个url地址；

但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。

 1 # 导入urllib 库
 2 import urllib.request
 3 
 4 # url 作为Request()方法的参数，构造并返回一个Request对象
 5 request = urllib.request.Request("http://www.baidu.com")
 6 # Request对象作为urlopen()方法的参数，发送给服务器并接收响应
 7 response = urllib.request.urlopen(request)
 8 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
 9 html = response.read().decode("utf-8")
10 # 打印字符串
11 print(html)

最终的打印结果一致。

新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：

  1. data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。

  2. headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。

这两个参数下面会说到。

但是这样直接用 urllib 给一个网站发送请求的话，确实略有些唐突了，就好比，人家每家都有门，你以一个路人的身份直接闯进去显然不是很礼貌。而且有一些站点不喜欢被程序（非人为访问）访问，有可能会拒绝你的访问请求。

但是如果我们用一个合法的身份去请求别人网站，显然人家就是欢迎的，所以我们就应该给我们的这个代码加上一个身份，就是所谓的User-Agent头。

  • 浏览器 就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的User-Agent头。

现在我们就来加一个 User-Agent 的报头。

当我们打开 https://www.baidu.com/，我们在开发者工具的 Network 下，我们会找到一个 

User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36

当然还有 Accept，Host，Cookie 等信息，这里我们先不考虑，后期会讲到。

 1 # 导入urllib 库
 2 import urllib.request
 3 import ssl
 4 
 5 # 取消代理验证
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 # User-Agent
 8 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
 9 # url 作为Request()方法的参数，构造并返回一个Request对象
10 request = urllib.request.Request("http://www.baidu.com",headers=headers)
11 # Request对象作为urlopen()方法的参数，发送给服务器并接收响应
12 response = urllib.request.urlopen(request)
13 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
14 html = response.read().decode("utf-8")
15 # 打印字符串
16 print(html)

在上面的代码中，我们又引入了 ssl 模块，由于现在百度使用的是 https 协议，进入页面需要代理验证，为了不必要的麻烦，我们干脆取消代理验证，所以用到了 ssl 模块。

然后我们定义了一个 headers 的变量，即响应头信息，然后我们在 Request 的第二个形参中将 headers=headers，这样我们在请求 https://www.baidu.com/，就相当于我们手动在浏览器输入 url 链接是一样的效果。

 

posted @ 2019-06-20 10:50  丰寸  阅读(4730)  评论(2)  编辑  收藏  举报